Species-specific microRNA discovery and target prediction in the soybean cyst nematode
Notice bibliographique
Résumé
The soybean cyst nematode (SCN) is a devastating pathogen for economic and food security considerations. Although the SCN genome has recently been sequenced, the presence of any miRNA has not been systematically explored and reported. This paper describes the development of a species-specific SCN miRNA discovery pipeline and its application to the SCN genome. Experiments on well-documented model nematodes (Caenorhabditis elegans and Pristionchus pacificus) are used to tune the pipeline's hyperparameters and confirm its recall and precision. Application to the SCN genome identifies 3342 high-confidence putative SCN miRNA. Prediction specificity within SCN is confirmed by applying the pipeline to RNA hairpins from known exonic regions of the SCN genome (i.e., sequences known to not be miRNA). Prediction recall is confirmed by building a positive control set of SCN miRNA, based on a limited deep sequencing experiment. Interestingly, a number of novel miRNA are predicted to be encoded within the intronic regions of effector genes, known to be involved in SCN parasitism, suggesting that these miRNA may also be involved in the infection process or virulence. Beyond miRNA discovery, gene targets within SCN are predicted for all high-confidence novel miRNA using a miRNA:mRNA target prediction system. Lastly, cross-kingdom miRNA targeting is investigated, where putative soybean mRNA targets are identified for novel SCN miRNA. All predicted miRNA and gene targets are made available in appendix and through a Borealis DataVerse open repository ( https://borealisdata.ca/dataset.xhtml?persistentId=doi:10.5683/SP3/30DEXA ).
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».