The assembly of the mink blood transcriptoms generated by the next generation sequencing using the dog genome
Notice bibliographique
Résumé
The next generation sequencing techniques provide a great opportunity for deciphering various aspects of the mink biology. Alignment and mapping of the massive number of short reads produced by these techniques is computationally challenging, specifically for species such as the mink with little genome sequence information. The objectives of this study was to evaluate the merit of the dog genome, the closest species to the mink with complete genome sequence data, as a reference for the assembly of short reads generated by the next generation sequencing. Blood samples from 12 anaesthetized mink were collected by heart puncture into the PAXgene Blood RNA tubes. Libraries were prepared from total RNA using the Illumina TruSeq™ RNA sample preparation kit, and were sequenced using HiScanSQ, producing 75 bp reads from each end. A total of 794,241,780 paired-end reads (59.5×109 bp) were generated (ranging from 7.5 million to 182 million reads per sample). The reads were aligned to the dog genome using different stringencies (0 to 8 mismatches/75 bp). Only 5.7% of the reads were aligned within exons of approximately 11,200 known genes on the dog genome with varying coverage depth. Some reads were mapped outside annotated dog transcripts (4.3%), in intronic regions (0.62%), at the exon boundaries (1.6%) or to rRNA and snRNA (0.02%). The results suggested that genomes of other species, such as the cat and ferret, should be explored to indentify the remaining 87.7% of the unmapped mink transcripts. This sequence database is useful for the assembly and annotation of the mink genome.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».