Power of quantitative trait locus mapping for polygenic binary traits using generalized and regression interval mapping in multi-family half-sib designs
Notice bibliographique
Résumé
A generalized interval mapping (GIM) method to map quantitative trait loci (QTL) for binary polygenic traits in a multi-family half-sib design is developed based on threshold theory and implemented using a Newton-Raphson algorithm. Statistical power and bias of QTL mapping for binary traits by GIM is compared with linear regression interval mapping (RIM) using simulation. Data on 20 paternal half-sib families were simulated with two genetic markers that bracketed an additive QTL. Data simulated and analysed were: (1) data on the underlying normally distributed liability (NDL) scale, (2) binary data created by truncating NDL data based on three thresholds yielding data sets with three different incidences, and (3) NDL data with polygenic and QTL effects reduced by a proportion equal to the ratio of the heritabilities on the binary versus NDL scale (reduced-NDL). Binary data were simulated with and without systematic environmental (herd) effects in an unbalanced design. GIM and RIM gave similar power to detect the QTL and similar estimates of QTL location, effects and variances. Presence of fixed effects caused differences in bias between RIM and GIM, where GIM showed smaller bias which was affected less by incidence. The original NDL data had higher power and lower bias in QTL parameter estimates than binary and reduced-NDL data. RIM for reduced-NDL and binary data gave similar power and estimates of QTL parameters, indicating that the impact of the binary nature of data on QTL analysis is equivalent to its impact on heritability.
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 | 0,001 | 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 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 ».