更专业的用户担心的是，从同伴生物信息专家和研究所所长那里听到的这样的情况。 「半夜睡眼惺忪地起床，查看NGS数据分析管道的结果，将文件转换成另一个文件，确认格式，准备下游分析的下一步，然后昏倒回到床上……」同样辛苦的我们 了解强大API的有用性，它可以自动执行人工任务。
我们总结了Python和命令行用的强大API，使其尽可能容易阅读、简单、直观。 虽然Basepair的GUI已被简化为一键快速分析，但如果是几十个、几百个甚至数千个示例，则没有比添加强大的API更好的了。
本文将以几个示例说明Python API如何帮助自动化大型NGS数据分析。 单击功能区上的 我创建了一个对这里有用的帖子 。
即使您不是生物信息设计师，或者没有开发经验，也建议您粗略地看一下以下示例，了解Basepair的API可以做些什么。 Basepair还可以帮助您设置API和所有集成。 有关详细信息，请参见 请从这里咨询。
开始使用基本面API 安装Basepair Python库并设置配置文件 单击功能区上 basepair 库和 json 确保已导入库并已将基础文件连接到配置文件。
import basepair import json bp = basepair.connect(json.load(open(‘/path/to/basepair.config.json’))) 现在，您已经准备好启动NGS数据分析的自动化。
搜索数据 在动态输入提示中单击 bp.print_data() 的双曲正切值。
bp.print_data(‘genomes’) # Will return a list of all genomes # To get more detailed info per genome, add the json=True parameter id name date_created —- ———————– ————————– 1 hg19 2018-04-18T14:58:15.865993 2 mm10 2018-04-18T15:05:39.770488 3 mm9 2018-04-18T15:10:33.438603 4 danRer10 2018-04-18T15:15:11.281866 5 tair10 2018-04-18T15:17:19.582104 bp.print_data(‘workflows’) # Will return a list of all workflows bp.print_data(‘samples’) # Will return a list of all samples bp.print_data(‘analyses’) # Will return a list of all analyses bp.print_data(‘analysis’, uid=[17209]) # Will return a list of data associated with a particular analysis 创建或删除示例 创建和删除示例数据是基本的基本知识库插件API，程序最多可以添加数千个示例。
来定义自定义外观 例如，hg19 人类基因组。 创建一个简单的词典，并将示例添加到Python API中。 可能的键和值对如下：。
Keys Requirement Type Value description name required str Your custom sample name genome required str Your sample’s reference genome (e.g. hg19). Run “bp.get_genome()” to see which are available. datatype required str Data type. Available options: ‘atac-seq’, ‘chip-seq’, ‘dna-seq’, ‘others’, rna-seq’, or ‘scrna-seq’ filepaths1 required str or list One of more files. (e.g. the R1 FASTQ file(s)) filepaths2 optional str or list One of more files. (e.g. the R2 FASTQ file(s)) default-workflow optional str ‘id’ of the default analysis workflow
这在IDE中是如何显示的：。
fwd_file = ‘reads_1.fq’ rev_file = ‘reads_2.fq’ sample_info = { ‘name’: ‘Sample1’, ‘genome’: ‘hg19’, ‘datatype’: ‘rna-seq’, ‘filepaths1’: fwd_file, ‘filepaths2’: rev_file, } sample_id = bp.create_sample(sample_info) bp.create_sample() 创建并上载示例。 这非常简单。 单击功能区上 upload=False 使用参数。
Sample_id 变量包括 ，分配唯一的整数标识。 如果这个数字丢失了 bp.get_samples() 中所述修改相应参数的值。
要删除示例，只需执行以下命令：。
bp.delete_sample(sample_id) 如果已成功删除示例，则返回“响应[204]”。
执行NGS数据分析 创建并上传示例后，请执行相应的分析。
首先 bp.get_workflows() 来获取工作流ID的列表，并将所选ID设置为bp.create_analysis () 作为命令的参数使用。 以下是使用STAR创建分析以映射和量化读。
bp.create_analysis(workflow_id='4'、sample_id='3206') 然后下载结果。
下载结果 完成的分析 uid 中所述修改相应参数的值 bp.get_samples （）命令。 获取uid后，您可以在下载什么方面变得非常灵活。
例1。 此代码执行以下操作：
从ID28626分析下载文件 排除标记为“bam”的文件（ tagkind 中所述修改相应参数的值 “diff” ）。 将所有文件下载到“测试”目录。
bp.download_analysis( 28626, tags=[[‘bam’]], tagkind=’diff’, outdir=’./test/’) 例2。 执行此代码：
从ID28626分析下载文件。 仅包含标记为“fastqc”的文件。 将所有文件下载到测试目录。
bp.download_analysis( 28626, tags=[[‘fastqc’]], tagkind=’subset’, outdir=’./test/’) 例3。 执行此代码：
从ID28626分析下载文件。 仅包含标记为“rnaseq_metrics”和“json”的文件，或标记为“fastqc”和“zip”的文件。 将所有文件下载到测试目录。
bp.download_analysis( 28626, tags=[[‘rnaseq_metrics’,’json’],[‘fastqc’,’zip’]], tagkind=’exact’, outdir=’./test/’) 执行此代码：
从ID28626分析下载文件。 仅包含标记为“rnaseq_metrics”和“json”的文件，或标记为“fastqc”和“zip”的文件。 将所有文件下载到测试目录。
结论 我们已尽可能使Basepair的API更易于阅读、更简单、更坚固。 出色的API可以帮助团队在非常短的时间内将其缩放为数千个样本。 由于强大的并行处理，您可以同时执行数千个分析，因此不会为附加样本产生时间负债。
这篇文章 Basepair API features 来定义自定义外观。
