remora：预测甲基化/修饰碱基状态-优快云博客

本文链接：https://blog.youkuaiyun.com/gitblog_00094/article/details/146722857

remora：预测甲基化/修饰碱基状态

remora Methylation/modified base calling separated from basecalling. 项目地址: https://gitcode.com/gh_mirrors/rem/remora

项目介绍

remora 是一个开源项目，专注于预测甲基化或修饰碱基状态，这些状态与碱基调用分离。该项目的目的是为训练和预测修饰碱基模型提供准备训练数据的工具和功能。remora 不仅可以处理训练数据，还提供了运行 remora 模型和调查原始信号的功能。值得注意的是，在生产环境中进行修饰碱基调用应使用 Dorado，而推荐的下流处理工具是 modkit。

项目技术分析

remora 使用 Python 编写，依赖于 PyTorch 深度学习框架，特别是对于 GPU 优化，需要确保安装的 PyTorch 版本与系统的 GPU/CUDA 驱动兼容。remora 模型预测的是与标准碱基调用或参考序列相对的修饰碱基，输入单元由信号部分、归因于信号部分的标准化碱基和这两者之间的映射关系组成。

在技术实现上，remora 通过将每个碱基扩展到其周围的 k-mer，再根据移动表（move table）扩展每个 k-mer，最后将每个 k-mer 进行独热编码以供神经网络输入，实现了对序列的编码。

项目技术应用场景

remora 主要应用于纳米孔测序数据中修饰碱基的检测。它适用于实验室中需要对甲基化或其他修饰碱基进行研究的科研人员。通过 remora，研究人员可以准备训练数据集、训练模型并进行预测，以探究 DNA 或 RNA 分子上的修饰碱基。

项目特点

数据准备：remora 支持从 POD5 文件和 BAM 文件中准备训练数据，这些文件包含信号数据和碱基调用信息。
模型训练：提供了灵活的模型训练命令，允许用户自定义模型架构并利用 GPU 加速训练过程。
模型预测：remora 支持基于已训练模型的碱基修饰状态预测，并可以输出预测结果到 BAM 文件。
参考序列锚定预测：remora 提供了一种参考序列锚定预测模式，这种模式可以在参考序列上而不是在碱基调用上进行修饰碱基的预测。
高效的数据处理：通过内存映射的 numpy 文件和无限迭代的方式，remora 可以高效地处理大规模数据集。

以下是 remora 项目的一篇推荐文章：

标题：探索修饰碱基的利器：remora 项目推荐

在纳米孔测序技术飞速发展的今天，对修饰碱基的研究越来越受到重视。修饰碱基的存在可能会影响基因的表达和功能，因此，准确地检测和识别这些修饰碱基对于理解生物学过程至关重要。在这样的背景下，remora 项目应运而生，为科研人员提供了一种强大的工具来预测 DNA 或 RNA 分子上的甲基化或修饰碱基状态。

核心功能

remora 的核心功能是预测与碱基调用分离的甲基化或修饰碱基状态。它通过准备训练数据、训练模型以及提供模型预测等功能，帮助科研人员深入探索修饰碱基的奥秘。

项目介绍

remora 项目不仅提供数据的准备工具，还包括用于运行模型和调查原始信号的函数。这意味着用户可以从数据准备到模型预测的全过程在一个统一的框架内完成。此外，remora 与其他纳米孔技术工具如 Dorado 和 modkit 的无缝集成，使得整个工作流程更加高效。

技术应用场景

在纳米孔测序领域，修饰碱基的检测是一个挑战。remora 通过对信号数据进行分析，结合碱基调用信息，为研究人员提供了一种有效的方法来预测修饰碱基。无论是对甲基化 CG 上下文的深入研究，还是对其他修饰碱基的探索，remora 都可以发挥重要作用。

项目特点

remora 的特点在于其灵活性和高效性。它支持从 POD5 和 BAM 文件中准备数据，这使得用户可以轻松地整合现有的测序数据。remora 的模型训练过程可以自定义模型架构，并且支持 GPU 加速，这大大提高了训练速度。此外，remora 还提供了参考序列锚定预测模式，这使得在参考序列上直接进行修饰碱基预测成为可能。