Generalized marker regression and interval QTL mapping methods for binary traits in half‐sib family designs
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A Generalized Marker Regression Mapping (GMR) approach was developed for mapping Quantitative Trait Loci (QTL) affecting binary polygenic traits in a single‐family half‐sib design. The GMR is based on threshold‐liability model theory and regression of offspring phenotype on expected marker genotypes at flanking marker loci. Using simulation, statistical power and bias of QTL mapping for binary traits by GMR was compared with full QTL interval mapping based on a threshold model (GIM) and with a linear marker regression mapping method (LMR). Empirical significance threshold values, power and estimates of QTL location and effect were identical for GIM and GMR when QTL mapping was restricted to within the marker interval. These results show that the theory of the marker regression method for QTL mapping is also applicable to binary traits and possibly for traits with other non‐normal distributions. The linear and threshold models based on marker regression (LMR and GMR) also resulted in similar estimates and power for large progeny group sizes, indicating that LMR can be used for binary data for balanced designs with large families, as this method is computationally simpler than GMR. GMR may have a greater potential than LMR for QTL mapping for binary traits in complex situations such as QTL mapping with complex pedigrees, random models and models with interactions.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle