Drkcore

import sys from Bio import SeqIO def count_gc(seq): return float((seq_record.seq.count("G") + seq_record.seq.count("C"))) * 100 / len(seq_record.seq) if __name__ == '__main__': fasta = sys.argv[1] highest_id = "" highest_content = 0 for seq_record in SeqIO.parse(fasta, "fasta"): c = count_gc(seq_record) if c > highest_content: highest_id = seq_record.id highest_content = c print highest_id print "{0:.6f}".format(highest_content)

08072014 chemoinformaticsPython

あらかじめクラスタ数を決めないでクラスタリングする方法(Affinity Propagation)

K-meansのように予めクラスタ数を指定すると、「そのクラスタ数は正しいの？」っていう疑問が浮かぶと思う。

「なんらかの統計値に基づいて適切なクラスタに分割して欲しい」そんな願いを叶えるのがAffinity Propagationというクラスタリングアルゴリズムである

exemplara(セントロイドとかクラスタ中心)になるべきパラメータ(responsibility)とクラスタメンバに属しやすさ(availability)を交互に更新していって収束させる手法なので、K-meansのような初期値依存性がないらしい。

クラスタ数は類似度行列の対角要素（自分との類似度）に依存する（デフォルトはmedian）のでここを変更するとクラスタ数も変わるんだけどね。

Scikit-learnではAffinity Propagationが実装されているのでsykのケミストリースペースを作ってクラスタリングしてみた。ちなみにスライドのPCAの説明は間違っていた（pca.fit(fps).transform(fps)としなければいけなかった）。

from rdkit import Chem
from rdkit.Chem import AllChem, DataStructs
from sklearn.decomposition import PCA
from sklearn.cluster import AffinityPropagation
from ggplot import *
import numpy as np
import pandas as pd

suppl = Chem.SDMolSupplier('syk.sdf')

fps = []
for mol in suppl:
    fp = AllChem.GetMorganFingerprintAsBitVect(mol, 2)
    arr = np.zeros((1,))
    DataStructs.ConvertToNumpyArray(fp, arr)
    fps.append(arr)

print len(fps)
pca = PCA(n_components=2)
x = pca.fit(fps).transform(fps)
af = AffinityPropagation().fit(x)

d = pd.DataFrame(x)
d.columns = ["PCA1", "PCA2"]
d["labels"] = pd.Series(af.labels_)
g = ggplot(aes(x="PCA1", y="PCA2", color="labels"), data=d) + geom_point() + xlab("PCA1") + ylab("PCA2")
ggsave("ap.png", g)

1404818907

Drkcore

Drkcore

Drkcore

4五歩突くのが早すぎた気がする

Bioinformatics版のProject Euler

中飛車穴熊

ゴキゲンな中飛車

つくつくぼうし戦法というものを知った

井田に潜りに行ってきた

某WSお疲れ様でした

Keenoやばい

三間飛車急戦

あらかじめクラスタ数を決めないでクラスタリングする方法(Affinity Propagation)