Inferring and modeling inheritance of differentially methylated changes across multiple generations
Notice bibliographique
Résumé
High-throughput methylation sequencing enables genome-wide detection of differentially methylated sites (DMS) or regions (DMR). Increasing evidence suggests that treatment-induced DMS can be transmitted across generations, but the analysis of induced methylation changes across multiple generations is complicated by the lack of sound statistical methods to evaluate significance levels. Due to software design, DMS detection was usually made on each generation separately, thus disregarding stochastic effects expected when a large number of DMS is detected in each generation. Here, we present a novel method based on Monte Carlo sampling, methylInheritance, to evaluate that the number of conserved DMS between several generations is associated to an effect inherited from a treatment and not randomness. Moreover, we developed an inheritance simulation package, methInheritSim, to demonstrate the performance of the methylInheritance method and to evaluate the power of different experimental designs. Finally, we applied methylInheritance to a DNA methylation dataset obtained from early-life persistent organic pollutants (POPs) exposed Sprague-Dawley female rats and their descendants through a paternal transmission. The results show that metylInheritance can efficiently identify treatment-induced inherited methylation changes. Specifically, we identified two intergenerationally conserved DMS at transcription start site (TSS); one of those persisted transgenerationally. Three transgenerationally conserved DMR were found at intra or integenic regions.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».