පයිතන් සමඟ ජීව විද්‍යාත්මක දත්ත විශ්ලේෂණයේ මූලික කරුණු

ලාභ:

• කෘත්‍රිම බුද්ධියට ජීව විද්‍යාත්මක දත්ත කියවා පිරිසිදු කරන කේතය ලිවීමෙන් සහ එය Pandas, NumPy සහ Biopython සමඟින් ක්‍රියාත්මක කිරීමෙන් නියතිවාදී ප්‍රතිදානය විශ්වාස කිරීමේ හැකියාව
• ප්‍රතිඵලය දන්නා කුඩා තත්වයක් සහ තහවුරු කිරීමේ පරීක්ෂණයක් සමඟ කේතය පරීක්ෂා කිරීමෙන් 'වැරදි කේතයක් දෝෂයකින් තොරව ක්‍රියා කිරීමේ' අවදානම වළක්වා ගැනීමට හැකි වීම.
• අනුවාද ඇමිණීම, සසම්භාවී බීජ කිරීම සහ අමු දත්ත සංරක්ෂණ පුරුදු සමඟ නැවත නැවතත් කළ හැකි විශ්ලේෂණයක් ස්ථාපිත කිරීමේ හැකියාව

නූතන ජීව විද්‍යාවේ භාෂාව වැඩි වැඩියෙන් පයිතන් බවට පත්වෙමින් තිබේ. විද්‍යාගාර සටහන් පොතක අතින් සැකසීම දැන් තත්පරයකට වගු පේළි දස දහස් ගණනක් කේත සැකසීමේ රේඛා බවට පත්වේ. මෙම ඒකකය තුළ, අපි ඔබේ ජීව විද්‍යාත්මක දත්ත කියවන, පිරිසිදු කරන සහ සාරාංශ කරන පයිතන් කේතය මුද්‍රණය කරන සම-ක්‍රමලේඛකයෙකු ලෙස AI භාවිතා කිරීමට ඉගෙන ගනිමු. වැදගත් දෙය නම් කෘතිම බුද්ධියට කේතය ලිවීම, එය ඔබම ධාවනය කර ප්රතිඵලය සත්යාපනය කිරීම; මන්ද එය ආකෘතියේ වාචික පුරෝකථනය මත රඳා නොපවතින නමුත්, කේතයේ නිමැවුම් (සෑම ධාවනයකදීම එකම ප්රතිඵලය ලබා දීම) මත රඳා පවතී.

මෙම ඒකකයේ කේතය කරන්නේ කෙසේදැයි ඔබට දැන ගැනීමට අවශ්‍ය නැත; චේතනාව නිවැරදිව ප්‍රකාශ කිරීමට සහ ප්‍රතිදානය සැපයීමට ඔබ ඉගෙන ගනු ඇත.

ඇයි පයිතන් සහ කුමන පුස්තකාලද?

ජීව විද්‍යාවේ වැඩිපුරම භාවිතා වන Python පුස්තකාල (පුස්තකාලය: සූදානම් කළ කාර්යයන් ඇසුරුම) වන්නේ:

• pandas: වගු දත්ත (CSV, Excel) කියවීමට සහ පේළි-තීරු මෙහෙයුම් සිදු කිරීමට. ජාන ප්‍රකාශන වගුවක් පෙරීමට, සමූහ කිරීමට, ඒකාබද්ධ කිරීමට මූලික මෙවලම.
• NumPy: සංඛ්‍යාත්මක අරා සහ න්‍යාස මෙහෙයුම් සඳහා; එය පැන්ඩා යටතේ දිව යයි.
• Biopython: DNA/RNA/ප්‍රෝටීන් අනුපිළිවෙල සමඟ වැඩ කිරීම, FASTA ගොනු කියවීම, පරිවර්තනය (DNA ප්‍රෝටීන් බවට පරිවර්තනය කිරීම).
• matplotlib / seaborn: බිම් කැබලි කිරීම සඳහා.
• SciPy/statsmodels: සංඛ්‍යාලේඛන පරීක්ෂණ සඳහා.

