bonito下载 - bonito源代码下载

鲣

其他源码

v0.8.1

下载

鲣

Bonito 是 Oxford Nanopore 读数的开源研究基地呼叫者。

对于碱基调用者培训或方法开发以外的任何内容，请使用 dorado。

$ pip install --upgrade pip
$ pip install ont-bonito
$ bonito basecaller [email protected] /data/reads > basecalls.bam

Bonito 支持编写对齐/未对齐的{fastq, sam, bam, cram} 。

$ bonito basecaller [email protected] --reference reference.mmi /data/reads > basecalls.bam

Bonito 将在首次使用时自动下载并缓存基本调用模型，但所有模型都可以通过以下方式下载 -

$ bonito download --models --show  # show all available models
$ bonito download --models         # download all available models

变压器型号

bonito.transformer包需要 flash-attn。

必须手动安装它，因为flash-attn打包系统会阻止它被列为正常依赖项。

将CUDA_HOME设置为相关的库目录将有助于避免包之间的 CUDA 版本不匹配。

修饰碱基

修饰碱基检出由 Remora 处理。

$ bonito basecaller [email protected] /data/reads --modified-bases 5mC --reference ref.mmi > basecalls_with_mods.bam

使用remora model list_pretrained命令查看可用的修改基础模型。

训练你自己的模型

要使用您自己的读取来训练模型，请首先使用附加的--save-ctc标志对读取进行基本调用，然后使用输出目录作为训练的输入目录。

$ bonito basecaller [email protected] --save-ctc --reference reference.mmi /data/reads > /data/training/ctc-data/basecalls.sam
$ bonito train --directory /data/training/ctc-data /data/training/model-dir

除了从头开始训练新模型之外，您还可以轻松地微调预训练模型之一。

bonito train --epochs 1 --lr 5e-4 --pretrained [email protected] --directory /data/training/ctc-data /data/training/fine-tuned-model

如果您对方法开发感兴趣并且没有自己的读数集，那么我们会提供预先准备的读数集。

$ bonito download --training
$ bonito train /data/training/model-dir

所有训练调用都使用自动混合精度来加速训练。要禁用此功能，请将--no-amp标志设置为 True。

开发者快速入门

$ git clone https://github.com/nanoporetech/bonito.git  # or fork first and clone that
$ cd bonito
$ python3 -m venv venv3
$ source venv3/bin/activate
(venv3) $ pip install --upgrade pip
(venv3) $ pip install -e .[cu118] --extra-index-url https://download.pytorch.org/whl/cu118

可以使用ont-bonito[cu118]和ont-bonito[cu121]可选依赖项以及相应的--extra-index-url ，以确保 PyTorch 包与本地 CUDA 设置匹配。

界面

bonito view - 查看给定.toml文件的模型架构以及网络中的参数数量。
bonito train - 训练 bonito 模型。
bonito evaluate - 评估模型性能。
bonito download - 下载预训练模型和训练数据集。
bonito basecaller - 碱基调用者（ .fast5 -> .bam ） 。

参考

使用 CTC 进行序列建模
Quartznet：具有 1D 时间通道可分离卷积的深度自动语音识别
配对共识解码提高了纳米孔测序的神经网络碱基识别器的准确性

许可和版权

Bonito 根据 Oxford Nanopore Technologies, Ltd. 公共许可证 v. 1.0 的条款进行分发。如果许可证副本未随此文件一起分发，您可以从 http://nanoporetech.com 获取一份

研究发布

研究版本作为技术演示提供，以提供对功能的早期访问或刺激社区工具的开发。对该软件的支持将是最少的，并且仅由开发人员直接提供。欢迎功能请求、改进和讨论，并且可以通过分叉和拉取请求来实现。尽管我们非常希望纠正用户可能提出的每个问题和反馈，但开发人员支持该软件的资源可能有限。研究发布可能不稳定，并且会受到 Oxford Nanopore Technologies 快速迭代的影响。

引文

 @software{bonito,
  title = {Bonito: A PyTorch Basecaller for Oxford Nanopore Reads},
  author = {{Chris Seymour, Oxford Nanopore Technologies Ltd.}},
  year = {2019},
  url = {https://github.com/nanoporetech/bonito},
  note = {Oxford Nanopore Technologies, Ltd. Public License, v. 1.0},
  abstract = {Bonito is an open source research basecaller for Oxford Nanopore reads. It provides a flexible platform for training and developing basecalling models using PyTorch.}
}

展开

附加信息