Biologický software pro Linux

12. 11. 2008 | Vojtěch Zeisek | Recenze | 5977×

Stručný souhrn a představení programů, které lze v Linuxu provozovat pro vědeckou (nejen) biologickou práci.

Úvod

Před časem zde vyšel článek, který představoval možnosti využití svobodného softwaru ve vědě, konkrétně v technice. Já bych si dovolil představit některé možnosti pro biologii. Rozhodně si nedělám nároky na úplnost seznamu. Jde o software, který používám buď já, anebo lidé v mém okolí.

Běžná práce

Kancelářský balík OpenOffice.org znají a používají snad všichni. Většině lidem ale dělá trochu potíže práce se seznamy literatury. Ve vědě je důležité doložit všechna tvrzení, která jsou v textu uvedena. Ať už vlastním výzkumem, anebo odkazem na jiného autora. V prostředí Windows existují tzv. reference managery, které se starají o databázi literatury, jsou propojeny s Wordem, vkládají do něj odkazy na literaturu a nakonec generují seznam literatury. My můžeme buď využít obdobné vestavěné funkce v OpenOffice.org, anebo sáhnout po starém osvědčeném LaTeXu. Jeho výhodou je, že největší databáze vědeckých článků i Google Scholar umí exportovat záznamy ve formátu BibTeX. Mým oblíbeným nástrojem je KBibTeX. Z něj pak lze záznamy buď vkládat do LaTeXu, anebo exportovat do HTML, RTF nebo PDF.

KBibTeX s načteným seznamem literatury

Matematika, statistika, ...

Základem je statistický balík R, což je open-source obdoba S-plus, ale může se směle měřit i s předraženými velikány typu SAS nebo SPSS. Hodně lidí si stěžuje na jeho rozhraní, které běží jen v příkazové řádce. To se ale poslední dobou mění. Existuje doplněk do OpenOffice.org Calc a celé GUI pro R. Oba programy jsou zatím spíše na počátku vývoje, ale jistě je čeká slibná budoucnost. Krom základního balíku R používám doplňkové balíky agricolae, ade4, stats, vegan a další. Většinou jde o balíky související s mnohorozměrnou statistikou a biologií.

R4Calc - integrace R do OpenOffice.org Calc

Rkward, kompletní GUI pro R

Pro lidi zabývající se matematickými modely (ale nejen pro ně) tu je Octave, což je přímá konkurence známějšího Matlabu.

Existují i speciální programy psané za nějakým konkrétním účelem. Většinou si je píší sami biologové, takže to po informatické stránce nebývá žádný zázrak. Ale svůj účel to plní. Jako příklad bych uvedl třeba Arlequin, který slouží pro výpočet parametrů populační genetiky.

Arlequin (omlouvám se za screenshot z Windows ze stránek projektu, ale momentálně program nemám nainstalovaný)

Molekulární biologie

I když to tak nemusí vypadat, nabídka je vpravdě široká. Neznám nikoho, kdo by se orientoval ve všem :-). O málo menší seznam dostanete, i když budete mezi balíčky Debianu hledat slova jako "biology" nebo "molecular". Existuje i software, který je k dispozici jen pro Linux. Je jím např. ARB, což je velice speciální program pro práci s jedním typem DNA. Opačný problém nastává se softwarem navázaným na hardware, třeba na tzv. sekvenátory, které "čtou" DNA a produkují výsledky ve speciálních formátech. V takových případech mnohdy pomůže Wine s winetricks. Nebo s některými mikroskopy, které se dodávají dohromady s počítači sloužícími k ovládání mikroskopu.

Biologové pracující s DNA běžně pracují s obrovskými on-line databázemi. Ta asi nejznámější je National Center for Biotechnology Information, kde je k dispozici i řada softwaru. Obdobná databáze je i v Evropě a Japonsku. Dohromady tvoří tzv. Velkou trojku a vzájemně se zálohují. Dále existuje řada menších, úžeji zaměřených. K databázím je k dispozici řada on-line nástrojů, pro které stačí jen prohlížeč. Jsou plně multiplatformní. Mezi nejznámější patří asi Sequence Manipulation Suite, kterou si případně lze stáhnout do svého počítače a pracovat jen se svými daty.