කෘතිම බුද්ධිය මෙම පුස්තකාල හොඳින් දනී. ඔබේ කාර්යය වන්නේ කුමන පුස්තකාලය සමඟ ඔබට කිරීමට අවශ්‍ය දේ පැහැදිලිව ප්‍රකාශ කිරීම සහ උත්පාදනය කරන ලද කේතය ධාවනය කර සත්‍යාපනය කිරීමයි.

ඉඟිය: ආකෘතියට සමහර විට නොපවතින පුස්තකාල ශ්‍රිතයක් "නිර්මාණය" (හැලුසිනේට්) කළ හැක. කේතය දෝෂයක් ලබා දෙන්නේ නම්, කලබල නොවන්න; දෝෂය නැවත ආකෘතියට ඇලවීම සාමාන්‍යයෙන් එය නිවැරදි කරයි. එය තවමත් ක්රියා නොකරයි නම්, නිල ලේඛන පරීක්ෂා කරන්න.

පියවරෙන් පියවර: ගණන් කිරීමේ වගුවක් පිරිසිදු කිරීම

ඔබට counts.csv ඇතැයි කියමු: පේළි ජාන වේ, තීරු සාම්පල වේ, සෛල අමු කියවීමේ ගණන් වේ. සාමාන්ය පළමු පියවර:

1. පැටවීම: පැන්ඩා සමඟ මේසය කියවන්න.
2. සොයාගැනීම: ප්‍රමාණය (ජාන කීයක්, සාම්පල කීයක්), නැතිවූ අගයන්, අනුපිටපත් ජාන නම් පරීක්ෂා කරන්න.
3. පෙරීම: කිසිදු නියැදියක කියවා නැති ජාන ඉවතලන්න (මුළු ගණන 0); මේවා ශබ්දයයි.
4. සාරාංශ කරන්න: නියැදියකට මුළු කියවීම් ගණන ගණනය කරන්න (පුස්තකාල ප්‍රමාණය); ඉතා අඩු නියැදිය අසාර්ථක විය හැක.

ඔබට මෙම කාර්ය ප්‍රවාහය කෘතිම බුද්ධියට පහත පරිදි බාහිරින් ලබා ගත හැක:

භූමිකාව: ඔබ ජෛව තොරතුරු පිළිබඳ අවධානය යොමු කරන පයිතන් සහායකයෙකි. කාර්යය: pandas සමඟ counts.csv ගොනුව කියවන්න. දත්ත: පේළි ජාන (දර්ශකය=gene_id), තීරු සාම්පල 24ක්, අගයන් නිඛිල අමු ගණන් වේ. මට අවශ්‍ය: (1) ප්‍රමාණය මුද්‍රණය කරන්න, (2) කිසිදා කියවා නැති ජාන ඉවතලන්න, (3) තීරු ප්‍රස්ථාරයක නියැදියක මුළු කියවීම් පෙන්වන්න. එක් එක් පේළියට කෙටි තුර්කි අදහස් එක් කරන්න. වැඩ කරන කේතය පමණක් දෙන්න.

ආකෘති කේතය ජනනය කරයි; ඔබ එය ක්රියාත්මක කරන්න. ඔබ ප්‍රතිදානයේ තීරු 24ක් සහ සාධාරණ ජාන සංඛ්‍යාවක් (උදා. 15,000-25,000) දුටුවහොත්, ඔබ ගමන් කරන්නේ ය. එක් නියැදියක අනෙක් ඒවාට වඩා දහයෙන් එකක් කියවීම් තිබේ නම්, එම නියැදිය ලියන්න.

කුඩා නඩු තුනක්

නඩුව 1 — නැතිවූ අගය උගුල: ශිෂ්‍යයෙකුට සාම්පල 30ක පරිවෘත්තීය වගුවක මධ්‍යන්‍යය ගණනය කර ඇත; ප්‍රතිඵලය විකාර සහගත විය. ගැටළුව: නැතිවූ කොටු NaN වෙනුවට "ND" පාඨයෙන් පුරවා ඇත (සංඛ්‍යාවක් නොවේ), එබැවින් තීරුව පෙළ ලෙස කියවන ලදී. මම කෘතිම බුද්ධිය "ND අගයන් NaN බවට පත් කර තීරුව ඉලක්කම් බවට පරිවර්තනය කරන්න" යනුවෙන් පවසන විට එය සවි කර ඇත. පාඩම: සෑම විටම පළමුව අමු දත්ත ගවේෂණය කරන්න.

