- 6 次围观
内容形式:摘要译文
植物和后生动物的基因组组装正以前所未有的速度提交至国际核苷酸序列数据库协作组织(INSDC)档案,但解读这些组装所需的生物学背景信息(如倍性、栽培品种和亚基因组结构)往往缺失:在大多数提交清单中,这些属性均为可选项;即使提供,也以自由文本填写。我们从三个层面阐述这一问题。倍性在同一物种内可能存在差异,无法依据分类学信息推断;同一作物不同组装所采用的染色体命名惯例各不相同;这种不一致主要集中在以亚基因组命名的物种中,且与研究群体规模无关,这表明问题源于缺乏统一规范。作为案例研究,我们构建了一条流程,从与组装相关联的论文中提取这些属性。在包含 82 个组装的基准测试中,当前版本仅将一个组装的倍性判定错误;在 1,059 个植物组装中,早期一个限制较少的版本在约一半的案例中从论文里找到了倍性信息,而在近三分之一的案例中,虽然找到了相关论文,却未能在其中找到倍性陈述。通过文献提取信息可以为已提交的组装添加注释,但无法阻止新的组装在信息不完整的情况下提交。因此,我们建议在提交时将倍性、栽培品种和亚基因组结构设为必填的受控词表属性,并以现有的 INSDC 和基因组标准联盟(Genomic Standards Consortium)清单为基础加以完善。
关键词:基因组组装 · 基因组元数据 · 倍性注释 · 亚基因组结构 · 受控词表 · 文献挖掘
原文链接:https://www.biorxiv.org/content/10.64898/2026.11.03.763936v1?rss=1
来源出处
设计即缺失:为什么必须在提交时采集基因组元数据,而不能从文献中恢复
https://www.biorxiv.org/content/10.64898/2026.11.03.763936v1?rss=1