Abstract - In animal breeding, Mark

Abstract - In animal breeding, Markov chain Monte Carlo algorithms are increasingly
used to draw statistical inferences about marginal posterior distributions of parameters
in genetic models. The Gibbs sampling algorithm is most commonly used and requires
full conditional densities to be of a standard form. In this study, we describe a Bayesian
method for the statistical mapping of quantitative trait loci ((aTL), where the application
of a reduced animal model leads to non-standard densities for dispersion parameters.
The Metropolis Hastings algorithm is used to obtain samples from these non-standard
densities. The flexibility of the Metropolis Hastings algorithm also allows us change the
parameterization of the genetic model. Alternatively to the usual variance components,
we use one variance component (= residual) and two ratios of variance components, i.e.
heritability and proportion of genetic variance due to the (aTL, to parameterize the genetic
model. Prior knowledge on ratios can more easily be implemented, partly by absence of
scale effects. Three sets of simulated data are used to study performance of the reduced
animal model, parameterization of the genetic model, and testing the presence of the QTL
at a fixed position. © Inra/Elsevier, Paris
reduced animal model / dispersion parameters / Markov chain Monte Carlo /
quantitative trait loci

ผลลัพธ์ (ไทย) 1:

นามธรรม - ในการเพาะพันธุ์สัตว์ห่วงโซ่มาร์คอฟอัลกอริทึม Monte Carlo มีมากขึ้น
ใช้ในการวาดข้อสรุปสถิติเกี่ยวกับการกระจายหลังที่ร่อแร่ของพารามิเตอร์
ในรูปแบบทางพันธุกรรม ขั้นตอนวิธีการสุ่มตัวอย่างกิ๊บส์ถูกนำมาใช้กันมากที่สุดและต้องใช้ความหนาแน่น
เงื่อนไขเต็มรูปแบบจะเป็นรูปแบบมาตรฐาน ในการศึกษานี้เราจะอธิบายเบส์
วิธีการสำหรับการทำแผนที่ทางสถิติของตำแหน่งลักษณะเชิงปริมาณ ((ATL) ที่
การประยุกต์ใช้แบบจำลองสัตว์ที่ลดลงนำไปสู่​​ความหนาแน่นที่ไม่ได้มาตรฐานสำหรับพารามิเตอร์การกระจาย.
มหานครเฮสติ้งส์อัลกอริทึมที่ใช้ในการได้รับตัวอย่างจากเหล่านี้ที่ไม่ได้มาตรฐานความหนาแน่น
. ความยืดหยุ่นของมหานครอัลกอริทึมเฮสติ้งส์ยังช่วยให้เราสามารถเปลี่ยน parameterization
ของแบบจำลองทางพันธุกรรมอีกทางเลือกหนึ่งที่แปรปรวนปกติ
เราใช้ส่วนประกอบความแปรปรวนหนึ่ง (= ที่เหลือ) และสองอัตราส่วนขององค์ประกอบความแปรปรวนเช่น
พันธุกรรมและสัดส่วนของความแปรปรวนทางพันธุกรรมเนื่องจาก (ATL เพื่อ parameterize รูปแบบทางพันธุกรรม
. ความรู้ก่อนที่อัตราส่วนสามารถ ได้ง่ายขึ้นจะดำเนินการส่วนหนึ่งของการขาด
ผลขนาดสามชุดข้อมูลจำลองที่ใช้ในการศึกษาประสิทธิภาพของแบบจำลองสัตว์
ลด parameterization ของรูปแบบทางพันธุกรรมและการทดสอบการแสดงตนของ
QTL ที่ตำแหน่งคงที่ &สำเนา; inra / เอลส์, ปารีสรูปแบบสัตว์ที่ลดลง
/ กระจายพารามิเตอร์ / ห่วงโซ่มาร์คอฟ Monte Carlo /
สถานะลักษณะเชิงปริมาณ

ผลลัพธ์ (ไทย) 2:

