Начиная процесс анализа метагеномных данных мы столкнулись с тем, что проблемы есть не только с данными, но и с инструментами. Существующие решения не только громоздкие, но и позволяют сделать ошибки неопытным пользователям. А эти ошибки приводят к неправильной интерпретации результатов, что недопустимо, когда это касается, например, здоровья человека.
Все фишки и преимущества нашего приложения можно посмотреть на нашем сайте DeepLoid
Note that full installation is not possible from Windows
, because some of the dependencies are Unix (Linux/MacOS) only. For Windows
, please use the minimal installation below.
Snakemake can be installed with all goodies needed to run in any environment and for creating interactive reports via
conda install -n base -c conda-forge mamba
conda activate base
mamba create -c conda-forge -c bioconda -n snakemake snakemake
from the Bioconda channel. This will install snakemake into an isolated software environment, that has to be activated with
conda activate snakemake
snakemake --help
Installing into isolated environments is best practice in order to avoid side effects with other packages.
A minimal version of Snakemake which only depends on the bare necessities can be installed with
conda install -n base -c conda-forge mamba
conda activate base
mamba create -c bioconda -c conda-forge -n snakemake snakemake-minimal
In contrast to the full installation, which depends on some Unix (Linux/MacOS) only packages, this also works on Windows.
тут пока храняться данные для тестовых прогонов:
pip install poetry
poetry install
dvc pull
After snakemake env activate:
При запуске любого скрипта создается папка path/output
и в ней появляются ASV.csv, taxonomy.tsv и папка pipeline_artifacts
-
deblur_pipeline.py
python3 deeploid_cli.py -t deblur -1 data/standart_dataset/mock_2_R1.fastq -2 data/standart_dataset/mock_2_R2.fastq -db databases/GG/85_otus_classifier.qza -tx databases/GG/85_otu_taxonomy.txt -o path/output
-
qiime2_pipeline.py
python3 deeploid_cli.py -t qiime2 -1 data/standart_dataset/mock_2_R1.fastq -2 data/standart_dataset/mock_2_R2.fastq -db databases/GG/85_otus.fasta -tx databases/GG/85_otu_taxonomy.txt -o path/output
-
dada2_pipeline.R
python3 deeploid_cli.py -t dada2 -1 mock_2_R1.fastq -2 mock_2_R2.fastq -db databases/dada/silva_nr99_v138.1_train_set.fa.gz -o path/output
-
vsearch_pipeline.py
python3 deeploid_cli.py -t vsearch -1 data/standart_dataset/mock_2_R1.fastq -2 data/standart_dataset/mock_2_R2.fastq -db databases/GG/85_otus_classifier.qza -o path/output
Если вы используете CLI в своих исследованиях, рассмотрите возможность цитирования
@misc{=Command Line Interface,
title={High Performance CLI},
author={Deeploid Contributors},
howpublished = {\url{https://github.com/Deeploid-Meta/deeploid-mini-cli}},
year={2023}
}