lingress

Lingress

Das Lingress -Projekt ist eine Initiative, die darauf abzielt, eine optimierte Pipeline für die Analyse der NMR -Datensätze (Nuclear Magnetresonanz) unter Verwendung eines univariaten linearen Regressionsmodells zu entwickeln. Dieses Paket umfasst die Ausführung der linearen Regressionsanalyse über die OLS -Methode (Minderster Quadrate) und liefert visuelle Interpretationen der resultierenden Daten. Insbesondere enthält es die P-Werte aller NMR-Peaks in seinem analytischen Bereich.

Funktionell bestrebt dieses Programm, durch die Anwendung der linearen Regression ein Modell von Stoffwechselprofilen zu erreichen. Das Design und seine Fähigkeiten bieten ein robustes Instrument für eingehende und differenzierte Datenanalysen im Bereich der Stoffwechselstudien.

So installieren

pip install lingress

UI Peak Picking

 #Example data
import numpy as np
from lingress import pickie_peak
import pandas as pd


df = pd . read_csv ( "https://raw.githubusercontent.com/aeiwz/example_data/main/dataset/Example_NMR_data.csv" )
spectra = df . iloc [:, 1 :]
ppm = spectra . columns . astype ( float ). to_list ()


#defind plot data and run UI
pickie_peak ( spectra = spectra , ppm = ppm ). run_ui ()

Lineares Regressionsmodell

 import pandas as pd
from lingress import lin_regression


df = pd . read_csv ( "https://raw.githubusercontent.com/aeiwz/example_data/main/dataset/Example_NMR_data.csv" )
X = df . iloc [:, 1 :]
ppm = spectra . columns . astype ( float ). to_list ()
y = df [ 'Group' ]


mod = lin_regression ( x = X , target = y , label = y , features_name = ppm , adj_method = 'fdr_bh' )
mod . create_dataset ()
mod . fit_model ()

 mod . spec_uniplot ()

 mod . volcano_plot ()

 mod . resampling ( n_jobs = - 1 , n_boots = 100 , adj_method = 'fdr_bh' )

 [Parallel(n_jobs=-1)]: Using backend LokyBackend with 8 concurrent workers.
[Parallel(n_jobs=-1)]: Done   6 tasks      | elapsed:    3.7s
[Parallel(n_jobs=-1)]: Done  60 tasks      | elapsed:    6.7s
[Parallel(n_jobs=-1)]: Done 150 tasks      | elapsed:   11.2s
[Parallel(n_jobs=-1)]: Done 276 tasks      | elapsed:   17.8s
...
[Parallel(n_jobs=-1)]: Done 6486 tasks      | elapsed:  5.6min
[Parallel(n_jobs=-1)]: Done 7188 tasks      | elapsed:  6.1min
[Parallel(n_jobs=-1)]: Done 7211 out of 7211 | elapsed:  6.1min finished

 mod . resampling_df ()

P-Wert	std p-Wert	Beta -Koeffizient	std Beta	Mittlerer p-Wert (F-Test)	STD P-Wert (F-Test)	Mean R-Square	STD R-Quadrat	R2	STD R-Square-Anpassung	q_value
0,60075	3.575454e-03	1.610523E-02	3.673194e+06	502596.020205	0,434302	0,276809	0,138650	0,156244	0,030981	4.012856E-03
0,60125	2.327687E-04	6.418472E-04	4.208365e+06	638734.119190	Nan	Nan	0,160225	0,175463	0,056503	3.531443E-04
0,60175	1.511846e-04	3.690541E-04	4.776924e+06	582175.023885	0,272894	0,258094	0,250765	0,204542	0,157111	2.443829E-04
0,60225	2.724337E-04	7.138873e-04	4.450884e+06	624407.676115	0,132108	0,188570	0,379931	0,198055	0,302422	4.037237E-04
0,60275	2.271675e-04	5.238926e-04	3.596622E+06	643161.588649	0,030732	0,056968	0,558447	0,158948	0,503253	3.458106e-04
...	...	...	...	...	...	...	...	...	...	...
4.20375	2.542707E-09	1.077483e-08	2.231841e+07	479783.299949	Nan	Nan	0,099255	0,130321	-0.010838	4.472063E-08
4.20425	4.727199e-10	1.269310e-09	2.201865e+07	631164.491894	0,420162	0,308196	0,163733	0,184153	0,059199	1.940690E-08
4.20475	1.710447e-09	4.659603E-09	2.285026e+07	721568.566334	Nan	Nan	0,100927	0,138527	-0.010207	3.595928e-08
4.20525	1.043658e-08	9.454456e-08	2.449345e+07	287615.593479	0,310386	0,301403	0,263740	0,245996	0,171707	1.084412E-07
4.20575	1.606948e-08	1.123188e-07	2.621135e+07	246414.620688	0,242344	0,257300	0,299881	0,244772	0,212366	1.457572E-07