π质量

贝叶斯变量选择回归用于全基因组关联研究和其他大规模问题我们考虑将贝叶斯变量选择回归(BVSR)应用于全基因组关联研究和类似的大规模回归问题。目前,典型的全基因组关联研究测量了成百上千个或上百万个个体的遗传变异(snp),并试图确定含有影响某些表型或结果的snp的区域。这个目标很自然地可以归结为一个变量选择回归问题,以snp作为回归中的协变量。全基因组关联研究的特点包括:(i)主要侧重于识别相关变量,而不是预测;(ii)许多相关协变量可能会产生微小影响,因此实际上不可能自信地确定完整的“正确”变量子集。综合起来看,这些因素对模型中包含的单个协变量具有可解释的置信度量值非常重要,我们认为,与惩罚回归方法等替代方法相比,BVSR更具优势。我们主要关注定量表型的分析,在此背景下对BVSR进行适当的先验规范,强调考虑相关协变量解释的结果中方差总比例的先验含义。我们还强调了BVSR估计这个解释的方差比例的潜力,从而阐明了全基因组关联研究中“缺失遗传力”的问题。与传统的单尺度回归分析方法相比,我们可以在更大的尺度上证明SN-BVP方法具有更好的预测能力和预测能力。这里描述的方法是在一个软件包pimass中实现的,这个软件包可以从Guan实验室的网站http://bcm.edu/cnrc/mcmccmc/pimass获得。


zbMATH中的参考文献(引用于,1标准件)

显示第1到16个结果,共16个。
按年份排序(引用)

  1. Posch,Konstantin;Arbeiter,Maximilian;Pilz,Juergen:线性回归模型中变量选择的新贝叶斯方法(2020)
  2. Lorin Crawford;Laxman,Seth R.;Runcie,Daniel E.;West,Mike:非线性黑盒方法中的变量优先级:遗传关联案例研究(2019年)
  3. Metzner,Selma;Wübbeler,Gerd;Elster,Clemens:近似大规模贝叶斯空间建模及其在定量磁共振成像中的应用(2019)
  4. Narisetty,Naveen N.;Shen,Juan;He,Xuming:Skinny Gibbs:一种用于模型选择的一致且可扩展的Gibbs采样器(2019年)
  5. 周全;管永涛:基于迭代复分解算法的贝叶斯变量选择回归快速模型拟合(2019)
  6. 周全;管永涛:关于线性回归中Bayes因子的零分布(2018)
  7. Briollais,Laurent;Dobra,Adrian;Liu,Jinnan;Friedlander,Matt;Ozcelik,Hilmi;Massam,Hélène:全基因组关联研究的贝叶斯图形模型(GWAS)(2016)
  8. Thompson,Katherine L.;Linnen,Catherine R.;Kubatko,Laura:外部协变量存在下的基于树的数量性状映射(2016)
  9. Bonnet,Anna;Gassiat,Elisabeth;Lévy Leduc,Céline:高维稀疏线性混合模型中的遗传力估计(2015)
  10. Dickhaus,Thorsten:遗传关联研究中列联表的同步贝叶斯分析(2015)
  11. 吴哲阳;孙义明;何世权;赵,朱迪;赵宏宇;金佳顺:稀有弱遗传效应的检测边界与高等批评方法(2014)
  12. 斯库塔里,马可;麦凯,伊恩;巴尔丁,大卫:提高基因组选择的效率(2013)
  13. Serge Sverdlov;Thompson,Elizabeth A.:给定完整基因型的亲属之间的相关性:从世系同一到功能同一(2013)
  14. Guan,Yongtao;Stephens,Matthew:全基因组关联研究和其他大规模问题的贝叶斯变量选择回归(2011)
  15. Savitsky,Terrance;Vannucci,Marina;Sha,Naijun:非参数高斯过程先验变量选择:模型和计算策略(2011)
  16. Stingo,Francesco C.;Chen,Yian A.;Tadesse,Mahlet G.;Vannucci,Marina:将生物信息纳入线性模型:路径和基因选择的贝叶斯方法(2011)