Leveraging LASSO-based methodologies for enhanced SNP analysis in plant genomes
Notice bibliographique
Résumé
Abstract Summary Genome-wide association studies (GWAS) have been widely used to reveal the associations between genetic variations and phenotypes in a population of individuals. However, they have been criticized for missing important genetic markers usually due to the fact that the data may not fit the statistical models well. In this study, we address the challenge of identifying significant single nucleotide polymorphisms (SNPs) in GWAS by harnessing the capabilities of two sophisticated regression models, BIGLASSO and AUTALASSO. They are both variants of the least absolute shrinkage and selection operator (LASSO). Our research contributes to the field of genomics through detailed comparative analysis of Arabidopsis thaliana, revealing how each method specializes in uncovering SNPs for different trait types. Our findings indicate that BIGLASSO shows stronger alignment with GWAS results, particularly excelling in the analysis of binary traits, even when these are derived from categorical phenotypes. AUTALASSO could be effective for quantitative traits and complement GWAS. We demonstrate that these LASSO-based methods can significantly enhance the identification of genetic markers, offering a potent complement to traditional GWAS approaches. Our findings not only bridge the gap between statistical and machine learning methodologies in genetic studies but also provide a practical framework for researchers seeking to validate reported SNPs or explore new genomic regions for trait association. This work stands as a pivotal step toward the integration of advanced computational techniques in genomics, paving the way for more precise and comprehensive genetic analyses. Availability and implementation Key results from the paper are available at the https://github.com/DongdongHou006/LASSO-SNP. The program was implementated using Python and R, and was tested using the Digital Research Alliance of Canada.
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 | 0,005 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».