Gubbins 技术文档
1. 安装指南
1.1 依赖项要求
在安装 Gubbins 之前,请确保系统中已安装以下依赖项:
- 系统工具:Python >=3.8、pip3、make、autoconf、libtool、gcc、check 等。
- Python 模块:Biopython (>1.59)、DendroPy (>=4.0)、Scipy、Numpy、Multiprocessing、Numba。
- 系统软件包:RAxML、IQTree、RAxML-NG、FastTree、Rapidnj。
1.2 推荐安装方法 - conda
使用 conda 安装 Gubbins 是最简单的方式。首先,确保已安装 conda,并添加必要的 channels:
conda config --add channels r
conda config --add channels defaults
conda config --add channels conda-forge
conda config --add channels bioconda
conda install gubbins
1.3 从源码安装
如果你希望从源码安装 Gubbins,请按照以下步骤操作:
- 克隆或下载 Gubbins 的源码:
git clone https://github.com/nickjcroucher/gubbins cd gubbins - 配置并安装:
autoreconf -i ./configure [--prefix=$PREFIX] make [sudo] make install cd python [sudo] python3 -m pip install [--prefix=$PREFIX] .
1.4 使用虚拟机安装
如果你在 Windows 系统上运行 Gubbins,可以通过虚拟机来安装。首先,安装 VirtualBox,然后加载虚拟机镜像:
- 下载虚拟机镜像:ftp://ftp.sanger.ac.uk/pub/pathogens/pathogens-vm/pathogens-vm.latest.ova
- 使用 VirtualBox 的“文件 -> 导入设备”菜单选项加载镜像。
- 虚拟机启动后,使用 root 密码“manager”登录。
2. 项目的使用说明
2.1 基本使用
使用默认设置运行 Gubbins:
run_gubbins.py [FASTA alignment]
2.2 高级选项
Gubbins 提供了多种高级选项,可以通过查看手册来了解详细信息。
3. 项目 API 使用文档
3.1 主要功能
Gubbins 的主要功能是通过迭代识别包含高密度碱基替换的位点,并在这些区域之外构建系统发育树。
3.2 参数说明
--mar:使用边际祖先重建(默认使用联合祖先重建)。--prefix:指定输出文件的前缀。--threads:指定使用的线程数。
4. 项目安装方式
4.1 通过 conda 安装
如前所述,使用 conda 安装是最简单的方式:
conda install gubbins
4.2 通过 apt 安装(适用于 Ubuntu/Debian)
在 Ubuntu 或 Debian 系统上,可以使用 apt 安装 Gubbins:
sudo apt-get install gubbins
4.3 从源码安装
从源码安装 Gubbins 的步骤已在 1.3 节中详细说明。
4.4 使用虚拟机安装
虚拟机安装方式适用于 Windows 用户,具体步骤已在 1.4 节中说明。
5. 测试
安装完成后,可以通过以下命令运行测试:
make check
6. 反馈与问题
如果在使用过程中遇到问题,请在 issues 页面 提交问题。
7. 引用
如果你使用了 Gubbins,请引用以下文献:
Croucher N. J., Page A. J., Connor T. R., Delaney A. J., Keane J. A., Bentley S. D., Parkhill J., Harris S.R. "Rapid phylogenetic analysis of large samples of recombinant bacterial whole genome sequences using Gubbins". doi:10.1093/nar/gku1196, Nucleic Acids Research, 2014.
8. 进一步信息
更多关于 Gubbins 的信息,请访问 Gubbins 网页。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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