Gene Coexpression Networks Reveal Key Drivers of Phenotypic Divergence in Lake Whitefish
Notice bibliographique
Résumé
A functional understanding of processes involved in adaptive divergence is one of the awaiting opportunities afforded by high-throughput transcriptomic technologies. Functional analysis of coexpressed genes has succeeded in the biomedical field in identifying key drivers of disease pathways. However, in ecology and evolutionary biology, functional interpretation of transcriptomic data is still limited. Here, we used Weighted Gene Co-Expression Network Analysis (WGCNA) to identify modules of coexpressed genes in muscle and brain tissue of a lake whitefish backcross progeny. Modules were connected to gradients of known adaptive traits involved in the ecological speciation process between benthic and limnetic ecotypes. Key drivers, that is, hub genes of functional modules related to reproduction, growth, and behavior were identified, and module preservation was assessed in natural populations. Using this approach, we identified modules of coexpressed genes involved in phenotypic divergence and their key drivers, and further identified a module part specifically rewired in the backcross progeny. Functional analysis of transcriptomic data can significantly contribute to the understanding of the mechanisms underlying ecological speciation. Our findings point to bone morphogenetic protein and calcium signaling as common pathways involved in coordinated evolution of trophic behavior, trophic morphology (gill rakers), and reproduction. Results also point to pathways implicating hemoglobins and constitutive stress response (HSP70) governing growth in lake whitefish.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».