VikNGS: A C++ Variant Integration Kit for Next Generation Sequencing association analysis
Notice bibliographique
Résumé
Abstract Motivation Integration of next generation sequencing data (NGS) across different research studies can improve the power of genetic association testing by increasing sample size and can obviate the need for sequencing controls. Unfortunately, if differential genotype uncertainty across studies is not accounted for, combining data sets can also produce spurious association results. The robust variance score statistic (RVS) for genetic association of rare and common variants has been shown to effectively adjust for bias caused by the differences in read depth in case-control genetic association studies when the two groups were sequenced using different experimental designs. To enable consortium research, the aggregation of several data sets for genetic association analysis of quantitative and binary traits with covariate adjustment is required, and we developed the Variant Integration Kit for NGS (VikNGS) that expands the functionality of RVS (vRVS) for this purpose. Results VikNGS is a fast and computationally efficient cross-platform software package that provides an implementation for vRVS, as well as conventional rare and common variant genotype-based association analysis approaches. The package includes a graphical user interface that contains power simulation functionality and data visualization tools. Availability and Implementation The VikNGS package can be downloaded at http://www.tcag.ca/tools/index.html Documentation can be found at https://VikNGSdocs.readthedocs.io/en/latest/ Contact lisa.strug@sickkids.ca Supplementary information Supplementary data are available at Bioinformatics online.
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 | 0,007 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,116 | 0,074 |
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 ».