Allele Dispersion Score: Quantifying the range of allele frequencies across populations, based on UMAP
Notice bibliographique
Résumé
Abstract Genomic variation plays a crucial role in biology, serving as a base for evolution - allowing for adaptation on a species or population level. At the individual level, however, specific alleles can be implicated in diseases. To interpret genetic variants identified in an individual potentially affected with a rare genetic disease, it is fundamental to know the population frequency of each allele, ideally in an ancestry matched cohort. Equity in human genomics remains a challenge for the field, and there are not yet cohorts representing most populations. Currently, when ancestry matched cohorts are not available, pooled variant libraries are used, such as gnomAD, the Human Genome Diversity Project (HGDP) or the 1,000 Genomes Project (now known as IGSR: International Genome Sample Resource). When working with a pooled collection of variant frequencies, one of the challenges is to determine efficiently if a variant is broadly spread across populations or appears selectively in one or more populations. While this can be accomplished by reviewing tables of population frequencies, it can be advantageous to have a single score that summarizes the observed dispersion. This score would not require classifying individuals into populations, which can be complicated if it is a homogenous population, or can leave individuals excluded from all the predefined population groups. Moreover, a score would not display fine-scaled population information, which could have privacy implications and consequently be inappropriate to release. Therefore, we sought to develop a scoring method based on a Uniform Manifold Approximation and Projection (UMAP) where, for each allele, the score can range from 0 (the variant is limited to a subset of close individuals within the whole cohort) to 1 (the variant is spread among the individuals represented in the cohort). We call this score the Allele Dispersion Score (ADS). The scoring system was implemented on the IGSR dataset, and compared to the current method consisting in displaying variant frequencies for several populations in a table. The ADS correlates with the population frequencies, without requiring grouping of individuals.
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 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».