XiaoMi-AI文件搜索系统
World File Search SystemPYPI
使用适用于 IBM z/OS 的 Python AI 工具包安全地利用开源软件
企业 z/OS 环境中的 Python 受到的管理比私有工作站中更严格，但相同的环境管理设施很有用。个人 z/OS 用户可以直接从 IBM 安装 Python OSS 包，并且该工作流程比从基于社区的渠道（例如 PyPI）安装 OSS 包更安全。大多数企业在内部存储库中管理一组已批准的 OSS 包，该存储库镜像来自包括 IBM 在内的几个受信任来源的内容。然后，Python 或 z/OS 系统管理员充当内部管理存储库和外部世界之间的控制点。用户可以从已批准的内部服务器构建其本地 Python 环境。这些任务是使用 pip CLI 完成的，无论 OSS 包来自何处（PyPI、IBM 或内部存储库）。IBM z/OS 的 Python AI 工具包可以为企业节省大量时间和资源，这些时间和资源对于正确审查 OSS 以供生产使用是必要的。
fittest：Python中的进化机器学习
摘要。The -Fittest是一个新的Python库，专门研究使用进化优化方法的进化优化方法和机器学习方法。The -Fittest既提供了经典的进化算法和对开放访问中没有实现的这些算法的有效修改。在库的优点中是实施方法的性能，可访问性和易用性。 本文讨论了开发和领导项目的动机，并用使用示例描述了图书馆的结构，并与其他具有类似开发目标的项目进行了比较。 The-Fittest是使用现代代码分析和测试方法开发的GitHub和PYPI上的开源项目。 在撰写论文时，库的最新版本为0.2.3。在库的优点中是实施方法的性能，可访问性和易用性。本文讨论了开发和领导项目的动机，并用使用示例描述了图书馆的结构，并与其他具有类似开发目标的项目进行了比较。The-Fittest是使用现代代码分析和测试方法开发的GitHub和PYPI上的开源项目。在撰写论文时，库的最新版本为0.2.3。
一个用于基因组数据组合分析的灵活工具包
在这里，我们介绍了TrackPlot，这是一个Python软件包，用于通过可编程和基于互动的Web方法生成出版物质量可视化。与生成实地的程序的现有范围相比，TrackPlot提供了一个多功能平台，可在各种来源中视觉解释基因组数据，包括具有功能域映射，同种型，同种型的基因注释，而没有通过SCRNA-SECRED和长期访问的范围以及杂色的范围，以及任何杂色的访问范围，并提供了透明度的范围，以及杂色的范围。符合主要期刊要求的输出文件。TrackPlot软件包是一种开源软件，可以在Bioconda（https://anaconda.org/bioconda/trackplot）上免费获得，Docker（https://hub.docker.com/r/r/r/r/ygidtu/trackplot） （https://github.com/ygidtu/trackplot），还提供了用于本地部署的内置Web服务器。
深层物种分布建模的框架
本文描述了一个深-SDM框架Malpolon。用Python编写并建立在Pytorch图书馆的基础上，该框架旨在促进深层物种分布模型（DEEP-SDM）的培训和推断，并为只有General Python语言技能（例如，模型的生态学家）的用户共享，他们对测试对建立新SDM的深度学习方法感兴趣。更多的高级用户还可以从框架的模块化中受益，通过覆盖现有类，同时利用Press-button示例来运行更具体的实验，以使用自定义或提供的原始和预处理的数据集来训练Multiple分类任务上的神经网络。该框架是在GitHub和Pypi上开源的，并在各种情况下进行了广泛的文档和使用示例。Malpolon提供直接的固定，基于YAML的配置，并行计算，多GPU利用率，基线和基础模型，用于基准测试以及广泛的教程/文档，以增强生态学家和研究人员的可访问性和性能可及性。
MQT Qudits：混合维量子计算的软件框架
量子计算有望在许多领域超越传统设备的极限。尽管取得了令人瞩目的进展，但当前的研究主要集中在量子比特上。同时，基于多级 qudit 系统的量子硬件提供了一系列优势，包括扩展的门集、更高的信息密度和更高的计算效率，这可能在克服传统机器和当前基于量子比特的量子设备的局限性方面发挥关键作用。然而，使用 qudits 不仅在实验控制方面面临挑战，而且在算法开发和量子软件方面尤其如此。在这项工作中，我们介绍了一种开源工具 MQT Qudits，它是慕尼黑量子工具包 (MQT) 的一部分，旨在帮助设计和实现混合维 qudit 设备的应用程序。我们为混合维度系统指定了一种标准化语言，并讨论了电路规范、硬件门集编译、高效电路模拟和开放挑战。 MQT Qudits 可在 github.com/cda-tum/mqt-qudits 和 pypi 上的 pypi.org/project/mqt.qudits/ 上获取。
dipwmsearch：用于搜索 di-PWM 图案的 Python 包
