Exploration of chaos game representation and integrative deep learning approaches for whole-genome sequencing-based grapevine genetic testing
Notice bibliographique
Résumé
Motivation: The identification of grapevine species, cultivars, and clones associated with desired traits is an important component of viticulture. True-to-type identification is very challenging for grapevine due to the existence of a large number of cultivars and clones and the historical issues of synonyms and homonyms. DNA-based identification, superior to morphology-based methods, has been used as the current standard true-to-type method for grapevine, but not without shortcomings, such as the limited number of biomarkers and accessibility of services. Results: To overcome some of the limitations of traditional microsatellite-marker-based genetic testing, we explored a whole-genome-sequencing (WGS)-based approach to achieve the best accuracy at an affordable cost. To address the challenges of the extreme high dimensionality of the WGS data, we examined the effectiveness of using chaos game representation (CGR) to represent the genome sequence data and using deep learning for species and cultivar identification. CGR images provide a meaningful way to capture patterns for use with visual analysis, with the best results showing a 99% balanced accuracy in classifying five species, and a 80% balanced accuracy in predicting 41 cultivars. Our preliminary research highlights the potential for CGR and deep learning as a complementary tool for WGS-based species- and cultivar-level classification. Availability and implementation: Our implementation, including the pipeline for data processing and the four predictive models, is available at https://github.com/pliang64/CGR.
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 | 0,002 | 0,005 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».