නඩුව 2 — ඒකාබද්ධ කිරීමේ දෝෂය: පර්යේෂකයෙකු වගු දෙකක් (ප්‍රකාශනය සහ ජාන විවරණ) ඒකාබද්ධ කළ නමුත් ජාන 2,000ක් නැති විය. හේතුව: එක් වගුවක හැඳුනුම්පත් "ENSG00000141510", අනෙක් ඒවා "ENSG00000141510.14" (අනුවාද අංකය සහිත) විය. අනුවාද අංකය නිෂ්කාශනය කරන ලද තනි කේත පේළියක් ආකෘතිය ලිවීය; අලාභය ජාන 40 දක්වා අඩු විය. පාඩම: ID ආකෘති ඒකාබද්ධ කිරීමට පෙර ඒවා පෙළගස්වන්න.

3 වන අවස්ථාව - නිශ්ශබ්ද දත්ත නැතිවීම: පෙරීමෙන් පසු ජාන සංඛ්‍යාව 22,000 සිට 8,000 දක්වා පහත වැටී ඇති බව කාර්මික ශිල්පියෙකුට නොපෙනී ගියේය. එළිපත්ත වැරදි ලෙස සකසා ඇත (එක් එක් නියැදියක කියවීම් > 10 වෙනුවට> එකතුව 10). දන්නා ජානයක් (ගෘහපාලන ජානය: සෑම සෛලයකම නිරන්තරයෙන් ප්‍රකාශ වන GAPDH වැනි ජාන) අවසානයේ අතුරුදහන් විය. පාඩම: "අවශ්‍ය" ජාන පශ්චාත් පෙරහනක් සඳහා පරීක්ෂා කරන්න.

දන්නා තත්වය සමඟ පරීක්ෂා කිරීම (වඩාත් වැදගත් පුරුද්ද)

කෘත්‍රිම බුද්ධිය විසින් ලියන ලද කේතයේ නිරවද්‍යතාවය විශ්වාස කිරීමට ඇති හොඳම ක්‍රමය නම්, ඔබ කල් ඇතිව දන්නා ප්‍රතිඵලයක් සහිත කුඩා සාම්පලයකින් එය පරීක්ෂා කිරීමයි. උදාහරණයක් ලෙස, පේළි 5 ක් සහිත ව්යාජ වගුවක් දෙන්න; මුළු අතින් ගණනය කරන්න; කේතය එකම ප්රතිඵලය ලබා දෙන්නේ දැයි බලන්න.

ඔබ ලියා ඇති පෙරීමේ කේතයට පරීක්ෂණයක් එක් කරන්න: ජාන 5කින්, සාම්පල 3කින් සමන්විත කුඩා DataFrame එකක් ජනනය කරන්න, හිතාමතාම ජාන 2ක් බිංදුවට සකසන්න, පෙරහන හරියටම මෙම ජාන 2 ඉවතලන බව තහවුරු කරමින් තහවුරු කරන්න. පරීක්ෂණය ක්‍රියාත්මක කළ හැකි බවට පත් කරන්න.

කේතය අපේක්ෂිත හැසිරීමෙන් බැහැර වුවහොත් assert ඔබට අනතුරු අඟවයි. "නිහඬ ව්‍යාජ නිගමනයේ" අවදානමට එරෙහි ශක්තිමත්ම පලිහ මෙයයි.

දුර්වල ක්ෂණික / ශක්තිමත් විමසුම

දුර්වල: "මගේ වගුව පිරිසිදු කරන්න."

