Exploration of chaos game representation and integrative deep learning approaches for whole-genome sequencing-based grapevine genetic testing
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,001 |
| 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 découle