tomer 0.2

TOMER：重采样酶的温度优化

TOMER是一个Python软件包，用于通过机器学习预测酶的催化最适温度（Topt）。托默在一个由2917个蛋白质组成的数据集上接受训练。为了避免较高温度值的预测误差过大，采用重采样策略来减轻数据分布不平衡的影响。可在here中找到该机的设计代码。在

引文

如果您认为TOMER有用，请引用：

• 加多，J.E.，贝克汉姆，G.T.，佩恩，C.M.（2020）。利用重采样策略和集成学习改进酶最适温度预测。J.化学。信息模型。60（8），4098-4107。在

安装

用pip安装

pip install tomer

或来源（首选）。建议使用虚拟环境。在

先决条件

（本书使用的版本）

1. Python 3（3.6.6）
2. Scikit学习（0.21.2）
3. 纽比（1.14.2）
4. 熊猫（0.24.1）
5. 作业库（0.13.2）

使用

TOMER中有两个主要函数用于预测酶的最适温度：pred_seq_topt，它预测单个蛋白质序列（字符串）的最适温度，pred_fasta_topt，它预测fasta文件中蛋白质序列的最适温度。要使用这些功能，您必须指定蛋白质源生物体的最佳生长温度（OGT）。如果OGT未知，则可以使用TOME获得预测。在

示例

importtomer# Predict optimum temperature of a single sequence.sequence='''MKKQVVEVLVEGGKATPGPPLGPAIGPLGLNVKQVVDKINEATKEFAGMQVPVKIIV
              DPVTKQFEIEVGVPPTSQLIKKELGLEKGSGEPKHNIVGNLTMEQVIKIAKMKRSQML
              ALTLKAAAKEVIGTALSMGVTVEGKDPRIVQREIDEGVYDELFEKAEKE'''ogt=95y_pred,y_err=tomer.pred_seq_topt(sequence,ogt)print(y_pred)# predicted optimum temperature82.415print(y_err)# Standard error of prediction (over 100 base learners in ensemble)2.0913518953060004# Predict optimum temperatures of sequences in fasta filefasta_file='test/sequences.fasta'ogt_file='test/ogts.txt'df=tomer.pred_fasta_topt(fasta_file,ogt_file)# returns dataframeprint(df)SequenceToptStderr0P4340879.3451.535611Q97X0881.7050.4424422F8A9V076.371.16195