Zvláště mezi tvůrci svobodného softwaru pro molekulární biologii je rozšířena i jedna specifická licence: beerware. Když potkáte tvůrce softwaru (třeba na vědecké konferenci), musíte jej pozvat na pivo.

Závěrem

Ve většině případů není problém s tím, že by nebyl dostupný linuxový software pro nějakou konkrétní úlohu (i když i na takové situace už jsem narazil), ale s jeho pohodlností. Kupříkladu rozdíl mezi GRASS a ArcGIS od ESRI je nebetyčný. V jednom musíte psát skripty a zaobírat se příkazovou řádkou, ve druhém jen pohodlně klikáte. Na tom nic nezmění ani obdobné výsledky a nižší stabilita ArcGISu. Nicméně Linux má i pro přírodovědce rozhodně co nabídnout.

       

Komentáře

[DNA]

já myslel, že je ten článek o technologiích jako OLCD, ale každopádně díky (no jo, BLCD asi neprojde )

[DNA]

chtěl jsem se opravit - šlo mi o SW podporu OLCD, ale v tu chvíli byl server nedostupný (a komentář se mi neuložil) - jinak chápu, SW je použitelný i pro tento obor...

[BlackRider]

Co je OLCD? Nemyslis spis OLED?

[DNA]

někde jsem o OLCD zaslechl nebo četl, jinak OLED je asi správný název pro totéž, díky

[Jáchym]

Tvrdit, že pro GRASS je potřeba umět pracovat v konzoli a psát skripty ukazuje, že autor zaspal dobu v řádu let. Jistě - je to lepší (a všichni "power users" takto s GRASSem pracují, ale bylo investováno nemálo úsilí do (několika) grafických uživatelských rozhraní - to vše hlavne proto, aby byl začátek pro nově příchozí co nejmenší náraz (on je i tak dost velký, protože koncepce je zcela odlišná od "de facto standardu" firmy ESRI. Spustit GRASS může znamenat, že nemusíte vidět konzoli, jak je pracovní den dlouhej.

Screenshoty aktuálních GRASS GUI

GRASS na různých platformách

[hanoj]

konec konců, pro ty, co se jim GRASS úplně nezdá a nechtějí klikat (přiznejme, že založit novou mapu s JTSK a natáhnou si do ní existující data, není pro neznalého) je tu OpenJump, QGIS, Udig...

[Nuphar]

Děkuji a omlouvám se. S GISem jsem dlouho nedělal...

[kapo]

Chcete mit pivo zadarmo? Napiste program pro biology (aby byl siroce pouzitelny) a jezdete po konferencich :)

Jinak zajimavy prehledovy clanek, diky.

kapo

[Jan Drábek]

Tenhle spisovný novo tvar opravdu miluju: sekvenátory...

Spisovně by to mělo být odvozeno od sekvencovat, nikoliv sekvenovat!

[frdrx]

Blbost. Podle jakého pravidla tomu tak má být? Žádné neexistuje a je to jen tvůj osobní názor. Za šest let studia biologie jsem neslyšel nikoho říct "sekvencovat", nebo vyjádřit podobnou pitomost.

[Jan Drábek]

Ehm: Vážený pane Drábku,

slovníky podobu"sekven(c)ování" neuvádějí, postupovali bychom tedy na základě slovotvorné analogie. U sloves utvořených od podstatných jmen (např. listovat) postupujeme tak, že východiskem je kmen motivujícícho podstatného jména (zde "sekvenc-") + slovesný formant (zde "-ovat"). Podoba "sekvencovat" je tedy v pořádku. Tvar "sekvenovat" nevychází z kmene již zdomácnělého podst. jm. "sekvence", i když podle internetových výskytů se v tom významu užívá. Zdá se, že v oblasti vědecké se ustálil jako termín a užívají se i od něj odvozené tvary jako "sekvenace", "sekvenátor" apod., proto se domníváme, že ani tuto podobu nelze odmítat. V jiném kontextu, než je speciální odborná přírodovědná terminologie, bychom však tyto podoby nedoporučili užívat. S pozdravem

Ludmila Uhlířová
Ústav pro jazyk český AV ČR
oddělení jazykové kultury – jazyková poradna
A mimochodem, znám pár biologů (osobně), kteří náhodou umí česky a umí i česky odvozovat (a tedy to používají)...
Také nechápu proč nasazujete tak ostrý tón, naštval jsem vás snad?

