【文件属性】：
文件名称：Deepbinner:牛津纳米Kong读取的信号级多路分解器
文件大小：5.06MB
文件格式：ZIP
更新时间：2021-05-27 10:48:28
Python
Deepbinner是一种用于对条形码化的测序读数进行多路分解的工具。 它使用深度分类器来完成此任务，该分类器使用了许多已证明在图像分类中取得成功的 。 与其他解复用器（例如Albacore和 ）不同，Deepbinner从原始信号（又名）中识别条形码，从而使条形码具有更高的灵敏度和更少的未分类读取。
使用Deepbinner的原因：
为了减少未分类读取的数量（请单独使用Deepbinner）。
为了减少错误分类读取的数量（将Deepbinner与Albacore解复用结合使用）。
您计划运行信号级的下游分析，例如 。 Deepbinner可以进行多这使此操作变得更加容易。
不使用Deepbinner的原因：
您只有basecall可以读取原始的fast5文件（Deepbinner要求）。
您有一台小型/慢速计算机。 Deepbinner比具有更高的计算强度。
除了工具以外
【文件预览】：
Deepbinner-master
----models()
--------EXP-NBD103_read_starts(1.39MB)
--------EXP-NBD103_read_ends(1.39MB)
--------README.md(3KB)
--------SQK-RBK004_read_starts(1.41MB)
----images()
--------logo-stripes-dna.png(38KB)
--------logo-deepsea.png(191KB)
--------logo-stripes.png(12KB)
--------tensorflow.png(21KB)
----scripts()
--------assign_reads_to_reference.py(10KB)
--------process_scrappie_squiggle.py(2KB)
----deepbinner()
--------prep_native_start.py(10KB)
--------network_architecture.py(4KB)
--------misc.py(3KB)
--------deepbinner.py(18KB)
--------load_fast5s.py(4KB)
--------dtw()
--------bin.py(7KB)
--------train_network.py(8KB)
--------trim_signal.py(3KB)
--------dtw_semi_global.py(4KB)
--------help_formatter.py(7KB)
--------prep.py(4KB)
--------prep_functions.py(10KB)
--------realtime.py(8KB)
--------__init__.py(0B)
--------balance.py(8KB)
--------sequences.py(4KB)
--------prep_rapid_start.py(829B)
--------classify.py(17KB)
--------signals.py(88KB)
--------prep_native_end.py(10KB)
--------version.py(874B)
--------refine.py(2KB)
----requirements.txt(46B)
----LICENSE(34KB)
----setup.py(4KB)
----README.md(16KB)
----Makefile(2KB)
----sample_reads.tar.gz(249KB)
----tests()
--------test_network_architecture.py(2KB)
--------test_combine_calls.py(3KB)
--------__init__.py(0B)
--------multi_read_fast5_files()
--------test_classify.py(17KB)
--------fast5_files()
--------test_load_fast5s.py(4KB)
----.gitignore(1KB)
----deepbinner-runner.py(830B)