බලගතු: "counts.csv: පේළි ජාන (gene_id දර්ශකය), තීරු 24 නියැදිය, අගයන් raw පූර්ණ සංඛ්‍යාව. පහත සඳහන් දේ කරන්න: නැතිවූ අගයන් වාර්තා කරන්න, සියලුම සාම්පල හරහා 0 ට එකතු වන ජාන ඉවතලන්න, එක් එක් නියැදිය සඳහා මුළු කියවීම් මුද්‍රණය කරන්න, පෙරහනට පෙර/පසු ජාන ගණන සංසන්දනය කරන්න. වැඩ කරන, අදහස් දැක්වූ පයිතන් කේතය දෙන්න."

වෙනස: ශක්තිමත් ප්‍රේරකය දත්ත ව්‍යුහය, පියවර සහ වලංගු කිරීමේ ප්‍රතිදානය (සංසන්දනය කිරීමට පෙර/පසු) නියම කරයි. ආකෘතිය අනුමාන කළ යුතු නැත.

සංසන්දනාත්මක සටහන: AI හෝ අත්පොත?

ගනුදෙනුව

කෘතිම බුද්ධියට මුද්‍රණය කරන්න

එය ඔබම සත්‍යාපනය කරන්න

CSV කියවීම, ආකෘති පරිවර්තනය

ඔව්

ප්රමාණය සහ වර්ග පරීක්ෂා කරන්න

පෙරීම, කණ්ඩායම් කිරීම

ඔව්

පෙර/පසු ගණන් කරන්න

සංඛ්යා ලේඛන පරීක්ෂණය

ඔව් (කේතය)

උපකල්පන සහ පරීක්ෂණය තහවුරු කරන්න

"පේළි කීයක් ඉතුරුද?"

නැත (කේතය ගණන් කිරීමට ඉඩ දෙන්න)

ප්‍රතිදානය කියවන්න

ප්රතිඵලයේ ජීව විද්යාත්මක අර්ථය

අර්ධ වශයෙන්

විශේෂඥ අදහස් අවශ්ය වේ

පොදු වැරදි

• ආකෘතිය නිපදවන අංකය මත රඳා පවතී: "සාමාන්ය ප්රකාශනය යනු කුමක්ද?" ප්‍රශ්නය ආකෘතියෙන් නොව කේතයෙන් අසන්න.
• දත්ත වර්ග පරීක්‍ෂා නොකිරීම: පෙළ මෙන් කියවන සංඛ්‍යා තීරු නිහඬව වැරදි ප්‍රතිඵල ලබා දෙයි.
• පසු පෙරහන පරීක්ෂා නොකිරීම: අපේක්ෂිත ජානයක් තවමත් පවතින බව තහවුරු කරන්න.
• අහඹු බවේ බීජය අමතක කිරීම: අහඹු මෙහෙයුම් අඩංගු කේතය තුළ බීජය සවි කර නොමැති නම්, ප්රතිඵලය සෑම විටම වෙනස් වේ; පුනරාවර්තන හැකියාව දුර්වල වේ.
• කේතය කියවීමෙන් තොරව ධාවනය කිරීම: අවම වශයෙන් අදහස් කියවා තර්කනය අනුගමනය කරන්න.

අවධානය: කේතය ක්‍රියාත්මක වූ පමණින් කේතය නිවැරදි බව අදහස් නොවේ. "දෝෂ නොමැතිව ක්‍රියා කරන වැරදි කේතය" යනු ජීව විද්‍යාවේ භයානකම තත්ත්වයයි; වැරදි ප්‍රතිඵලය නිශ්ශබ්දව නිපදවන බැවිනි. දන්නා තත්වයක් සමඟ පරීක්ෂා කිරීම මෙම අවදානම ඉවත් කරයි.

