【文献分享】一文带你读懂T2T基因组文章策略 (大豆ZH13的T2T 完整基因组及其表观遗传修饰图谱)

文章总结

建议大家看完文章都总结一下,要不然容易忘记。

格式可以参考:【经验分享】文献读完就忘?你是不是和我一样沮丧?-CSDN博客

T2T

T2T构建及表观遗传学思路

1. 组装了一个T2T基因组

  • 采用ont超长+hifi+BGI的二代短序列
  • 端粒+着丝粒(表+图):
  • 用CCCTAAA鉴定了端粒
  • 用Cent-Gm1 or CentGm2鉴定了着丝粒
  • 用BUSCO和Merqury估计了基因组质量
  • 着丝粒的Gap填充展示(全局+局部)+测序reads分布展示测序技术可靠性

2. 和ZH13v2 and Williams 82v4 基因组比较

  • 比较的染色体图
  • ZH13-T2T和两个基因组的共线性比较 (图) + Sequence and structural variations(表)
  • 同源基因和非同源基因展示+同源基因的共线性

3. 新基因的验证

  • 根、茎、叶表达量展示
  •  PCR和Sanger测序验证新的基因
  • PCR和Sanger测序验证gap

4. 构建表观遗传图谱

  • 数据:

        DNA甲基化数据:WGBS+ Nanopore(CG \CHG\CHH)

        组蛋白修饰 + ATAC-seq + HI-C

        WGBS和Nanopore的一致性比较:比较好;

        Nanopore能覆盖更多的胞嘧啶位点,尤其是在着丝粒区域

  • 染色体上分布的信号峰(局部+整体)
  • 不同类型的TE的修饰程度比较
  •  ATAC-seq:

        鉴定ATAC-seq的峰:

        ATAC的信号分布饼图

        峰附近的区域表现出低水平的DNA甲基化

        ATAC相关基因和不相关基因的表达量不对

         端粒和着丝粒区域的峰、以及存在GAP中的

        完成表观遗传图谱构建-epigenetics+gene结构+TE

5. 远距离DNA互作:HI-C

  • 鉴定了内外染色体的loop
  •  连接染色体loop,去构建染色体互作网络
  • 互作信号越强,染色质开放程度(ATAC)越高[15号染色体]
  • 一个基因跨越210kb与两个基因互作的例子
  •  qRT-PCR验证根茎叶的相对表达量
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
上采样和下采样是计算机视觉中常用的图像处理技术,用于改变图像的尺寸或分辨率。下采样是指将图像缩小,而上采样则是将图像放大。 在深度学习中,卷积神经网络(CNN)通常使用下采样层(也称为池化层)来减小特征图的尺寸,从而减少计算量和内存占用。然而,在一些应用中,比如语义分割任务中,我们需要对下采样后的特征图进行还原,以便恢复原始图像的分辨率。 这时就需要使用上采样层来将特征图还原到原始图像的大小。上采样可以通过不同的方式实现,其中一种常用的方法是反卷积(Deconvolution),也称为转置卷积(Transpose Convolution)。 反卷积层可以将下采样层输出的特征图还原到原始图像的大小。这是通过将输入特征图中的每个像素进行扩展,并使用卷积核进行卷积来实现的。尽管这种方法有一些缺点,如可视化效果不佳和计算量较大,但它已被证明是一种有效的上采样方法。 DeconvNet 是一种通过反卷积实现语义分割的深度学习模型。它使用反卷积层来将下采样层的输出还原到原始图像的分辨率,并使用卷积层来进行像素级别的分类。DeconvNet 在语义分割任务中表现出色,但在一些其他任务中,如图像生成和超分辨率,它的效果不如其他模型。 总之,上采样和下采样是深度学习中常用的图像处理技术,对于语义分割等需要恢复原始图像分辨率的任务来说,反卷积是一种有效的上采样方法。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

码农耕地人~go

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值