利用贝叶斯网络进行多数量性状分析
统计方法学
2014-12-09 v4 分子网络
摘要
全基因组预测和关联研究的模型通常针对单一表型性状。然而，在动植物遗传学中，通常会对每个将被基因分型的个体记录多个表型的信息。单独对性状建模忽视了它们很可能由于多效性和共同的生物学基础而相互关联的事实，从而仅提供了对遗传效应和表型互作的片面且混淆的视角。在本文中，我们利用来自多亲本高级世代互交（MAGIC）冬小麦群体的数据，探索贝叶斯网络作为同时建模多数量性状的便捷且可解释的框架。我们表明，它们等价于多变量遗传最佳线性无偏预测（GBLUP），并且在预测性能上与单性状弹性网络（elastic net）和单性状 GBLUP 具有竞争力。最后，我们讨论了它们与其他加性效应模型的关系，以及它们在推断和解释方面的优势。MAGIC 群体为这类研究提供了理想的环境，因为其极低的群体结构和大的样本量使得预测模型具有良好的效力，并限制了由亲缘关系引起的混淆。
引用
@article{arxiv.1402.2905,
title = {Multiple Quantitative Trait Analysis Using Bayesian Networks},
author = {Marco Scutari and Phil Howell and David J. Balding and Ian Mackay},
journal= {arXiv preprint arXiv:1402.2905},
year = {2014}
}
备注
28 pages, 1 figure, code at http://www.bnlearn.com/research/genetics14