Full chloroplast sequencing using genome skimming for novel plant DNA barcode discovery in Amaranths
Notice bibliographique
Résumé
DNA barcoding has been established as an efficient, sensitive and reliable methodology for plant identification. However, in spite of efforts to find a universal DNA plant barcode, some taxa are not sufficiently resolved by typical plant barcoding genes like matK or rbcL. We have used a technique known as genome skimming, which relies on the empiric low coverage sequencing of a full plant genome, resulting in high coverage of the high copy genome fractions such as chloroplast and rDNA. Phylogenetic studies show that these regions are a reservoir of variability which could be further exploited for DNA barcode discovery. We sequenced eight amaranth species using Illumina Next Generation Sequencing technology to test the feasibility of this technique. Amaranths were chosen due to their increasing impact as invasive species bearing multiple herbicide resistance mechanisms. Our results showed that complete chloroplast genomes could be assembled for all of the eight species tested. We obtained an average of 47 million reads for each one of the amaranth nuclear genomes, which range in size between 400-700Mb approximately. These reads provide an average theoretical coverage of 10-15X for each nuclear genome, but resulted in an average chloroplast genome coverage in the range of 500-8000X due to multiple chloroplast genome copies per cell. Alignment of the eight chloroplast genomes shows variability in the single copy regions (Fig. 1), especially on intergenic sections (Fig. 2). Additional preliminary analyses also show variation among different populations of the same species, demonstrating the importance of studying both inter and intraspecific diversity to design reliable and accurate DNA barcodes that can be used in species identification.
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 ».