[frdrx]

"Také nechápu proč nasazujete tak ostrý tón, naštval jsem vás snad?"

Za ostrý tón se omlouvám. Přišel jsem totálně nasraný z lesa, kde se mě snažil buzerovat jakýsi myslivec (neprávem). "Sekvencovat" by nikdo normální, myslím, neřekl, leda z recese nebo snahy někoho prudit.

[luky]

On je zazity urcity rozdil mezi sekvencovat/sekvenovat a sekvencer/sekvenator, ale fakticky vyznamovy rozdil ve slove jako takovem podle me neni zadny.

[luky]

No vida, nez jsem docetl a vyjadril se, tak uz tady mame odpoved i primo od UJC :)

[Nuphar]

No, po pěti letech studia biologie to v laboratoři DNA slýchám denně. Samozřejmě může jít o specifikum molekulárních oborů, nicméně jde o běžně používané slovo. A to i na přednáškách.

[frdrx]

Kde? Bude to spíš specifikum dané laborky. U nás se taky ustálila spousta divných výrazů.

[Nuphar]

Přírodovědecká fakulta Univerzity Karlovy v Praze. Já působím v laboratoři DNA Katedry botaniky (dělám ponejvíce fragmentační analýzy). Slýchávám to i na přednáškách, a to již dosti dlouho. Upřímně, mám pocit, že to říká každý (i z jiných kateder). A lidé z ČB, co k nám jezdí to říkají taky.

[MaT]

A teď ještě řekněte, co že to slýcháte častěji? Sekvenovat, nebo sekvencovat? Nějak tu občas nění přesně poznat, na co který příspěvek reaguje... Já tedy jen pro zajímavost co si pamatuji snad nikdy neslyšel nikoho říkat "sekvencovat". U nás v nemocnici (FNM) určitě ne a ani na žádné z konferencí, na které jsem byl (a pár už jich také bylo).

[Nuphar]

Kdybych tušil, že tu vytane jazykovědná diskuze, byl si byl býval připravil tabulku frekvencí výskytu. Tak znovu: sekvenátor pro popis příslušného přístroje a sekvenace pro příslušnou činnost. Sekvenovat a (asi častěji) i sekvencovat. Sekvenační reakce apod. bez "c". Ale dosti nerad bych byl chytán za písmenko, protože bych se snadno mohl nechat chytiti: je to pro mě již přirozené a takto jsem nad tím doposud nepřemýšlel. A jak se to, prosím, popisuje u Vás?

[Martin Potocký]

Pokud vím, tak sekvencování prosazuje vehementně např. doc. Vondrejs z katedry mikrobiologie a už tím nakazil spoustu jedinců. IMHO je to hnusný slovo v puse se zadrhávající, ať už je česky správně nebo ne.

[frdrx]

Jseš to ty, Vojto? Nesnaž se mi nakecat, že se v suterénu říká sekvencovat, sekvencátor nebo sekvencační reakce.

[Nuphar]

Hmmm... Asi jo, no... Jo. A říkají se i horší věci. Tahle už je plně zažitá. Sekvencátor tedy ne, ale sekvenátor ano. Častěji asi sekvenovat, než sekvencovat, ale nemáš to daleko, tak si to přijď poslechnout.

[frdrx]

Však tam s váma teď budu makat. Hlavně teda příští rok. Teď přes zimu akorát nějaký zkoušky a optimalizace. To jsem si mohl myslet, že jestli se někde nějaká krávovina uchytí, tak to bude u nás .

[|🇵🇸]

Už vůbec nechápu biologický pojem "absorpce" --- to někdo něco absorpuje?

[frdrx]

A co deskripce? To je jako od toho, že se něco deskripuje? Jazyky jsou halt podivný svět plný pravidel, vyjímek a vyjímek z vyjímek...

[|🇵🇸]

To mě zrovna nenapadlo... Taky kravina... Hlavně ta vyjímka. ^_^

[frdrx]

Dyť já vym .

[petr_p]

description [Middle English descripcioun, from Anglo-Norman, from Latin déscríptió, déscríptión-, from déscríptus, past participle of déscríbere, to write down; see describe.]

describe [Middle English describen, from Latin déscríbere, to write down : dé-, de- + scríbere, to write; see skríbh- in Indo-European roots.]

