基于重要性采样的全基因组预测与关联局部上位模型
应用统计
2016-03-30 v1 定量方法
机器学习
摘要
在统计遗传学中，一项重要任务是建立基因型-表型关系的预测模型，从而将总表型方差的一部分归因于基因型变异。已有众多模型被提出以将加性遗传效应纳入预测或关联模型。然而，能充分解释基因-基因或其他形式遗传互作的模型却很匮乏。此外，在全基因组预测与关联中使用标记注释的兴趣日益增长。本文中，我们讨论一种结合参数化混合建模方法与非参数规则集成的混合建模方法。该方法给我们提供了一个灵活的模型类，可用于捕捉加性、局部上位遗传效应、基因×背景互作，并允许我们将一个或多个注释纳入基因组选择或关联模型。除模拟数据集外，我们还使用涵盖一系列生物和性状的基准数据集来阐明该方法的优势。模型准确度和关联结果的改进表明，复杂性状中部分“缺失遗传力”可通过建模局部上位性来捕获。
引用
@article{arxiv.1603.08813,
title = {Locally Epistatic Models for Genome-wide Prediction and Association by Importance Sampling},
author = {Deniz Akdemir and Jean-Luc Jannink},
journal= {arXiv preprint arXiv:1603.08813},
year = {2016}
}
备注
*Corresponding Author: Deniz Akdemir ([email protected])