整合泛基因组分析,GWAS和可解释的机器学习来优先考虑Setaria italica中的特征相关结构变异
Wenying Wang1, Tianhao Wu1, Guangyu Fan2
1State Key Laboratory of Maize Bio-breeding, National Maize Improvement Center, Frontiers Science Center for Molecular Design Breeding, College of Agronomy and Biotechnology, China Agricultural University, Beijing 100094, China.
Plant communications
|November 30, 2025
概括
结构变化,如存在缺席变化 (PAVs),是提高作物的关键. 这项研究整合了泛基因组和全基因组关联研究 (GWAS),以确定与狐尾小米叶色相关的PAV.
科学领域:
- 基因组学就是基因组学.
- 植物科学 植物科学
- 提高作物质量 的方法.
背景情况:
- 结构变异 (SVs),特别是存在缺失变异 (PAVs),显著影响作物化和特征发展.
- 全基因组分析提供了全面的PAV洞察力,但面临成本和样本大小的限制.
- 全基因组关联研究 (GWAS) 在大量人群中确定特征标记器关联,但经常错过PAV,并与链接不平衡作斗争.
研究的目的:
- 使用基于图形的泛基因组系统地探索狐尾小米 (Setaria italica) 中的PAV.
- 在大量人群中识别与叶子,叶子和叶子色相关的基因组区域和变异.
- 开发一个成本高效的框架,整合泛基因组,GWAS和机器学习,用于作物特征研究.
主要方法:
- 从新组装了八个参考质量的狐尾小米基因组.
- 构建基于图形的泛基因组来分析PAVs.
- 全基因组关联研究 (GWAS) 针对344个小米加入叶子颜色特征.
- 应用可解释的机器学习模型用于变体优先级.
主要成果:
- 在染色体7 (26.8426.94 Mb) 中识别了5002bp的Copia元素插入和其他关键变异.
- 这些变体与叶子颜色特征的表型变异的关联.
- 展示一种整合性方法,结合泛基因组,GWAS和机器学习.
结论:
- 该研究提出了一个有效和成本效益的框架,用于研究作物的农学特征.
- 鉴定到的变异提供了关于狐尾小米叶子颜色的遗传基础的见解.
- 这种综合性策略增强了变种检测和作物改进的优先级.
更多相关视频
04:41Mapping Alzheimer's Disease Variants to Their Target Genes Using Computational Analysis of Chromatin Configuration
Published on: January 9, 2020
19.3K
08:27Large-Scale Multi-Omics Genome-Wide Association Studies Mo-GWAS: Guidelines for Sample Preparation and Normalization
Published on: July 27, 2021
4.7K
