利用 RGxEStat 进行基因-环境互作显著性与稳定性分析
摘要
本文推出轻量级交互工具 RGxEStat,采用混合效应模型解析基因-环境互作,为育种者提供无需复杂 SAS/R 编程的友好替代方案。
查看缓存全文
缓存时间: 2026/04/21 15:38
论文页面 - 使用 RGxEStat 进行基因-环境交互显著性与稳定性分析
来源:https://huggingface.co/papers/2604.03337
摘要
基因×环境(GxE)交互作用会影响基因型在不同环境下的表现,降低目标环境中表型的可预测性。深入分析 GxE 交互有助于识别特定环境条件下遗传优势或缺陷的表达或抑制,从而指导遗传选择并提升育种效率。本文提出两个用于 GxE 研究的核心模型:基于混合效应模型的显著性分析,用于判断基因或 GxE 交互是否显著影响表型性状;稳定性分析,进一步探究基因与环境的交互关系以及不同环境下基因型的相对优劣。此外,作者开发了轻量级交互式工具 RGxEStat,集成上述模型的构建、求解与可视化。该工具无需育种家和农艺师学习复杂的 SAS 或 R 编程,提供友好界面,显著加速育种数据分析周期。代码与数据集见 https://github.com/mason-ching/RGxEStat。
查看 arXiv 页面 (https://arxiv.org/abs/2604.03337)
查看 PDF (https://arxiv.org/pdf/2604.03337)
GitHub0 (https://github.com/mason-ching/RGxEStat)
添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2604.03337)
引用本论文的模型 0
暂无模型引用本文
在模型 README.md 中引用 arxiv.org/abs/2604.03337,即可在此页面显示。
引用本论文的数据集 0
暂无数据集引用本文
在数据集 README.md 中引用 arxiv.org/abs/2604.03337,即可在此页面显示。
引用本论文的 Spaces 0
暂无 Space 引用本文
在 Space README.md 中引用 arxiv.org/abs/2604.03337,即可在此页面显示。
包含本论文的合集 0
暂无合集收录本文
创建新合集 并将本论文加入,即可在此页面显示。
相似文章
全网络基因-环境关联与叶脉结构的一体化深度学习和统计框架
本文提出了一种集成的深度学习和统计框架,用于将基因-环境相互作用与全网络叶脉结构关联起来,使用EDTER进行边缘检测,SSCCA进行变量选择。
ESGLens:基于LLM的RAG框架,实现交互式ESG报告分析与评分预测
MIT研究人员提出ESGLens,一个RAG框架,可从PDF报告中提取结构化ESG数据,并以0.48的Pearson相关系数预测环境评分,对标LSEG基准。
CoDiffGRN: 通过BEELINE-KGC基准和共进化离散扩散重新思考基因调控网络推断
本文介绍了CoDiffGRN,一个用于基因调控网络推断的共进化离散扩散框架,以及一个新的归纳评估基准BEELINE-KGC。它在新型调控发现中取得了最先进的性能。
暗调控组:从基因组基础模型中分离可预测性与调控性
本文介绍了一种残差化与置换诊断方法,用于从基因组基础模型的调控重要性分数中分离由可预测性驱动和由调控驱动的方差,并应用于胶质瘤相关位点的暗基因组元件。
GENEB:为何基因组模型难以相互比较
GENEB 是一个大规模诊断基准,在统一的探测协议下,跨 13 个功能类别的 100 项任务对 40 个基因组基础模型进行评估。研究结果揭示了综合排行榜的不稳定性,以及架构匹配度往往比模型规模更具决定性影响。该工作旨在解决基因组机器学习领域评估体系碎片化的问题,类似于 MTEB 在 NLP 领域所做的工作。