Doporučuji se zaměřit na rozdíl mezi descriptus a describere. Latinu neovládám, ale v české češtině se ve výslovnosti uplatňuje regresní asimilace, což znamená, že znělost poslední souhlásky ovlivňuje výslovnost předchozí souhlásky. Proto si dokážu představit, proč se v latině b změnilo na p.

Pak se takto různě psaná slova dostala do angličtiny (i tam se píšou jinak) a od tamtud je lidé postižení mísením jazyků tlačí do češtiny.

[frdrx]

Jasně. Prostě berme jazyky tak jak jsou.

[Ondřej Kuda]

Ja jsem nedavno narazil na generator heatmap http://bioinformatics.ubc.ca/matrix2png/

[Petr]

Na zobrazeni map pouzivam zimg, ktery umi spoustu vstupnich maticovych formatu, viz http://zimg.sourceforge.net.

[Dawix]

V prvé řadě chci podotknout, že článek je velmi pěkný. Chtel jsem neco podobneho napsat do blogu ale ted uz to neni treba Článek se mi moc líbí.

Jen možna jedna věc (já vim, jsem hnidopich) ale program ARB nepracuje s jedním druhem DNA, ale s rRNA (ribosomarni RNA) a jejima databázema. Používá se to třeba pro fylogenetické studie (viz nedavne zjisteni ze Archebakterie jsou pribuznejsi s Eukaryotou a tedy i lidmi vic nez s Prokaryotou). Ale samozrejme je mozna prace i s DNA sekvencemi, nicmeně ne již ve spolupraci s databazi (na to je lepsi pouzit software od NCBI a jejich databaze).

Pokud jde ale o analyzovani sekvenci (hledani palindromu, tvorba sekundarnich struktur proteinu a tak) nepotkal jsem nic lepsiho, nez ARB.

Diky za clanek

[Mr Shaman]

Taky bych chtěl poděkovat autorovi za kvalitně napsaný článek. Netušil jsem, že linux nabízí tolik softwaru tohoto druhu. Během příštího týdne si ty balíčky nainstaluju a pohrabu se v tom... Příští rok mě čeká bakalářka a určite by se tady dalo ze spousty věcí čerpat a spoustu věcí se pokusit vylepšit.

Každopádně jsem se chtěl zeptat, co všechno ARB tak ve zkratce umí? Loni jsem do matlabu naprogramoval skript, který mi přečte DNA, provede transkripci a následnou translaci, vyhodí mi teda primární strukturu bílkovin. Ale předpokládám, že toto umí ten program určitě taky...

Zajímavější mi spíš přišlo pokusit se přijít na to, jestli neexistují i nějaké zákonitosti, které by se daly zadat compu, jak se utváří sekundární a terciální struktura, popřípadě k tomu přidat, aby udělal grafický model molekuly.

Sekundární by podle mě nemusela být zas tak obtížná, teda aspoň myslím, přesně teď nevím, kdy se vytváří alfa-helix a kdy skládaný list, ale to se dá vše najít v molekulární biologii.

No teď toho asi moc nevymslím, příštívtýden omrknu ten software a uvidím sam, co umí a co neumí...

[Dawix]

Pokud jde ARB tak ten byl puvodne vytvoren pro praci s rRNA -> takze umi perfektni fylogeneticky "stromecky". Pak taky napriklad zvlada 2D vizualizci nukleovych kyselin. Asi nejlepsi bude tento tutorial http://www.mm.helsinki.fi/users/GJURGENS/Arb/ARB_tutorial.htm

Pokud jde o tvoreni sekundarnich a tercialnich struktur, zni to zajimave, ale nebude to lehky. Zakonitosti je tolik az to neni hezky (mam ale dojem ze nejake programy uz na tohle existuji, bohuzel ale ted nevim jake, ale pokusim se zjistit) Pristi rok v breznu me ceka 14 kurz vypocetni chemie se zamerenim na Unix, takze se planuju podelit o zkusenosti s vizualizaci molekul a molekularni dynamikou tady na ABcku v blogu.

