VIA 的安装和配置教程
2025-05-28 23:08:51作者:余洋婵Anita
1. 项目的基础介绍和主要的编程语言
VIA(Via 2.0)是一个开源的单细胞轨迹推断方法,用于探索单细胞图谱规模的数据以及时间和空间研究。VIA 通过整合元数据(如时间序列标签、空间坐标)和高级随机游走等技术,提供了一种独特的细胞轨迹预测方法。该项目主要使用 Python 编程语言,并且依赖于多个科学计算和数据处理库。
2. 项目使用的关键技术和框架
- 高级随机游走:使用具有记忆功能的高级随机游走,更好地检测谱系、恢复路径并保持全局特性。
- 图谱视图:通过将细胞间图的连通性与合作的高分辨率单细胞嵌入相结合,提供了一种独特的轨迹预测可视化。
- 数据模态泛化:VIA 支持多种单细胞数据模态(如 scRNA-seq、成像和流式细胞术、scATAC-seq),并适用于不同类型的拓扑结构(如断开、循环和树状结构。
使用的关键技术和框架包括:
- NumPy:用于数值计算。
- SciPy:用于科学和工程计算。
- Pandas:用于数据处理和分析。
- Scikit-learn:用于数据挖掘和数据分析。
- igraph:用于图的创建和分析。
- matplotlib:用于绘图和可视化。
3. 项目安装和配置的准备工作和详细的安装步骤
准备工作
在开始安装前,请确保您的计算机上已经安装了以下软件:
- Python:建议版本为 3.10,但版本 3.8 和 3.9 也应该可以工作。
- Conda:用于管理 Python 环境和依赖。
安装步骤
创建 Conda 环境
首先,创建一个新的 Conda 环境,并安装 Python:
conda create --name ViaEnv python=3.10
安装依赖
在创建的环境内,安装必要的依赖:
pip install pybind11
pip install hnswlib
如果遇到安装问题,可以尝试按照以下顺序安装:
pip install pybind11
pip install hnswlib
pip install pyVIA
克隆仓库并安装
也可以通过克隆仓库并运行 setup.py 脚本来安装:
git clone https://github.com/ShobiStassen/VIA.git
cd VIA
python3 setup.py install
确保在克隆的目录中运行 setup.py。
Windows 安装注意事项
如果在使用 Windows 操作系统,可能需要一些修改才能使多进程工作正常。在调用代码时,需要确保以下方式:
import os
import pyVIA.core as via
f = os.path.join(r'C:\Users\...\Documents' + '\\')
def main():
via.main_Toy(ncomps=10, knn=30, dataset='Toy3', random_seed=2, foldername=f)
if __name__ == '__main__':
main()
在终端直接运行时,可以省略 main() 函数的定义:
import os
import pyVIA.core as via
f = os.path.join(r'C:\Users\...\Documents' + '\\')
via.main_Toy(ncomps=10, knn=30, dataset='Toy3', random_seed=2, foldername=f)
确保替换 ...\Documents 为您的实际文档路径。
以上步骤完成后,您应该已经成功安装了 VIA 项目,并可以开始使用了。
登录后查看全文
热门项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
191
210
暂无简介
Dart
630
143
React Native鸿蒙化仓库
JavaScript
243
316
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
481
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
649
270
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
296
107
仓颉编译器源码及 cjdb 调试工具。
C++
128
858
openGauss kernel ~ openGauss is an open source relational database management system
C++
158
210