raep 0.0.3

Random Forest Enzyme Prediction

RAEP: Rapid Enzyme/Non-Enzyme Prediction

RAEP (Rapid Enzyme/Non-Enzyme Prediction) 是一个高效的蛋白质序列酶/非酶预测工具，基于多理化性质特征和XGBoost机器学习算法构建。

功能特性

• 高效预测: 使用优化的特征提取和XGBoost模型，实现快速准确的酶/非酶分类
• 多模式支持: 支持单个序列预测、多序列批量预测和FASTA文件批量预测
• 特征丰富: 采用多理化性质伪氨基酸组成(Pseudo-AAC)、CTD特征和窗口化氨基酸组成
• 用户友好: 提供简洁的Python API，易于集成到现有项目中
• 多进程优化: 特征提取过程采用多进程并行处理，提高大规模数据集处理效率

安装方法

从PyPI安装（推荐）

pip install raep

从源码安装

# 克隆仓库（如果有）
git clone <repository-url>
cd RAEP

# 开发模式安装
pip install -e .

依赖项

• joblib: 用于模型保存和加载，以及并行处理
• numpy: 数值计算
• pandas: 数据处理
• scikit-learn: 机器学习工具和评估指标
• xgboost: 梯度提升树算法实现

基本使用

导入和初始化

from raep_package import RAEP

# 默认初始化（使用内置模型）
predictor = RAEP()

# 使用自定义模型路径初始化
# predictor = RAEP(model_path="path/to/your/model.pkl")

单个序列预测

# 预测单个蛋白质序列
sequence = "MVLSPADKTNVKAAWGKVGAHAGEYGAEALERMFLSFPTTKTYFPHFDLSHGSAQVKGHGKKVADALTNAVAHVDDMPNALSALSDLHAHKLRVDPVNFKLLSHCLLVTLAAHLPAEFTPAVHASLDKFLASVSTVLTSKYR"
prediction, probability = predictor.predict_sequence(sequence)

print(f"预测结果: {'酶' if prediction == 1 else '非酶'}")
print(f"预测概率: 非酶={probability[0]:.4f}, 酶={probability[1]:.4f}")

多序列批量预测

# 批量预测多个序列
sequences = [
    "MASMTGGQQMGRGSEF",
    "MKVLVVLVLLAVLVLA",
    "MDEKTTGWRGGHVA"
]

results = predictor.predict_sequences(sequences)

for i, (pred, prob) in enumerate(results, 1):
    print(f"序列 {i}: {'酶' if pred == 1 else '非酶'} (酶概率: {prob[1]:.4f})")

FASTA文件批量预测

# 从FASTA文件批量预测
fasta_path = "test_sequences.fasta"
results = predictor.predict_fasta(fasta_path)

print(f"预测结果 ({len(results)} 个序列):")
for i, (pred, prob) in enumerate(results, 1):
    print(f"序列 {i}: {'酶' if pred == 1 else '非酶'} (酶概率: {prob[1]:.4f})")

API参考

RAEP类

初始化

RAEP(model_path=None)

• 参数:
  • model_path: 可选，自定义模型文件路径。如果不提供，将使用内置的enzyme_xgb_model.pkl模型。

方法

predict_sequence

predict_sequence(sequence)

预测单个蛋白质序列是否为酶。

• 参数:
  • sequence: 字符串，蛋白质序列。
• 返回值:
  • 元组 (prediction, probability):
    • prediction: 整数，预测类别，0表示非酶，1表示酶。
    • probability: 列表，包含两个浮点数，表示预测为非酶和酶的概率。

predict_sequences

predict_sequences(sequences)

批量预测多个蛋白质序列。

• 参数:
  • sequences: 列表，包含多个蛋白质序列字符串。
• 返回值:
  • 列表，每个元素是一个元组 (prediction, probability)，对应输入序列的预测结果。

predict_fasta

predict_fasta(fasta_path)

从FASTA文件批量预测蛋白质序列。

• 参数:
  • fasta_path: 字符串，FASTA文件路径。
• 返回值:
  • 列表，每个元素是一个元组 (prediction, probability)，对应FASTA文件中序列的预测结果。

使用示例

查看项目中的 example_usage.py 文件，其中包含了完整的使用示例：

python example_usage.py

注意事项

1. 序列格式要求: 输入序列应只包含标准的20种氨基酸的单字母代码（大写）。
2. 序列长度: 工具会自动处理不同长度的序列，但过短的序列（如<10个氨基酸）可能影响预测准确性。
3. 多进程处理: 特征提取过程默认使用多进程加速，会根据系统CPU核心数自动调整。
4. 模型文件: 确保模型文件存在且可访问，特别是使用自定义模型路径时。

故障排除

常见问题

1. 无法导入RAEP包: 确保包已正确安装在当前Python环境中。
2. 模型加载失败: 检查模型文件路径是否正确，以及是否存在于指定位置。
3. 预测错误: 检查输入序列格式是否正确，是否只包含标准氨基酸字母。
4. 性能问题: 对于非常大的数据集，可以考虑分批次处理，避免内存溢出。

获取帮助

如果遇到问题，请联系作者：

• 作者: DHY
• 邮箱: [e-mail]

许可证

本项目采用MIT许可证。详见 LICENSE 文件。

致谢

本项目的开发得到了多个开源工具的支持，特别是XGBoost、scikit-learn等机器学习库。

---

版本: 0.0.1 最后更新: 2024年