Autoren:	Albrecht, Steffen Sprang, Maximilian Andrade, Miguel Fontaine, Jean-Fred
Titel:	seqQscorer: automated quality control of next-generation sequencing data using machine learning
Online-Publikationsdatum:	20-Sep-2021
Erscheinungsdatum:	2021
Sprache des Dokuments:	Englisch
Zusammenfassung/Abstract:	Controlling quality of next-generation sequencing (NGS) data files is a necessary but complex task. To address this problem, we statistically characterize common NGS quality features and develop a novel quality control procedure involving tree-based and deep learning classification algorithms. Predictive models, validated on internal and external functional genomics datasets, are to some extent generalizable to data from unseen species. The derived statistical guidelines and predictive models represent a valuable resource for users of NGS data to better understand quality issues and perform automatic quality control. Our guidelines and software are available at https://github.com/salbrec/seqQscorer.
DDC-Sachgruppe:	004 Informatik 004 Data processing 570 Biowissenschaften 570 Life sciences
Veröffentlichende Institution:	Johannes Gutenberg-Universität Mainz
Organisationseinheit:	FB 10 Biologie
Veröffentlichungsort:	Mainz
ROR:	https://ror.org/023b0x485
DOI:	http://doi.org/10.25358/openscience-6351
Version:	Published version
Publikationstyp:	Zeitschriftenaufsatz
Nutzungsrechte:	CC BY
Informationen zu den Nutzungsrechten:	https://creativecommons.org/licenses/by/4.0/
Zeitschrift:	Genome biology 22
Seitenzahl oder Artikelnummer:	75
Verlag:	BioMed Central
Verlagsort:	London
Erscheinungsdatum:	2021
ISSN:	1474-760X
URL der Originalveröffentlichung:	https://doi.org/10.1186/s13059-021-02294-2
DOI der Originalveröffentlichung:	10.1186/s13059-021-02294-2
Anmerkung:	Andrade, Miguel veröffentlicht unter: Andrade-Navarro, Miguel A.
Enthalten in den Sammlungen:	JGU-Publikationen