ප්‍රතිනිෂ්පාදනය: කේතයේ විද්‍යාත්මක වටිනාකම

ජීව විද්‍යාවේදී, ප්‍රතිඵලයක විද්‍යාත්මක අගය රඳා පවතින්නේ එය ප්‍රතිනිෂ්පාදනය කිරීමට අන් අයට (සහ ඔබේ අනාගත ආත්මයට) ඇති හැකියාව මතය. අතින් වගු මෙහෙයුම් වාර්තා කර නොමැත; කුමන සෛලය වෙනස් වන්නේද සහ කෙසේද යන්න කිසිවෙකු දන්නේ නැත. කේතය සෑම පියවරක්ම ලේඛනගත කරයි. එමනිසා, ඔබ කෘතිම බුද්ධිය සමඟින් කරන විශ්ලේෂණ එක් වරක් පමණක් නොව ගබඩා කර ඇති සහ බෙදාගත් වාර්තාවක් ලෙස සිතන්න.

පුනරාවර්තන විශ්ලේෂණයක් සඳහා පුරුදු තුනක් වැදගත් වේ. පළමුවැන්න අනුවාද පින් කිරීම ය: ඔබ භාවිතා කරන්නේ කුමන පුස්තකාල අනුවාදයද යන්න සටහන් කරන්න (උදා. pandas 2.2); විවිධ අනුවාදය විවිධ ප්රතිඵල ලබා දිය හැක. දෙවැන්න සසම්භාවී බීජයයි: අහඹු මෙහෙයුම් අඩංගු සෑම කේතයකම බීජය සවි කරන්න එවිට සෑම ධාවනයකදීම ප්රතිඵලය සමාන වේ. තෙවනුව, කිසිවිටක අමු දත්ත වෙනස් නොකරන්න: මුල් ගොනුව ස්පර්ශ නොකරන්න, එය ආපසු පෙරළීමට හැකි වන පරිදි කේතයේ සියලු පරිවර්තනයන් කරන්න.

ඔබ විසින් ලියන ලද විශ්ලේෂණ කේතයේ ආරම්භයේ භාවිතා කරන ලද පුස්තකාලවල අනුවාද මුද්‍රණය කරන රේඛා එක් කරන්න, සහ අහඹු ක්‍රියාවලියක් තිබේ නම්, sanp.random.seed(42) සමඟ බීජය සවි කරන්න. අමු CSV කිසිසේත්ම වෙනස් නොකරන්න, සියලුම ප්‍රතිදානය වෙනම ගොනුවක සුරකින්න.

Jupyter සටහන් පොත: විශ්ලේෂණය සහ ආඛ්‍යානය සංයෝජනය

ජෛව තොරතුරු විද්‍යාවේ වැඩිපුරම භාවිතා වන පරිසරය වන්නේ Jupyter සටහන් පොතයි (සටහන් පොත: එකම ලේඛනයේ කේතය, ප්‍රතිදානය සහ විස්තරය ඒකාබද්ධ කරන මෙවලම). AI විසින් සටහන් පොත් සෛල වලට අනුව කේතය ජනනය කර තිබීම, සෑම පියවරක්ම Markdown පැහැදිලි කිරීමකින් වෙන් කර තිබීම, ඔබට සහ ඔබේ සගයන්ට විශ්ලේෂණය අනුගමනය කිරීම පහසු කරයි. මෙම විශ්ලේෂණය "කළු පෙට්ටියක්" නොව කියවිය හැකි රසායනාගාර සටහන් පොතක් බවට පත් කරයි.

ජීව විද්‍යාත්මක ගොනු ආකෘති හඳුනා ගැනීම

Python සමඟ ජීව විද්‍යාත්මක දත්ත සැකසීමේදී, ඔබට නිරන්තරයෙන් ඇතැම් ගොනු ආකෘති හමුවනු ඇත. ආකෘතියට ගොනුවක් නිවැරදිව කියවීමට පෙර, එය කුමන ආකෘතියෙන් දැයි දැනගත යුතුය; ඔබ ආකෘතිය වැරදියි නම්, ඔබ "දෝෂ නොමැතිව වැඩ කරන වැරදි කේතය" උගුලට හසු වනු ඇත. වඩාත් සුලභ වන්නේ:

ආකෘතිය

අන්තර්ගතය

සුදුසු වාහනය

CSV/TSV

වගු දත්ත (ප්‍රකාශනය, මැනීම)

පැන්ඩාවන්

FASTA (.fa/.fasta)

