A framework for power and sensitivity analyses for quantitative genetic studies of natural populations, and case studies in Soay sheep (<i>Ovis aries</i>)
Notice bibliographique
Résumé
Studies of the quantitative genetics of natural populations have contributed greatly to evolutionary biology in recent years. However, while pedigree data required are often uncertain (i.e. incomplete and partly erroneous) and limited, means to evaluate the effects of such uncertainties have not been developed. We have therefore developed a general framework for power and sensitivity analyses of such studies. We propose that researchers first generate a set of pedigree data that they wish to use in a quantitative genetic study, as well as data regarding errors that occur in that pedigree. This pedigree is then permuted using the data regarding errors to generate hypothetical 'true' and 'assumed' pedigrees that differ so as to mimic pedigree errors that might occur in the study system under consideration. Phenotypic data are then simulated across the true pedigree (according to user-defined genetic and environmental covariance structures), before being analysed with standard quantitative genetic techniques in conjunction with the 'assumed' pedigree data. To illustrate this approach, we conducted power and sensitivity analyses in a well-known study of Soay sheep (Ovis aries). We found that, although the estimation of simple genetic (co)variance structures is fairly robust to pedigree errors, some potentially serious biases were detected under more complex scenarios involving maternal effects. Power analyses also showed that this study system provides high power to detect heritabilities as low as about 0.09. Given this range of results, we suggest that such power and sensitivity analyses could greatly complement empirical studies, and we provide the computer program PEDANTICS to aid in their application.
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 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 | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».