• 文献检索
  • 文档翻译
  • 深度研究
  • 学术资讯
  • Suppr Zotero 插件Zotero 插件
  • 邀请有礼
  • 套餐&价格
  • 历史记录
应用&插件
Suppr Zotero 插件Zotero 插件浏览器插件Mac 客户端Windows 客户端微信小程序
定价
高级版会员购买积分包购买API积分包
服务
文献检索文档翻译深度研究API 文档MCP 服务
关于我们
关于 Suppr公司介绍联系我们用户协议隐私条款
关注我们

Suppr 超能文献

核心技术专利：CN118964589B侵权必究
粤ICP备2023148730 号-1Suppr @ 2026

文献检索

告别复杂PubMed语法，用中文像聊天一样搜索，搜遍4000万医学文献。AI智能推荐，让科研检索更轻松。

立即免费搜索

文件翻译

保留排版，准确专业，支持PDF/Word/PPT等文件格式，支持 12+语言互译。

免费翻译文档

深度研究

AI帮你快速写综述，25分钟生成高质量综述，智能提取关键信息，辅助科研写作。

立即免费体验

一种使用代谢网络进行基因组预测的贝叶斯模型。

A Bayesian model for genomic prediction using metabolic networks.

作者信息

Onogi Akio

机构信息

Department of Life Sciences, Faculty of Agriculture, Ryukoku University, Otsu, Shiga 520-2194, Japan.

出版信息

Bioinform Adv. 2023 Aug 11;3(1):vbad106. doi: 10.1093/bioadv/vbad106. eCollection 2023.

DOI:10.1093/bioadv/vbad106
PMID:39131740
原文链接:https://pmc.ncbi.nlm.nih.gov/articles/PMC11312854/
Abstract

MOTIVATION

Genomic prediction is now an essential technique in breeding and medicine, and it is interesting to see how omics data can be used to improve prediction accuracy. Precedent work proposed a metabolic network-based method in biomass prediction of Arabidopsis; however, the method consists of multiple steps that possibly degrade prediction accuracy.

RESULTS

We proposed a Bayesian model that integrates all steps and jointly infers all fluxes of reactions related to biomass production. The proposed model showed higher accuracies than methods compared both in simulated and real data. The findings support the previous excellent idea that metabolic network information can be used for prediction.

AVAILABILITY AND IMPLEMENTATION

All R and stan scripts to reproduce the results of this study are available at https://github.com/Onogi/MetabolicModeling.

摘要

动机

基因组预测如今已成为育种和医学领域的一项重要技术，探究如何利用组学数据提高预测准确性很有意思。先前的研究提出了一种基于代谢网络的方法来预测拟南芥的生物量；然而，该方法包含多个步骤，可能会降低预测准确性。

结果

我们提出了一种贝叶斯模型，该模型整合了所有步骤，并联合推断与生物量生产相关的所有反应通量。在模拟数据和实际数据中，所提出的模型均比其他方法具有更高的准确性。这些发现支持了之前的优秀观点，即代谢网络信息可用于预测。

可用性与实现

可在https://github.com/Onogi/MetabolicModeling获取用于重现本研究结果的所有R和Stan脚本。

https://cdn.ncbi.nlm.nih.gov/pmc/blobs/987c/11312854/3131ea02a161/vbad106f4.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/987c/11312854/3cd06db25f09/vbad106f1.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/987c/11312854/3aaa8be5c084/vbad106f2.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/987c/11312854/5243e26a83be/vbad106f3.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/987c/11312854/3131ea02a161/vbad106f4.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/987c/11312854/3cd06db25f09/vbad106f1.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/987c/11312854/3aaa8be5c084/vbad106f2.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/987c/11312854/5243e26a83be/vbad106f3.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/987c/11312854/3131ea02a161/vbad106f4.jpg

