An alternative computing strategy for genomic prediction using a Bayesian mixture model
Notice bibliographique
Résumé
Chen, L., Li, C. and Schenkel, F. 2015. An alternative computing strategy for genomic prediction using a Bayesian mixture model. Can. J. Anim. Sci. 95: 1–11. Bayesian methods for genomic prediction are commonly implemented via Markov chain Monte Carlo (MCMC) sampling schemes, which are computationally demanding in large-scale applications. An alternative computing algorithm, called right-hand side updating strategy (RHSU), was proposed by exploiting the sparsity feature of the marker effects in a Bayesian mixture model. The new algorithm was compared with the conventional Gauss–Seidel residual update (GSRU) algorithm by the number of floating point operations (FLOP) required in one round of MCMC sampling. The two algorithms were also compared in a Holstein data example with the training data size varying from 1000 to 10 000 and a marker density of 35 790 single nucleotide polymorphisms (SNP). Results showed that the proposed RHSU algorithm would outperform the traditional GSRU algorithm when the sample size exceeded a fraction of the number of the SNPs, which typically varied from 0.05 to 0.18 when the proportion of SNPs with no effect on the trait varied from 0.90 to 0.95. Results from the Holstein data example agreed very well with theoretical expectations. With adoption of a 50 k SNP panel and an increasing training data size, RHSU would be very useful if Bayesian methods are preferable for genomic prediction.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».