Detection and Visualization of Heterozygosity-Rich Regions and Runs of Homozygosity in Worldwide Sheep Populations
Notice bibliographique
Résumé
In this study, we chose 17 worldwide sheep populations of eight breeds, which were intensively selected for different purposes (meat, milk, or wool), or locally-adapted breeds, in order to identify and characterize factors impacting the detection of runs of homozygosity (ROH) and heterozygosity-rich regions (HRRs) in sheep. We also applied a business intelligence (BI) tool to integrate and visualize outputs from complementary analyses. We observed a prevalence of short ROH, and a clear distinction between the ROH profiles across populations. The visualizations showed a fragmentation of medium and long ROH segments. Furthermore, we tested different scenarios for the detection of HRR and evaluated the impact of the detection parameters used. Our findings suggest that HRRs are small and frequent in the sheep genome; however, further studies with higher density SNP chips and different detection methods are suggested for future research. We also defined ROH and HRR islands and identified common regions across the populations, where genes related to a variety of traits were reported, such as body size, muscle development, and brain functions. These results indicate that such regions are associated with many traits, and thus were under selective pressure in sheep breeds raised for different purposes. Interestingly, many candidate genes detected within the HRR islands were associated with brain integrity. We also observed a strong association of high linkage disequilibrium pattern with ROH compared with HRR, despite the fact that many regions in linkage disequilibrium were not located in ROH 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 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 ».