An automated sample allocation system for multiplexed Next-Generation Sequencing
Notice bibliographique
Résumé
The Illumina Next-Generation Sequencing (NGS) technology enables us to sequence several samples together. This is made possible by adding unique barcode to each sample sequenced. The multiplexing of the samples should be done in such a way that there is not barcode clash and samples loaded into the flowcell should provide high sequencing throughput. In addition, when there is a pool of libraries, the samples with higher priority should be given preference for selection. Currently, there is no program available that can prepare an optimal run plan for the Illumina sequencing runs. The sequencing team spends several manual hours to generate a run plan. Some of the complicated run plans can take up to 24 hours to prepare. Despite spending several hours to prepare run plan it can still have errors and be non-optimal. In this study, we present an automated system to generate run plan for a given sequencing run. Our system utilizes constraint optimization framework to make optimal run plan. We use MiniZinc software to develop the constraint optimization framework. Our method takes input library barcode sequence, data amount needed, priority and sample identifier to generate the optimal run plan. The method is programmed to maximize the inclusion of samples per lane and give priority to sample with high priority. The model provides with an optimal plan for 80 libraries within 18 seconds. In addition to several advantages we observed that this method provides better utilization of flow-cell to provide maximum throughput. This system was widely validated on previous runs. The system is available as web-based tool and we are in process to integrate it with our Laboratory Information Management System (LIMS).
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 ».