บทคัดย่อ - ในการผสมพันธุ์สัตว์ Markov โซ่มงต์การ์โลอัลกอริทึมจะขึ้น
ใช้วาด inferences สถิติเกี่ยวกับการกระจายหลังกำไรของพารามิเตอร์
ในรูปแบบทางพันธุกรรม อัลกอริทึมการสุ่ม Gibbs ใช้บ่อยที่สุด และต้อง
เต็มแน่นแบบมีเงื่อนไขให้เป็นแบบมาตรฐาน ในการศึกษานี้ เราได้อธิบายทฤษฎีการ
วิธีสำหรับการแม็ป loci ติดเชิงปริมาณสถิติ ((aTL), ที่ใช้
แบบจำลองสัตว์ลดลงนำไปสู่ความหนาแน่นมาตรฐานสำหรับพารามิเตอร์เธน.
ใช้อัลกอริทึมนครเฮสติ้งส์รับตัวอย่างจากเหล่านี้ไม่ใช่มาตรฐาน
แน่น ความยืดหยุ่นของอัลกอริทึมแฮสติงส์นครยังช่วยให้เราเปลี่ยน
parameterization ของรูปแบบทางพันธุกรรม หรือคอมโพเนนต์ผลต่างปกติ,
เราใช้คอมโพเนนต์หนึ่งผลต่าง (ส่วนที่เหลือจาก =) และอัตราส่วนที่สองของผลต่างของส่วนประกอบ i.e.
heritability และสัดส่วนของความแปรปรวนทางพันธุกรรมเนื่องใน (aTL, parameterize แบบพันธุกรรม
รุ่น ความรู้เดิมในอัตราส่วนสามารถง่ายขึ้นดำเนิน บางส่วนจากการขาดงานของ
ขนาดผล จำลองข้อมูลสามชุดที่ใช้ในการศึกษาประสิทธิภาพของการลด
รูปสัตว์ parameterization แบบทางพันธุกรรม และทดสอบของ QTL
ที่ตำแหน่งถาวร © Inra/Elsevier ปารีส
รูปสัตว์ลด / กระจายตัวพารามิเตอร์ / Markov โซ่มอนเตคาร์โล /
loci ติดเชิงปริมาณ

ผลลัพธ์ (ไทย) 3:

เป็นนามธรรม - ในการผสมพันธุ์สัตว์ markov Monte Carlo อัลกอริธึมห่วงโซ่มีใช้ในการวาดจริงทางสถิติเกี่ยวกับการเผยแพร่ก้นเศษของพารามิเตอร์
ในรุ่นมากขึ้นทางพันธุกรรม
อัลกอริธึมการสุ่มตัวอย่าง Gibbs จะใช้งานทั่วไปและต้องใช้
ซึ่งจะช่วยแบบเต็มหนาแน่นโดยมีเงื่อนไขจะมีรูปแบบมาตรฐาน ในการศึกษานี้เราจะอธิบายถึง Bayesian ที่
ตามมาตรฐานวิธีการในการทำแผนที่ข้อมูลทางสถิติของปริมาณลักษณะ สภาพ (( ATL )เป็นที่ซึ่งแอปพลิเคชัน
อัลกอริธึม Hastings ของนำไปสู่รุ่นของสัตว์ลดลงเพื่อพารามิเตอร์กระจายไม่มีมาตรฐานหนาแน่นสำหรับ.
มหานครที่จะใช้ในการขอรับตัวอย่างจากหนาแน่นไม่ใช่มาตรฐาน
เหล่านี้. ความยืดหยุ่นของมหานคร Hastings อัลกอริธึมที่ยังช่วยให้เราเปลี่ยน
parameterization ของรุ่นพันธุกรรมมีทางเลือกสำหรับส่วนประกอบไม่เหมือนกันตามปกติที่
เราใช้คอมโพเนนต์ไม่เหมือนกัน(=ส่วนที่เหลือ)และอัตราส่วนของส่วนประกอบไม่เหมือนกันเช่น
heritability และสัดส่วนของความแตกต่างทางพันธุกรรมเนื่องจาก( ATL เพื่อ parameterize ทางพันธุกรรม
รุ่น ก่อนความรู้ในอัตราส่วนจะสามารถนำมาปรับใช้บางส่วนโดยไม่มีผลกระทบ
ซึ่งจะช่วยขจัดตะกรันอีกต่อไปได้อย่างง่ายดายสามชุดของข้อมูลการทดสอบ Simulated Acoustical Feedback Exposure มีการใช้ในการศึกษา ประสิทธิภาพ ของ parameterization รุ่น
ซึ่งจะช่วยลดลงสัตว์ของรุ่นทางพันธุกรรมและการทดสอบการมีอยู่ของ qtl
ที่ตำแหน่งที่กำหนด © inra / elsevier Paris
ซึ่งจะช่วยลดรุ่นของสัตว์พารามิเตอร์กระจายห่วงโซ่ markov Monte Carlo สภาพ ลักษณะเชิงปริมาณ/