Technical note: Quantitative measures of iris color using high resolution photographs
Notice bibliographique
Résumé
Our understanding of the genetic architecture of iris color is still limited. This is partly related to difficulties associated with obtaining quantitative measurements of eye color. Here we introduce a new automated method for measuring iris color using high resolution photographs. This method extracts color measurements in the CIE 1976 L*a*b* (CIELAB) color space from a 256 by 256 pixel square sampled from the 9:00 meridian of the iris. Color is defined across three dimensions: L* (the lightness coordinate), a* (the red-green coordinate), and b* (the blue-yellow coordinate). We applied this method to a sample of individuals of diverse ancestry (East Asian, European and South Asian) that was genotyped for the HERC2 rs12913832 polymorphism, which is strongly associated with blue eye color. We identified substantial variation in the CIELAB color space, not only in the European sample, but also in the East Asian and South Asian samples. As expected, rs12913832 was significantly associated with quantitative iris color measurements in subjects of European ancestry. However, this SNP was also strongly associated with iris color in the South Asian sample, although there were no participants with blue irides in this sample. The usefulness of this method is not restricted only to the study of iris pigmentation. High-resolution pictures of the iris will also make it possible to study the genetic variation involved in iris textural patterns, which show substantial heritability in human populations.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,028 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,022 | 0,012 |
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 source (Gemma direct ou Codex distillé), 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 ».