skbio.diversity.alpha.michaelis_menten_fit

skbio.diversity.alpha.michaelis_menten_fit(counts, num_repeats=1, params_guess=None)[源代码]

计算Michaelis-Menten拟合观测到的OTUs稀疏曲线。

状态：从0.4.0开始实验。

Michaelis-Menten方程定义为：

\[S=\frac{nS_{max}}{n+B}\]

哪里 \(n\) 是个体的数量和 \(S\) 是OTU的编号。此函数用于估计 \(S_{max}\) 参数。

对数据点进行拟合，以 \(n=1,2,...,N\) ，在哪里 \(N\) 是个体总数(所有OTU的丰度之和)。 \(S\) 是随机抽样中表示的OTU的数量 \(n\) 个人。

参数:

  • counts (1-D array_like, int) -- 计数向量。

  • num_repeats (int, optional) -- 的每个值执行稀疏(无替换的二次采样)的次数 \(n\) 。

  • params_guess (tuple, optional) -- 初步猜测 \(S_{max}\) 和 \(B\) 。如果 None ，默认猜测为 \(S_{max}\) 是 \(S\) (作为 \(S_{max}\) 应>= \(S\) )和默认猜测 \(B\) 是 round(N / 2) 。

返回:

S_max --估计 \(S_{max}\) 在Michaelis-Menten方程中。

返回类型:

double

参见

skbio.stats.subsample_counts

备注

关于如何做试衣还存在一些争议。中给出的ML模型 [1] 是基于这样的假设，即误差与观测的大小大致成正比，对于酶动力学来说是合理的，但对于稀疏数据来说是不合理的。在这里，我们只用最小二乘法对参数进行非线性曲线拟合。

引用