摘要 动机 在序列中寻找概率基序是注释假定转录因子结合位点 (TFBS) 的常见任务。有用的基序表示包括位置权重矩阵 (PWM)、双核苷酸 PWM (di-PWM) 和隐马尔可夫模型 (HMM)。双核苷酸 PWM 结合了 PWM 的简单性（矩阵形式和累积评分函数），但也加入了基序中相邻位置之间的依赖关系（不同于忽略任何依赖关系的 PWM）。例如，为了表示结合位点，HOCOMOCO 数据库提供了来自实验数据的 di-PWM 基序。目前，两个程序 SPRy-SARUS 和 MOODS 可以在序列中搜索 di-PWM。结果 我们提出了一个 Python 包 dipwmsearch，它为这项任务提供了一种原创且高效的算法（它首先枚举 di-PWM 的匹配词，然后立即在序列中搜索它们，即使它包含 IUPAC 代码）。用户可以通过 Pypi 或 conda 轻松安装，使用文档化的 Python 界面和可重复使用的示例脚本，从而顺利使用 di-PWM。可用性和实施：dipwmsearch 可在 https://pypi.org/project/dipwmsearch/ 和 https://gite.lirmm.fr/rivals/dipwmsearch/ 下根据 Cecill 许可获得。
scbean：用于单细胞多摩变数据分析的Python库
摘要：单细胞多摩s技术提供了一个独特的平台，可通过同时量化和整合各种模式的分子特征来表征细胞状态并重建发育过程，包括基因组，转录组，表观基因组和其他幻象层。但是，在这个新生的领域中，仍然需要对新型计算工具的紧急需求，这对于在不同的OMIC模式之间对功能的有效和有效询问至关重要。scbean代表一个用户友好的python库，旨在无缝合并各种模型，用于检查单细胞数据，涵盖了配对和未配对的多摩学数据。库为任务提供了统一，直接的接口，例如降低维度降低，批处理效应消除，细胞标记从良好的scrna-seq数据转移到scatac-seq数据，以及识别空间可变基因的识别。Scbean的模型经过精心设计，以通过张力流来利用GPU加速的计算能力，从而使它们能够毫不费力地处理包含数百万个单元的数据集。可用性：Scbean在Python软件包索引（PYPI）（https://pypi.org/project/scbean/）和Github（https://github.com/jhu99/scbean）上发布。可以在https://scbean.readthedocs.io/en/latest/上找到文档和示例代码。联系人：jhu@nwpu.edu.cn
扩展了圆形，线性，单个
校验和可用于验证和快速查找关联的符号。例如，seguid校验和用27个字符的字符串独特地识别蛋白质序列。目标：原始SEGUID虽然对蛋白质序列和单链DNA（ssDNA）有效，但由于拓扑差异而不适用于cir和双链DNA（DSDNA）。挑战包括如何唯一代表线性dsDNA，圆形ssDNA和圆形dsDNA。为了满足这些需求，我们提出了SEGUID V2，它扩展了原始SEGUID以处理其他类型的序列。结论：SEGUID V2产生链和旋转不变校验和单链，双链，可能交错，线性和圆形DNA和RNA序列的校验。可自定义的字母键允许其他类型的序列。与使用base64的原始SEGUID相反，Seguid V2使用base64url编码SHA-1哈希。这可以确保可以在文件名中使用SEGUID V2校验和，无论平台和URL中，都可以使用最小的摩擦。可用性：SEGUID V2很容易适用于MIT许可下的主要程序和语言。JavaScript包装seguid可在NPM上找到，Python包装pyguid和cran上的r seguid。关键字：校验和hash，dna，rNA，蛋白质，sha-1，base64url，seguid
研究文章便携式爆炸算法库及其针对命令行，Python和R
基本的本地对准搜索工具（BLAST）是生物信息学中一种多功能且常用的序列分析工具。BLAST允许跨核苷酸和氨基酸序列进行快速，灵活的序列相似性搜索，从而导致了不同的应用，例如蛋白结构域的识别，矫形器搜索和系统发育注释。大多数BLAST实现都是命令行工具，它们作为逗号分隔的值文件产生输出。但是，我们的工具箱仍然缺少一种类似爆炸的算法的便携式，模块化和可嵌入的实现。在这里，我们提出了nsearch，一种命令行工具和C ++ 11库，该库提供了类似BLAST的功能，可以轻松地嵌入任何应用程序中。作为此便携性的一个示例，我们提供了Blaster，该爆炸器利用NSearch为R编程语言提供类似本机爆炸的功能，以及为Python提供类似功能的NPY搜索。这些软件包允许将类似BLAST的功能嵌入到较大的框架中，例如闪亮或Django应用。基准表明，NSearch，NPysearch和Blaster在速度和准确性上与其他常用的现代爆炸实现（例如VSearch and Blast+）相当。我们设想了针对数据科学中常用的其他语言（例如朱莉娅）的类似实现，以促进序列相似性比较。nsearch，Blaster和NPysearch可在BSD 3.0许可下免费使用，并在Github Conda，Cran（Blaster）和PYPI（NPysearch）上使用。