相似文献

1
A Bayesian model for genomic prediction using metabolic networks.一种使用代谢网络进行基因组预测的贝叶斯模型。
Bioinform Adv. 2023 Aug 11;3(1):vbad106. doi: 10.1093/bioadv/vbad106. eCollection 2023.
2
An R package for ensemble learning stacking.一个用于集成学习堆叠的R包。
Bioinform Adv. 2023 Sep 29;3(1):vbad139. doi: 10.1093/bioadv/vbad139. eCollection 2023.
3
FGCNSurv: dually fused graph convolutional network for multi-omics survival prediction.FGCNSurv：用于多组学生存预测的双重融合图卷积网络。
Bioinformatics. 2023 Aug 1;39(8). doi: 10.1093/bioinformatics/btad472.
4
BELMM: Bayesian model selection and random walk smoothing in time-series clustering.BELMM：时间序列聚类中的贝叶斯模型选择和随机游走平滑。
Bioinformatics. 2023 Nov 1;39(11). doi: 10.1093/bioinformatics/btad686.
5
A computationally efficient algorithm for genomic prediction using a Bayesian model.一种使用贝叶斯模型进行基因组预测的计算高效算法。
Genet Sel Evol. 2015 Apr 30;47(1):34. doi: 10.1186/s12711-014-0082-4.
6
Connecting mathematical models to genomes: joint estimation of model parameters and genome-wide marker effects on these parameters.将数学模型与基因组联系起来：联合估计模型参数和这些参数的全基因组标记效应。
Bioinformatics. 2020 May 1;36(10):3169-3176. doi: 10.1093/bioinformatics/btaa129.
7
MOLI: multi-omics late integration with deep neural networks for drug response prediction.MOLI：基于深度神经网络的多组学晚期整合进行药物反应预测。
Bioinformatics. 2019 Jul 15;35(14):i501-i509. doi: 10.1093/bioinformatics/btz318.
8
Novel Bayesian Networks for Genomic Prediction of Developmental Traits in Biomass Sorghum.新型贝叶斯网络在生物量高粱发育性状基因组预测中的应用。
G3 (Bethesda). 2020 Feb 6;10(2):769-781. doi: 10.1534/g3.119.400759.
9
deepGBLUP: joint deep learning networks and GBLUP framework for accurate genomic prediction of complex traits in Korean native cattle.深度 GBLUP：联合深度学习网络和 GBLUP 框架，用于准确预测韩国本土牛复杂性状的基因组。
Genet Sel Evol. 2023 Jul 31;55(1):56. doi: 10.1186/s12711-023-00825-y.
10
An R package VIGoR for joint estimation of multiple linear learners with variational Bayesian inference.一个用于使用变分贝叶斯推断联合估计多个线性学习者的 R 包 VIGoR。
Bioinformatics. 2022 Jun 13;38(12):3306-3309. doi: 10.1093/bioinformatics/btac328.

引用本文的文献

1
QTN detection and candidate gene identification for improved eating and cooking quality in rice using GWAS and PLS regression analysis.利用全基因组关联研究（GWAS）和偏最小二乘回归分析检测水稻优质食味和蒸煮品质的QTN并鉴定候选基因
Theor Appl Genet. 2025 Feb 26;138(3):58. doi: 10.1007/s00122-025-04850-x.
2
Metabolic Connectome and Its Role in the Prediction, Diagnosis, and Treatment of Complex Diseases.代谢连接组及其在复杂疾病预测、诊断和治疗中的作用。
Metabolites. 2024 Jan 26;14(2):93. doi: 10.3390/metabo14020093.

本文引用的文献

1
Multi-trait genomic prediction improves selection accuracy for enhancing seed mineral concentrations in pea.多性状基因组预测提高了豌豆种子矿物质含量选择的准确性。
Plant Genome. 2022 Dec;15(4):e20260. doi: 10.1002/tpg2.20260. Epub 2022 Oct 3.
2
Adding gene transcripts into genomic prediction improves accuracy and reveals sampling time dependence.添加基因转录本可提高基因组预测的准确性，并揭示采样时间的依赖性。
G3 (Bethesda). 2022 Nov 4;12(11). doi: 10.1093/g3journal/jkac258.
3
How genomic selection has increased rates of genetic gain and inbreeding in the Australian national herd, genomic information nucleus, and bulls.
基因组选择如何提高澳大利亚国家牛群、基因组信息核心和公牛的遗传增益和近交率。
J Dairy Sci. 2021 Nov;104(11):11832-11849. doi: 10.3168/jds.2021-20326. Epub 2021 Aug 26.
4
MegaLMM: Mega-scale linear mixed models for genomic predictions with thousands of traits.MegaLMM：用于具有数千个性状的基因组预测的大规模线性混合模型。
Genome Biol. 2021 Jul 23;22(1):213. doi: 10.1186/s13059-021-02416-w.
5
Translating insights from the seed metabolome into improved prediction for lipid-composition traits in oat (Avena sativa L.).从种子代谢组学中获取的见解转化为对燕麦（燕麦属）脂质成分性状的改良预测。
Genetics. 2021 Mar 31;217(3). doi: 10.1093/genetics/iyaa043.
6
Sibling validation of polygenic risk scores and complex trait prediction.多基因风险评分和复杂性状预测的同胞验证。
Sci Rep. 2020 Aug 6;10(1):13190. doi: 10.1038/s41598-020-69927-7.
7
Integrating molecular markers into metabolic models improves genomic selection for Arabidopsis growth.将分子标记物整合到代谢模型中可提高拟南芥生长的基因组选择。
Nat Commun. 2020 May 15;11(1):2410. doi: 10.1038/s41467-020-16279-5.
8
Pitfalls and Remedies for Cross Validation with Multi-trait Genomic Prediction Methods.多性状基因组预测方法中交叉验证的陷阱与补救措施。
G3 (Bethesda). 2019 Nov 5;9(11):3727-3741. doi: 10.1534/g3.119.400598.
9
Complex Trait Prediction from Genome Data: Contrasting EBV in Livestock to PRS in Humans: Genomic Prediction.从基因组数据预测复杂性状：比较家畜中的 EBV 与人类中的 PRS：基因组预测。
Genetics. 2019 Apr;211(4):1131-1141. doi: 10.1534/genetics.119.301859.
10
Integrating Gene Expression Data Into Genomic Prediction.将基因表达数据整合到基因组预测中。
Front Genet. 2019 Feb 25;10:126. doi: 10.3389/fgene.2019.00126. eCollection 2019.