pyaging:基于Python的GPU优化的老化时钟的汇编

科学领域:

• 生物遗传学 生物遗传学
• 计算生物学 计算生物学
• 生物信息学是一种生物信息学.

背景情况:

• 衰老与疾病和死亡率有关,分子变化提供了潜在的生物标志物发展.
• 机器学习模型,称为衰老时钟,用于预测生物年龄.
• 缺乏强大的,基于Python的软件阻碍了各种老化的时钟模型的集成和比较.

研究的目的:

• 介绍 pyaging,一个开源的Python包,用于全面的衰老研究.
• 为了满足对集成和可比的老化时钟模型的需求.
• 为分析跨物种分子数据提供多功能工具.

主要方法:

• 开发了pyging,这是一个Python包,协调了数十个老化的时钟.
• 综合支持多种分子数据类型 (DNA甲基化,转录组学,ChIP-Seq,ATAC-Seq).
• 实现了一个基于PyTorch的后端,用于GPU加速和快速推理.
• 启用了多种类分析 (人类,哺乳动物,C. elegans).

主要成果:

• 聚变使各种分子数据类型的众多衰老时钟协调一致.
• 该包支持广泛的模型类型,包括线性,PCA,神经网络和ARO模型.
• GPU 加速可确保对大型数据集和复杂模型进行快速推断.
• 多种类分析能力提高了其在衰老研究中的广泛适用性.

结论:

• pyaging提供了一个强大的开源解决方案,用于整合和比较各种老化的时钟模型.
• 该方案通过提供高效的数据分析和多种支持,促进了先进的衰老研究.
• 在GitHub,PyPI和Zenodo上为研究社区提供 pyaging.