spfy

spfy : plate-forme de prédiction des sous-types à partir des séquences du génome entier d'E.coli et qui crée des données graphiques pour des analyses comparatives à l'échelle de la population.

Publié sous le nom : Le,KK, Whiteside,MD, Hopkins,JE, Gannon,VPJ, Laing,CR spfy : une base de données graphique intégrée pour la prédiction en temps réel des phénotypes bactériens et des analyses comparatives en aval. Base de données (2018) Vol. 2018 : numéro d'article bay086 ; est ce que je:10.1093/base de données/bay086

En direct : https://lfz.corefacility.ca/superphy/spfy/

Utiliser:

1. Installez Docker (& Docker-Compose séparément si vous êtes sous Linux, lien). Les utilisateurs Mac/Windows ont Compose fourni avec Docker Engine.
2. git clone --recursive https://github.com/superphy/spfy.git
3. cd spfy /
4. docker-compose up
5. Visitez http://localhost:8090
6. Manger du gâteau ?

Statuts de construction des sous-modules :

Type EC :

PanPredic :

Image Docker pour Conda :

Statistiques :

Comparaison de différents groupes de population :

Runtimes des modules de sous-typage :

CLI : générer des fichiers graphiques :

• Si vous souhaitez créer uniquement des graphiques rdf (sérialisés sous forme de fichiers tortue) :

1. Installez d'abord miniconda et activez l'environnement depuis https://raw.githubusercontent.com/superphy/docker-flask-conda/master/app/environment.yml
2. cd dans le dossier de l'application (à partir duquel les travailleurs RQ s'exécutent généralement) : cd app/
3. Exécutez savvy.py comme ceci : python -m modules/savvy -i tests/ecoli/GCA_001894495.1_ASM189449v1_genomic.fna où l'argument après le -i est votre fichier génome (FASTA).

CLI : Générer une ontologie :

L'ontologie pour spfy est disponible sur : https://raw.githubusercontent.com/superphy/backend/master/app/scripts/spfy_ontology.ttl. Elle a été générée à l'aide de https://raw.githubusercontent.com/superphy/backend/master /app/scripts/generate_ontology.py avec les fonctions partagées du code backend de spfy . Si vous souhaitez l'exécuter, faites : 1. cd app/ 2. python -m scripts/generate_ontology qui mettra l'ontologie dans app/

Vous pouvez générer un joli diagramme à partir du fichier .ttl en utilisant http://www.visualdataweb.de/webvowl/

CLI : mettre en file d'attente les tâches de sous-typage sans Reactapp :

Note

actuellement configuré uniquement pour les fichiers .fna

Vous pouvez contourner le site Web frontal tout en mettant les tâches de sous-typage en file d'attente en :

1. Tout d’abord, montez le répertoire hôte avec tous vos fichiers génomiques dans /datastore dans les conteneurs.

Par exemple, si vous conservez vos fichiers dans /home/bob/ecoli-genomes/ , vous modifierez le fichier docker-compose.yml et remplacerez :

 volumes :
- /datastore

avec:

 volumes :
- /home/bob/ecoli-genomes:/datastore

2. Ensuite, supprimez votre composition Docker (si elle est active) et redémarrez-la

docker-compose down
docker-compose up -d

3. Déposez et décortiquez dans le conteneur de votre serveur Web (bien que les conteneurs de travail fonctionnent également) et exécutez le script.

docker exec -it backend_webserver_1 sh
python -m scripts/sideload
exit

Notez que des résidus peuvent être créés dans votre dossier génome.

Architecture:

Docker Image	Ports	Noms	Description
back-end-rq	80/tcp, 443/tcp	back end_wor ker_1	les principaux travailleurs de la file d'attente Redi
back-end - rq-b laze grap h	80/tcp, 443/tcp	back end_wor ker-blaz egra ph-i ds_ 1	cela donne la ratio des gènes spfy ID pour la base de données blaz egra ph
back-end	0,0. 0.0 : 8000 ->80 /tcp, 443/tcp	back end_web -ngi nx-u wsgi _1	le back-end du flacon qui gère les tâches d'enquête
super rphy /bla zegr aph : 2.1. Référence 4 pouces	0,0. 0,0 : 8080 ->80 80/t cp	retour end_bla zegr aph_1	Blaz egra ph Base de données
redi s:3. 2	6379 /tcp	back end_red is_ 1	Base de données Redi
réagir	0,0. 0,0 : 8090 ->50 00/t cp	retour end_rea ctap p_1	front t-en d pour spfy

Plus de détails :

L'image superphy/backend-rq:2.0.0 est évolutive : vous pouvez créer autant d'instances que vous en avez besoin/disposez de puissance de traitement. L'image est chargée d'écouter la file d'attente multiples (12 travailleurs) qui gère la plupart des tâches, y compris les appels RGI . Il écoute également la file d'attente singles (1 travailleur) qui exécute ECTyper . Ceci est fait car RGI est la partie la plus lente de l’équation. La gestion des travailleurs est gérée par supervisor .

L'image superphy/backend-rq-blazegraph:2.0.0 n'est pas évolutive : elle est chargée d'interroger la base de données Blazegraph pour les entrées en double et d'attribuer des ID spfy dans un ordre séquentiel . Ses fonctions sont aussi minimes que possible pour améliorer les performances (car la génération d'ID est le seul goulot d'étranglement dans les pipelines autrement parallèles) ; les comparaisons sont effectuées par les hachages sha1 des fichiers soumis et les non-doublons ont leurs identifiants réservés en liant l'ID spfy généré au hachage du fichier. La gestion des travailleurs est gérée par supervisor .

Le superphy/backend:2.0.0 qui exécute les points de terminaison Flask utilise supervisor pour gérer les processus internes : nginx , uWsgi .

Blazegraphe :

• Nous utilisons actuellement la version 2.1.4 de Blazegraph. Si vous souhaitez exécuter Blazegraph séparément, veuillez utiliser la même version, sinon il pourrait y avoir des problèmes dans les URL/retours des points de terminaison (à savoir la version 2.1.1). Voir #63. Vous pouvez également modifier le point de terminaison en conséquence sous database['blazegraph_url'] dans /app/config.py

Contribuer :

Les étapes requises pour ajouter de nouveaux modules sont documentées dans le Guide du développeur.