Learning from methylomes: epigenomic correlates of <i>Populus balsamifera</i> traits based on deep learning models of natural DNA methylation
Notice bibliographique
Résumé
Epigenomes have remarkable potential for the estimation of plant traits. This study tested the hypothesis that natural variation in DNA methylation can be used to estimate industrially important traits in a genetically diverse population of Populus balsamifera L. (balsam poplar) trees grown at two common garden sites. Statistical learning experiments enabled by deep learning models revealed that plant traits in novel genotypes can be modelled transparently using small numbers of methylated DNA predictors. Using this approach, tissue type, a nonheritable attribute, from which DNA methylomes were derived was assigned, and provenance, a purely heritable trait and an element of population structure, was determined. Significant proportions of phenotypic variance in quantitative wood traits, including total biomass (57.5%), wood density (40.9%), soluble lignin (25.3%) and cell wall carbohydrate (mannose: 44.8%) contents, were also explained from natural variation in DNA methylation. Modelling plant traits using DNA methylation can capture tissue-specific epigenetic mechanisms underlying plant phenotypes in natural environments. DNA methylation-based models offer new insight into natural epigenetic influence on plants and can be used as a strategy to validate the identity, provenance or quality of agroforestry products.
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 | 0,001 |
| 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 ».