Code for Environmental transcriptomics under heat stress: Can environmental RNA reveal changes in gene expression of aquatic organisms?
Notice bibliographique
Résumé
Overview of the pipeline used to analyze RNA-seq data from environmental RNA and Daphnia pulex tissue samples for the publication “Environmental transcriptomics under heat stress: Can environmental RNA reveal changes in gene expression of aquatic organisms?” by Hechler, Yates, Chain and Cristescu. Raw FASTQ files underwent initial sequencing quality inspection using FastQC (Andrews, 2010). Low quality sequences and adapters were removed using Trimmomatic (Bolger et al., 2014). All statistical analyses were conducted using R (R Core Team, 2021, R version 4.1.2). With default parameters, STAR (Dobin et al., 2013) was used to map all eRNA and oRNA reads that passed quality control and trimming. FeatureCounts (Liao et al., 2014) was used on the BAM file output from STAR to quantify gene counts. Differential expression analysis was conducted with DESeq2 (Love et al., 2014). GO enrichment analysis was conducted using topGO (Alexa & Rahnenfuhrer, 2022). We used the SqueezeMeta metatranscriptomics pipeline for the eRNA community-wide analysis (Tamames & Puente-Sánchez, 2019) and performed differential gene expression analyses as described above for Daphnia, after we mapped, using Kallisto (Bray et al., 2016), eRNA reads to the reference genomes and transcriptomes of species known a priori to persist in the communities and highly abundant species identified by SqueezeMeta. Lastly, we used SimKa to estimate k-mer similarity between eRNA samples (Benoit et al., 2016).
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 | 0,003 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,003 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,226 | 0,183 |
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 ».