Jinak pokud clovek umi s Matlabem, da se tam udelat temer vsechno. Pak doporucuju Debian a jeho mrtě baliku. Ja osobne ale nejvic pouzivam http://www.ncbi.nlm.nih.gov/ a na proteiny http://www.expasy.org/

[MaT]

Určovat ze sekvence aminokyselin něco víc než primární strukturu není nic jednoduchého, jestli vás to téma zajímá, doporučuji třeba knihu Introduction to Protein Structure.

A to je prosím jen "introduction". Jinak proč myslíte, že existují projekty jako Folding@home?

[Fantomas]

Softwary na odhadování sekundární a případně terciární struktury jsou, ale není to žádná matematika, ale multiple sequence alignment na podobném principu, jako třeba BLAST, kdy se vyhledávaj (a doplňujou) části primární sekvence, které jsou v proteinech, jejichž strukturu už někdo vyřešil. Jinak ze samotného exonu se naprosto nedá vypočítat struktura, protože v něm nejsou zapsány posttranslační modifikace, navíc těch volných úhlů, ať už rotačních, nebo torzních je jak na -CO=NH- kostře, tak na postranních řetězcích tolik, že se z toho nedá udělat ani návrh, natož rozumná struktura.

Když chceš strukturu, je potřeba exprese a buď krystalografie, nebo NMR, tahle snadno to nejde...

[Nuphar]

Díky. A já měl za to, že to je pro práci s rDNA. :) Mimochodem, neznáte nějaký způsob jak to bezbolestně nainstalovat do RPM distribuce? O balíčku na originálních stránkách mám pocit, že ten jeho instalační proces je hodně divně, jsou nějaké kloudné repozitáře pro DEB, ale pro RPM nic... Řešil jsem to překladem alienem, ale nějak to není ono...
Já to nepoužívám, jen jsem to párkrát instaloval do openSUSE (a pěkně si zanadával)...

[jedd]

na reference jsem si oblíbil JabRef (pracuje s bibtextem). Pro sbírání referencí jde hezky využít ve firefoxu například Zotero a pak to exportovat do bibtextu, či ve článku zmiňovaný scholar.google, nebo přímo v Jabrefu integrovane prohledávače databází jako je medline, jstor, citeseer atd... K jabrefu existuje i hezky plugin, který vkládá reference přímo do openoffic, odkaz na nej je na strankach Jabref- http://jabref.sourceforge.net/index.php ... tak se to třeba někomu bude hodit ;)

[Mr.]

Nebude někdo uvažovat o pokračování, případně rozvinutí? Docela by se mi líbilo, kdyby se tu postupně objevilo pár dalších článků na téma chemie, biochmemie, případně dalších. Čas od času pracuji také na hplc a i v této oblasti bych se rád něco dozvěděl.

[Peter Siska]

Este by ma zaujimalo ci niekto neviem o sw, ktory by sluzil ako databaza rastlin (aj cudzokrajnych) a umoznoval dopatrat sa k spravnemu druhu rastliny na zaklade jej znakov. Ano cize ide mi aj o elektronicky kluc na urcovanie. Vedel by niekto aspon nasmerovat? Vdaka a pekny den

[frdrx]

Žádná taková databáze, která by bylo použitelná, pro naše ani cizí rostliny neexistuje.

[Nuphar]

Tak o tom nevím, ale s pár kamarády jsme si říkali, že bychom se hecli a napsali to (už jsme o tom také uvažovali - že by to bylo fajn). Ale nějak se obávám, že to hned tak nebude...

[fyzik]

Prevazne ve fyzice, ale i vselice jinde se hodi GNU/GPL ROOT C++ framework, http://root.cern.ch/root

ROOT: Executive Summary

The ROOT system provides a set of OO frameworks with all the functionality needed to handle and analyse large amounts of data in a very efficient way. Having the data defined as a set of objects, specialised storage methods are used to get direct access to the separate attributes of the selected objects, without having to touch the bulk of the data. Included are histograming methods in 1, 2 and 3 dimensions, curve fitting, function evaluation, minimisation, graphics and visualization classes to allow the easy setup of an analysis system that can query and process the data interactively or in batch mode.

Thanks to the builtin CINT C++ interpreter the command language, the scripting, or macro, language and the programming language are all C++. The interpreter allows for fast prototyping of the macros since it removes the time consuming compile/link cycle. It also provides a good environment to learn C++. If more performance is needed the interactively developed macros can be compiled using a C++ compiler.