文献解读-Genome-wide imputation using the practical haplotype graph in the heterozygous crop cassava

简介: PHG是一种将基因组简化为一组单倍型的方法。这种方法可用于从稀疏的基因分型信息中预测杂合子物种中的全基因组单倍型。它的高精度,特别是在稀有等位基因中,在非常低的测序深度下,使其成为一种潜在的强大插补工具。

文献解读-Agrigenomics.png

关键词:农业;基因测序;变异检测;

文献简介

  • 标题(英文):Genome-wide imputation using the practical haplotype graph in the heterozygous crop cassava
  • 标题(中文):使用杂合作物木薯中的实用单倍型图进行全基因组插补
  • 发表期刊:G3
  • 作者单位:康奈尔大学等
  • 发表年份:2021
  • 文章地址:https://doi.org/10.1093/g3journal/jkab383

1.png

图1 文献简介

自基因组测序出现以来,基因组选择和全基因组关联等基因组应用变得越来越普遍。测序的成本在过去二十年中有所下降;然而,基因分型成本仍然无法为这些基因组应用收集大型数据集,特别是在资源不那么丰富的非模型物种中。基因型插补使得从有限的输入数据中推断出全基因组信息成为可能,使基因组应用的大采样更加可行。在必须定相的杂合子物种中,插补变得越来越困难。实用单倍型图(PHG)是最近开发的工具,可以使用单倍型参考面板准确估算基因型。研究者展示了PHG在高度杂合作物木薯(Manihot esculenta)中插补基因组信息的能力。准确定相的单倍型是从不同个体的同源性运行中采样的,以填充 PHG,事实证明这比依靠计算定相方法更准确。PHG使用稀疏的略读测序输入实现了高插补准确性,这在交叉验证测试中转化为实质性的基因组预测准确性。与标准插补工具 Beagle 相比,PHG 显示出更高的插补准确性,尤其是在预测稀有等位基因方面。


测序流程

在基因组数据分析部分,研究者使用Sentieon软件进行突变检测。

2-3整_画板 1.png

图2 Sentieon的作用

3.jpeg

图3 方法流程图

m_jkab383f8.jpeg

图4 模拟基因型的插补准确性

Sentieon软件团队拥有丰富的软件开发及算法优化工程经验,致力于解决生物数据分析中的速度与准确度瓶颈,为来自于分子诊断、药物研发、临床医疗、人群队列、动植物等多个领域的合作伙伴提供高效精准的软件解决方案,共同推动基因技术的发展。 截至2023年3月份,Sentieon已经在全球范围内为1300+用户提供服务,被世界一级影响因子刊物如NEJM、Cell、Nature等广泛引用,引用次数超过700篇。此外,Sentieon连续数年摘得了Precision FDA、Dream Challenges等多个权威评比的桂冠,在业内获得广泛认可。


文献讨论

5.png

图5 文献讨论

PHG展示了作为杂合作物基因型填充工具的高准确性和潜力,尤其在稀有和杂合等位基因的调用方面表现出色。其基因型填充准确性与等位基因频率的关系较弱,突显了预测稀有等位基因的能力。在0.5×或更高测序深度时,PHG在模拟和实证实验中均表现出一致的全基因组变异填充能力。基于单倍型的基因组表示使PHG能够克服测序和组装错误、重复序列和不良比对等问题,为作物基因组学研究提供了有力的工具,在杂合作物研究中具有广阔的应用前景。


总结

综上所述,PHG是一种将基因组简化为一组单倍型的方法。这种方法可用于从稀疏的基因分型信息中预测杂合子物种中的全基因组单倍型。它的高精度,特别是在稀有等位基因中,在非常低的测序深度下,使其成为一种潜在的强大插补工具。

目录
相关文章
|
4月前
|
机器学习/深度学习
【文献学习】Exploring Deep Complex Networks for Complex Spectrogram Enhancement
介绍了一种用于语音增强的复数深度神经网络(CDNN),它通过复数值的短时傅立叶变换(STFT)映射到干净的STFT,并提出了参数整流线性单位(PReLU)的复数扩展,实验结果表明CDNN在语音增强方面相对于实值深层神经网络(DNN)具有更好的性能。
54 2
【文献学习】Exploring Deep Complex Networks for Complex Spectrogram Enhancement
|
7月前
|
算法 BI 计算机视觉
[Initial Image Segmentation Generator]论文实现:Efficient Graph-Based Image Segmentation
[Initial Image Segmentation Generator]论文实现:Efficient Graph-Based Image Segmentation
69 1
|
机器学习/深度学习 自然语言处理 算法
SS-AGA:Multilingual Knowledge Graph Completion with Self-Supervised Adaptive Graph Alignment 论文解读
预测知识图(KG)中缺失的事实是至关重要的,因为现代知识图远未补全。由于劳动密集型的人类标签,当处理以各种语言表示的知识时,这种现象会恶化。
110 0
|
机器学习/深度学习 移动开发 编解码
【论文阅读】A Three-Stage Self-Training Framework for Semi-Supervised Semantic Segmentation
【论文阅读】A Three-Stage Self-Training Framework for Semi-Supervised Semantic Segmentation
212 0
【论文阅读】A Three-Stage Self-Training Framework for Semi-Supervised Semantic Segmentation
|
数据挖掘
PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation-ppt版学习笔记
PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation-ppt版学习笔记
135 0
带你读《2022技术人的百宝黑皮书》——Ray Priors through Reprojection: Improving Neural Radiance Fields for Novel View Extrapolation(5)
带你读《2022技术人的百宝黑皮书》——Ray Priors through Reprojection: Improving Neural Radiance Fields for Novel View Extrapolation(5)
带你读《2022技术人的百宝黑皮书》——Ray Priors through Reprojection: Improving Neural Radiance Fields for Novel View Extrapolation(4)
带你读《2022技术人的百宝黑皮书》——Ray Priors through Reprojection: Improving Neural Radiance Fields for Novel View Extrapolation(4)
带你读《2022技术人的百宝黑皮书》——Ray Priors through Reprojection: Improving Neural Radiance Fields for Novel View Extrapolation(2)
带你读《2022技术人的百宝黑皮书》——Ray Priors through Reprojection: Improving Neural Radiance Fields for Novel View Extrapolation(2)
带你读《2022技术人的百宝黑皮书》——Ray Priors through Reprojection: Improving Neural Radiance Fields for Novel View Extrapolation(1)
带你读《2022技术人的百宝黑皮书》——Ray Priors through Reprojection: Improving Neural Radiance Fields for Novel View Extrapolation(1)
带你读《2022技术人的百宝黑皮书》——Ray Priors through Reprojection: Improving Neural Radiance Fields for Novel View Extrapolation(6)
带你读《2022技术人的百宝黑皮书》——Ray Priors through Reprojection: Improving Neural Radiance Fields for Novel View Extrapolation(6)