DNA/RNA/ප්‍රෝටීන් අනුපිළිවෙල

biopython

FASTQ (.fq)

අමු අනුක්‍රමික කියවීම් + ගුණාත්මකභාවය

Biopython, අභිරුචි මෙවලම්

වීසීඑෆ්

ප්රභේද (විකෘති) ලැයිස්තුව

pandas/pysam

GFF/GTF

ජාන විවරණ (ජාන ස්ථාන)

pandas, gffutils

ඔබ ආකෘතියක් හඳුනා නොගන්නේ නම්, පළමුව ආකෘතිය නියැදි රේඛා කිහිපයක් පෙන්වීමෙන් එය හඳුනා ගැනීමට සලස්වා, පසුව කියවීමේ කේතය ඉල්ලන්න:

මම ෆයිල් එකේ මුල් පේළි 5 පහතින් දෙනවා. මෙම ජෛව ගොනු ආකෘතිය කුමක්ද? තීරු/ක්ෂේත්‍රවල තේරුම පැහැදිලි කරන්න, පසුව පයිතන් හි මෙම ගොනුව ආරක්ෂිතව කියවන (ආකෘතිය පරීක්ෂා කරන) කේතය ලබා දෙන්න. පළමු පේළි 5: [පේස්ට්]

මෙම ප්රවේශය පළමු ස්ථානයේ ආකෘතියේ උපකල්පනයෙන් පැන නගින නිහඬ දෝෂයන් වළක්වයි.

සාරාංශයක් ලෙස

පයිතන් යනු ජීව විද්‍යාත්මක දත්ත සඳහා ප්‍රධාන සැකසුම් භාෂාව වේ; pandas, NumPy සහ Biopython මූලික මෙවලම් වේ. AI මෙම කේතය ඉක්මනින් ලියයි, නමුත් ඔබ එය ධාවනය කර එය සත්‍යාපනය කරන්න. වඩාත්ම තීරණාත්මක පුරුද්ද වන්නේ ඔබ දන්නා කුඩා සාම්පලයක් සමඟ කේතය පරීක්ෂා කිරීම සහ අපේක්ෂාව තහවුරු කිරීම සමඟ කේතයට ඇතුළත් කිරීමයි. වාචික අනුමාන කිරීම් මත නොව, ඔබ ධාවනය කරන කේතයේ නියත ප්‍රතිදානය මත රඳා සිටින්න.

යෙදුම් කාර්යය

AI මඟින් ඔබ සතුව ඇති CSV වගුව (හෝ නියැදි එකක්) කියවා ඇති කේතයක් මුද්‍රණය කරන්න, එහි ප්‍රමාණය මුද්‍රණය කරන්න, සහ හිස් ජාන පෙරීම කරන්න. ඉන්පසු ව්‍යාජ දත්ත පේළි 5ක් සමඟ ආකෘතියෙන් තහවුරු පරීක්ෂණයක් එක් කරන්න. කේතය ධාවනය කරන්න; පෙරහනට පෙර සහ පසු ජාන ගණන සටහන් කරන්න. ගෘහ පාලන ජානයක් (උදා: GAPDH/ACTB) ප්‍රතිඵලයේ තවමත් තිබේදැයි පරීක්ෂා කරන්න.

පිරික්සුම් ලැයිස්තුව

• [ ] මම දත්ත සැකසීමට පෙර ඒවායේ ප්‍රමාණය සහ වර්ග පරීක්ෂා කළෙමි.
• [ ] මම පැහැදිලිවම නැතිවූ අගයන් හසුරුවා ඇත.
• [ ] මම පෙරහනට පෙර/පසු පේළි ගණන සංසන්දනය කළෙමි.
• [ ] මම දන්නා කොන්දේසියක් සහිත සහතික පරීක්ෂණයක් එක් කළෙමි.
• [ ] මම ගණන් කිරීම/ගණනය කිරීම භාර දුන්නේ කේතයට මිස ආකෘතියට නොවේ.
• [ ] මම කේතයේ අදහස් කියවා තර්කය අනුගමනය කළෙමි.