dcHiC: differential compartment analysis of Hi-C datasets
Notice bibliographique
Résumé
Abstract The compartmental organization of chromatin and its changes play important roles in distinct biological processes carried out by mammalian genomes. However, differential compartment analyses have been mostly limited to pairwise comparisons and with a main focus on only the compartment flips (e.g., A-to-B). Here, we introduce dcHiC , which utilizes quantile normalized compartment scores and a multivariate distance measure to identify significant changes in compartmentalization among multiple contact maps. Evaluating dcHiC on three collections of Hi-C contact maps from mouse neural differentiation (n=3), mouse hematopoiesis (n=10) and human LCL cell lines (n=20), we show its effectiveness and sensitivity in detecting biologically relevant differences, including those validated by orthogonal experiments. Across these experiments, dcHiC reported regions with dynamically regulated genes associated with cell identity, along with correlated changes in chromatin states, replication timing and lamin B1 association. With its efficient implementation, dcHiC not only enables high-resolution compartment analysis but also includes a suite of additional features, including standalone browser visualization, differential interaction identification, and time-series clustering. As such, it is an essential addition to the Hi-C analysis toolbox for the ever-growing number of contact maps being generated. dcHiC is freely available at https://github.com/ay-lab/dcHiC , and examples from this paper can be seen at https://ay-lab.github.io/dcHiC .
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,006 |
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 ».