为深度学习模型提供简单有效的基因组数据随机存取。
genomelake的Python项目详细描述
#基因组标记
[！[Circleci]（https://circleci.com/gh/kundajelab/genomelake.svg？style=svg）（https://circleci.com/gh/kundajelab/genomelake）[！[覆盖状态]（https://coveralls.io/repos/github/kundajelab/genomelake/badge.svg）（https://coveralls.io/github/kundajelab/genomelake）
在规定的卧床时间间隔内输入基因组基因组学信息。
-python 2.7或3.5
-bcolz
-cython
-numpy
-pybedtools
-pysam
>安装
克隆存储库并运行：python setup.py py install `
>安装
>开始：训练蛋白质dna结合模型的蛋白质dna结合模型
提取全基因组序列数据到GenomeLake数据源：
``python
从GenomeLake.backend导入extract_fasta_to_file
genome_fasta=“/mnt/data/annotations/by_release/hg19.grch37/hg19.genome.fa”
genome_data_directory=“/hg19_data_directory”
extract_fasta to_file（genome_fasta，基因组数据目录）
```
=iter（iterable）
尝试：
如果为真：
值=[]
对于范围内的n（批处理大小）：
值+=（下一个（it），）
屈服值
除了停止迭代：
屈服值
定义生成输入和标签（间隔文件、数据源、批处理大小=128）：
bt=pybedtools.bedtool（interval_file）
提取器=数组提取器（数据源）
间隔生成器=批处理程序（bt，批处理大小）
间隔生成器中的间隔批处理：
输入=提取器（间隔批处理）
标签=[]
间隔批处理：
标签。附加（float（interval.name））
labels=np.array（labels）
产生输入，labels
````
=“/examples/jund.hepg2.chr22.101bp_intervals.tsv.gz”
inputs_labels_generator=generate_inputs_and_labels（intervals_file，genome_data_directory）
model=sequential（）
model.add（conv1d（15，25，input_shape=（101，4））
model.add（flatten（））
model.add（密集（1，activation='sigmoid'））
model.compile（loss='binary_crossentropy'，optimizer='adam'，metrics=['accurity']）
model.fit_generator（inputs_labels_generator，步骤_per榍epoch=100）
```
这里是预期结果：
````
100/100[================]-7s-损失：0.0584-acc:0.9905
```
许可证
genomelake在bsd-3许可证下发布。详见“许可证”。
[！[Circleci]（https://circleci.com/gh/kundajelab/genomelake.svg？style=svg）（https://circleci.com/gh/kundajelab/genomelake）[！[覆盖状态]（https://coveralls.io/repos/github/kundajelab/genomelake/badge.svg）（https://coveralls.io/github/kundajelab/genomelake）
在规定的卧床时间间隔内输入基因组基因组学信息。
-python 2.7或3.5
-bcolz
-cython
-numpy
-pybedtools
-pysam
>安装
克隆存储库并运行：python setup.py py install `
>安装
>开始：训练蛋白质dna结合模型的蛋白质dna结合模型
提取全基因组序列数据到GenomeLake数据源：
``python
从GenomeLake.backend导入extract_fasta_to_file
genome_fasta=“/mnt/data/annotations/by_release/hg19.grch37/hg19.genome.fa”
genome_data_directory=“/hg19_data_directory”
extract_fasta to_file（genome_fasta，基因组数据目录）
```
=iter（iterable）
尝试：
如果为真：
值=[]
对于范围内的n（批处理大小）：
值+=（下一个（it），）
屈服值
除了停止迭代：
屈服值
定义生成输入和标签（间隔文件、数据源、批处理大小=128）：
bt=pybedtools.bedtool（interval_file）
提取器=数组提取器（数据源）
间隔生成器=批处理程序（bt，批处理大小）
间隔生成器中的间隔批处理：
输入=提取器（间隔批处理）
标签=[]
间隔批处理：
标签。附加（float（interval.name））
labels=np.array（labels）
产生输入，labels
````
=“/examples/jund.hepg2.chr22.101bp_intervals.tsv.gz”
inputs_labels_generator=generate_inputs_and_labels（intervals_file，genome_data_directory）
model=sequential（）
model.add（conv1d（15，25，input_shape=（101，4））
model.add（flatten（））
model.add（密集（1，activation='sigmoid'））
model.compile（loss='binary_crossentropy'，optimizer='adam'，metrics=['accurity']）
model.fit_generator（inputs_labels_generator，步骤_per榍epoch=100）
```
这里是预期结果：
````
100/100[================]-7s-损失：0.0584-acc:0.9905
```
许可证
genomelake在bsd-3许可证下发布。详见“许可证”。
欢迎加入QQ群-->： 979659372
