gtars

Gtars：高性能基因组区间分析工具

技能概述

Gtars 是一个用 Rust 开发的高性能基因组区间分析工具包，提供 Python 绑定和命令行接口，支持 BED 文件处理、基因组重叠检测、覆盖度轨迹生成和机器学习数据预处理。

适用场景

1. 基因组区域重叠分析

当您需要比较不同的基因组特征集时，gtars 可以快速检测区域间的重叠关系。例如：找出 ChIP-seq 峰值与启动子的重叠部分、注释变异位点所处的功能元件，或者识别不同样本间共享的调控区域。基于 IGD（集成基因组数据库）索引结构，查询速度远超传统区间树方法。

2. 测序数据覆盖度分析

从 ATAC-seq、ChIP-seq 或 RNA-seq 的 fragment 或 read 数据生成覆盖度轨迹，用于基因组浏览器可视化或下游定量分析。支持输出 WIG 和 BigWig 格式，可自定义分辨率，适合大规模测序数据的高效处理。

3. 基因组机器学习数据预处理

为深度学习模型准备基因组输入数据，将基因组区间离散化为 token，支持与 geniml 库无缝集成。适用于训练基于 transformer 的基因组模型、创建位置编码，或构建自定义的基因组机器学习流水线。

核心功能

1. 区间重叠检测与 IGD 索引

使用 IGD 数据结构快速查询基因组区间重叠，支持构建索引后批量查询。适用于特征注释、峰集合比较、调控元件识别等场景，相比传统方法具有显著的性能优势。

2. 覆盖度轨迹生成

通过 uniwig 模块从测序数据生成标准化覆盖度文件，支持多种输出格式和分辨率设置。可用于可及性谱分析（ATAC-seq）、结合信号可视化（ChIP-seq）、表达量定量（RNA-seq）等应用。

3. 基因组标记化（Tokenization）

将基因组区域转换为机器学习模型可用的离散 token 表示，提供 TreeTokenizer 等多种标记化策略。是 geniml 生态的基础组件，支持位置编码生成和 transformer 模型训练。

4. 参考序列管理

遵循 GA4GH refget 协议处理参考基因组序列，支持序列提取、完整性校验和摘要计算。适用于跨参考版本比对、序列验证等场景。

5. 单细胞分片处理

专门针对单细胞 ATAC-seq 数据的分片分析工具，支持按细胞条码或簇分割分片文件，可用于质量控制和下游聚类分析。

常见问题

gtars 支持哪些数据格式？

gtars 支持基因组学领域的标准格式：BED 文件（基因组区间，3列或扩展格式）、WIG/BigWig（覆盖度轨迹）、FASTA（参考序列）、Fragment TSV（带细胞条码的单细胞分片文件）。这些格式涵盖了大多数基因组分析工作流的输入输出需求。

gtars 和 bedtools 有什么区别？

gtars 采用 Rust 编写，在处理大规模数据时具有显著的性能优势，支持多线程并行和零拷贝 NumPy 集成。除了命令行工具，gtars 还提供原生 Python API，更易于集成到 Python 分析流水线中。对于需要高性能计算或与机器学习工作流集成的场景，gtars 是更优的选择。

如何在 Python 中使用 gtars？

通过 pip install gtars 安装后，可以导入使用 gtars 的 Python 绑定。例如：from gtars.tokenizers import TreeTokenizer 创建标记化器，或使用 gtars.igd.build_index() 构建区间索引。Python API 设计简洁，支持与 NumPy、Pandas 等常用数据科学库无缝协作，适合构建自定义分析流程。

gtars 适合处理哪些类型的基因组数据？

gtars 适用于所有基于区间表示的基因组数据分析，包括但不限于：ChIP-seq 峰值分析、ATAC-seq 可及性分析、RNA-seq 覆盖度定量、单细胞染色质可及性数据、变异数据注释、调控元件识别等。只要您的数据可以表示为染色体上的区间（BED 格式），gtars 都能提供高效的处理能力。