<i>k</i> -mer-based GWAS enhances the discovery of causal variants and candidate genes in soybean
Notice bibliographique
Résumé
Abstract Genome-wide association studies (GWAS) are powerful statistical methods that detect associations between genotype and phenotype at genome scale. Despite their power, GWAS frequently fail to pinpoint the causal variant or the gene controlling a trait at a given locus in crop species. Assessing genetic variants beyond single-nucleotide polymorphisms (SNPs) could alleviate this problem, for example by including structural variants (SVs). In this study, we tested the potential of SV-and k -mer-based GWAS in soybean by applying these methods to 13 traits. We also performed conventional GWAS analysis based on SNPs and small indels for comparison. We assessed the performance of each GWAS approach based on results at loci for which the causal genes or variants were known from previous genetic studies. We found that k -mer-based GWAS was the most versatile approach and the best at pinpointing causal variants or candidate genes based on the most significantly associated k -mers. Moreover, k -mer-based analyses identified promising candidate genes for loci related to pod color, pubescence form, and resistance to the oomycete Phytophthora sojae . In our dataset, SV-based GWAS did not add value compared to k -mer-based GWAS and may not be worth the time and computational resources required to genotype SVs at population scale. Despite promising results, significant challenges remain regarding the downstream analysis of k -mer-based GWAS. Notably, better methods are needed to associate significant k -mers with sequence variation. Together, our results suggest that coupling k -mer-and SNP/indel-based GWAS is a powerful approach for discovering candidate genes in crop species.
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 ».