The interplay between epigenomic and transcriptomic variation during ecotype divergence in stickleback
Notice bibliographique
Résumé
BACKGROUND: Populations colonizing contrasting environments are likely to undergo adaptive divergence and evolve ecotypes with locally adapted phenotypes. While diverse molecular mechanisms underlying ecotype divergence have been identified, less is known about their interplay and degree of divergence. RESULTS: Here we integrated epigenomic and transcriptomic data to explore the interactions among gene expression, alternative splicing, DNA methylation, and microRNA expression to gauge the extent to which patterns of divergence at the four molecular levels are aligned in a case of postglacial divergence between marine and freshwater ecotypes of nine-spined sticklebacks (Pungitius pungitius). Despite significant genome-wide associations between epigenomic and transcriptomic variation, we found largely non-parallel patterns of ecotype divergence across epigenomic and transcriptomic levels, with predominantly nonoverlapping (ranging from 43.40 to 87.98%) sets of differentially expressed, spliced and methylated genes, and candidate genes targeted by differentially expressed miRNA between the ecotypes. Furthermore, we found significant variation in the extent of ecotype divergence across different molecular mechanisms, with differential methylation and differential splicing showing the highest and lowest extent of divergence between ecotypes, respectively. Finally, we found a significant enrichment of genes associated with ecotype divergence in differential methylation. CONCLUSIONS: Our results suggest a nuanced relationship between epigenomic and transcriptomic processes, with alignment at the genome-wide level masking relatively independent effects of different molecular mechanisms on ecotype divergence at the gene level.
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 ».