全基因組關聯(lián)研究(GWASs)已被成功鑒定了與人類、動物和植物復雜性狀相關聯(lián)的數(shù)以千計的遺傳變異。少數(shù)的GWAS結(jié)果則能夠完全確定影響復雜性狀的所有遺傳因素,而這些遺傳因素是由多種遺傳和環(huán)境因素相結(jié)合引起的。但使用當前的分析技術大都存在遺傳力丟失(missing heritability)即解釋能力低下的窘境。通常,GWAS方法依賴混合模型進行群體結(jié)構(gòu)校正,以避免性狀與遺傳標記之間的虛假關聯(lián)。而多數(shù)單位點分析難于應對復雜性狀多基因共同協(xié)同作用(包括上位性)的本質(zhì)。因此,進一步研究基因相互作用可能有助于檢測到不能從單變量方法檢測到的遺傳變異。提出和開發(fā)能夠同時檢測加性效應及上位性效應模型的新方法很有必要。然而除了發(fā)現(xiàn)與性狀相關的遺傳變異位點外,人們越來越感興趣的是從植物育種、動物育種和人群的個體基因型數(shù)據(jù)中預測復雜性狀的表型。這些預測是基于SNPs的選擇,并估計他們在樣本中的效應大小,然后在具有已知表型的獨立樣本中進行驗證并且最終應用于未知表型的樣本。本研究提出了一種新的統(tǒng)計分析方法一重復篩選法(Iterative screen regression,ISR)。它首先建立新的模型選擇標準R...

【文章頁數(shù)】：158 頁

【學位級別】：碩士

【部分圖文】：

圖１１方程飽和度信息函數(shù)／（Ｍ）函數(shù)圖??Ｆｉｇｕｒｅ?２．１?Ｅｑｕａｔｉｏｎ?ｏｆ?ｓａｔｕｒａｔｅｄ?ｉｎｆｏｒｍａｔｉｏｎ?ｆｕｎｃｔｉｏｎｓ?／?｛＾ｓｄ?）??

圖１１方程飽和度信息函數(shù)／（Ｍ）函數(shù)圖??Ｆｉｇｕｒｅ?２．１?Ｅｑｕａｔｉｏｎ?ｏｆ?ｓａｔｕｒａｔｅｄ?ｉｎｆｏｒｍａｔｉｏｎ?ｆｕｎｃｔｉｏｎｓ?／?｛＾ｓｄ?）??著水平的動態(tài)變化??步回歸的一個主要問題是它搜索無限空間所有可能模型。然而，巨大的搜索空間會的過度擬合和估計....

圖２．３附加項函數(shù)凡＝／ｒ２（Ｒ２）函數(shù)圖??Ｆｉｇｕｒｅ?２．３?Ａｐｐｅｎｄ?ｅｆｆｅｃｔｓ?ｆｕｎｃｔｉｏｎ?ｐｄ＝ｆｒ２｛Ｋ２）??

個協(xié)變量＾＾ｅ｛〇，ｌ，２，?ｏｒ，０，０．５，ｌ｝，／?＝?ｌ，２，．．．，ｐ，ｙ＿?＝?ｌ，２，．．．，ｎ?（這里的；？表示個體數(shù)，ｐ表示協(xié)變??量的個數(shù)）。若自變數(shù)的總數(shù)少于觀察值的組數(shù)（即ｍ＜？）時，將所有自變數(shù)進行經(jīng)典的多??元線性回歸分析（圖２．８），此時的；？＝／？....

圖２．４重新篩選兩步策略圖??Ｆｉｇｕｒｅ?２．４?ｔｈｅ?ｄｉａｇｒａｍ?ｏｆ?ｒｅ－ｓｃｒｅｅｎ?ｔｗｏ?ｓｔｅｐｓ??

１?３?４?５?６?７?８?？？?１０?１１?１２?１３?１４?１５?Ｈ?１７?１８??圖２．５三種未入選的自變量類型圖??Ｆｉｇｕｒｅ?２．５?ｔｈｅ?ｄｉａｇｒａｍ?ｏｆ?ｔｈｒｅｅ?ｔｙｐｅ?ｏｆ?ｎｏｎｅ?ｓｃｒｅｅｎ?ｃｏｖａｒｉａｔｅｓ??２．３真實數(shù)據(jù)的模擬研究??....

圖２．５三種未入選的自變量類型圖??Ｆｉｇｕｒｅ?２．５?ｔｈｅ?ｄｉａｇｒａｍ?ｏｆ?ｔｈｒｅｅ?ｔｙｐｅ?ｏｆ?ｎｏｎｅ?ｓｃｒｅｅｎ?ｃｏｖａｒｉａｔｅｓ??２．３真實數(shù)據(jù)的模擬研究??

本文編號：4028904