Bölüm 3: Girdileri düzenleme¶

Yapay zeka destekli çeviri - daha fazla bilgi ve iyileştirme önerileri

Bölüm 2'de molkart'ı komut satırında birden fazla parametre ile çalıştırdık. Şimdi girdileri yönetmek için iki daha iyi yaklaşım öğreneceğiz: parametre dosyaları ve örnek tabloları.

1. Parametre dosyalarını kullanma¶

1.1. Uzun komut satırlarıyla ilgili sorun¶

Bölüm 2'de komutu kısa tutmak ve yazılan değerleri (ön işleme için kullanılan tam sayı parametreleri gibi) olduğu gibi korumak amacıyla zaten bir parametre dosyası kullandık:

nextflow run ./molkart -params-file params.yaml --segmentation_method "mesmer,cellpose,stardist"

Birçok parametreyi komut satırında tek tek geçirmek, tekrar üretmeyi, paylaşmayı veya değiştirmeyi zorlaştırır. Aynı analizi önümüzdeki ay tekrar çalıştırmanız gerekirse ne olur? Bir iş arkadaşınız tam ayarlarınızı kullanmak isterse ne olur? Bir parametre dosyası bu sorunu çözer.

1.2. Parametre dosyası¶

Kullandığımız params.yaml dosyası şu şekildedir:

params.yaml

input: "data/samplesheet.csv"
outdir: "results"
mindagap_tilesize: 90
mindagap_boxsize: 7
mindagap_loopnum: 100
clahe_pyramid_tile: 368
segmentation_method: "cellpose"

Her parametre anahtar: değer çifti olarak yazılır. Tam sayıları tırnak işareti olmadan yazmak (örneğin mindagap_tilesize: 90), bu değerlerin tam sayı türünü korur; pipeline'ın parametre doğrulaması bunu gerektirir.

Komutunuz şu hale gelir:

nextflow run ./molkart -params-file params.yaml -resume

Parametre dosyası tam yapılandırmanızı belgeler ve tekrar çalıştırmayı ya da paylaşmayı kolaylaştırır.

1.3. Parametreleri geçersiz kılma¶

Komut satırından belirli parametreleri geçersiz kılmaya devam edebilirsiniz:

nextflow run ./molkart -params-file params.yaml --segmentation_method "stardist" --outdir stardist_results -resume

Yukarıdaki satır, segmentation_method'u stardist olarak değiştirir ve --outdir adını params.yaml dosyasındaki parametreler yerine stardist_results olarak ayarlar. Ayrıca, -resume bayrağının önceki çalıştırmadaki ön işleme sonuçlarını yeniden kullanmamıza izin vererek zaman tasarrufu sağladığını görebilirsiniz. Bu kalıbı, pipeline'ın farklı varyasyonlarını hızlıca test etmek için kullanabilirsiniz.

Özetle¶

Parametre dosyaları analizlerinizi tekrar üretilebilir ve paylaşımı kolay hale getirir. Gerçek analiz çalışmaları için bunları kullanın.

Sırada ne var?¶

Örnek tablolarının birden fazla örnek hakkındaki bilgileri nasıl düzenlediğini öğrenin.

2. Örnek tablosu kalıbı¶

2.1. Örnek tablosu nedir?¶

Örnek tablosu, girdi örneklerinizi açıklayan bir CSV dosyasıdır. Her satır bir örnektir ve sütunlar o örnek için dosyaları ve meta verileri belirtir.

Kullandığımız örnek tablosuna bakalım:

cat data/samplesheet.csv

samplesheet.csv

sample,nuclear_image,spot_table,membrane_image
mem_only,https://raw.githubusercontent.com/nf-core/test-datasets/molkart/test_data/input_data/nuclear.tiff,https://raw.githubusercontent.com/nf-core/test-datasets/molkart/test_data/input_data/spots.txt,https://raw.githubusercontent.com/nf-core/test-datasets/molkart/test_data/input_data/membrane.tiff

Sütunlar şunlardır:

sample: Benzersiz örnek tanımlayıcısı
nuclear_image: Çekirdek boyama görüntüsü (TIFF)
spot_table: Transkript noktaları (TXT)
membrane_image: Membran boyama görüntüsü (TIFF, isteğe bağlı)

2.2. Dosya yolları¶

Örnek tabloları birden fazla yol türünü kabul eder:

URL'ler: Nextflow otomatik olarak indirir (yukarıda gösterildiği gibi)
Yerel yollar: data/nuclear.tiff veya /absolute/path/to/nuclear.tiff
Bulut depolama: s3://bucket/nuclear.tiff, gs://bucket/nuclear.tiff, az://container/nuclear.tiff

Aynı örnek tablosunda yol türlerini karıştırabilirsiniz.

2.3. Kendi örnek tablonuzu oluşturma¶

Önce test veri dosyalarını yerel olarak indirelim:

cd /workspaces/training/nf4-science/imaging/data
curl -O https://raw.githubusercontent.com/nf-core/test-datasets/molkart/test_data/input_data/nuclear.tiff
curl -O https://raw.githubusercontent.com/nf-core/test-datasets/molkart/test_data/input_data/spots.txt
curl -O https://raw.githubusercontent.com/nf-core/test-datasets/molkart/test_data/input_data/membrane.tiff
cd ..

Şimdi örnek tablosunu bu yerel dosyalara referans verecek şekilde değiştirelim:

samplesheet.csv

sample,nuclear_image,spot_table,membrane_image
mem_only,data/nuclear.tiff,data/spots.txt,data/membrane.tiff

Uyarı

Örnek tablosundaki yolların, örnek tablosunun bulunduğu yere değil, Nextflow'u çalıştırdığınız yere göre göreceli olduğuna dikkat edin.

Son olarak, yerel dosya yollarına sahip örnek tablosuyla nf-core/molkart'ı bir kez daha çalıştıralım:

nextflow run ./molkart -params-file params.yaml -resume

Gördüğünüz gibi, Nextflow bu çalıştırmayı dosyalar Github'dan indirildiğinde olduğu gibi benzer şekilde yürütür. Bu, Nextflow'un harika özelliklerinden biridir; veri nerede bulunursa bulunsun, sizin için uygun şekilde hazırlar.

Özetle¶

Örnek tabloları, dosya yollarıyla birlikte meta verilerinizi açıkça tanımlamanıza olanak tanıyan bir şekilde çok örnekli veri setlerini düzenler. Çoğu nf-core pipeline'ı bu kalıbı kullanır.

Sırada ne var?¶

Artık girdileri ele aldığımıza göre, Nextflow pipeline'larını farklı hesaplama ortamları için nasıl yapılandıracağımızı keşfedelim.