• 主题
高级搜索  >
历史搜索 清空历史
首页> 美国卫生研究院文献>BMC Proceedings >Gaussian graphical models for phenotypes using pedigree data and exploratory analysis using networks with genetic and nongenetic factors based on Genetic Analysis Workshop 18 data
【2h】

Gaussian graphical models for phenotypes using pedigree data and exploratory analysis using networks with genetic and nongenetic factors based on Genetic Analysis Workshop 18 data

机译：使用谱系数据对表型进行高斯图形化模型并使用基于遗传和非遗传因素的网络进行探索性分析（基于遗传分析研讨会18数据）

代理获取
本网站仅为用户提供外文OA文献查询和代理获取服务，本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文，但由于OA文献来源多样且变更频繁，仍可能出现获取不到、文献不完整或与标题不符等情况，如果获取不到我们将提供退款服务。请知悉。
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Graphical models are increasingly used in genetic analyses to take into account the complex relationships between genetic and nongenetic factors influencing the phenotypes. We propose a model for determining the network structure of quantitative traits while accounting for the correlated nature of the family-based samples using the kinship coefficient. The Gaussian graphical model of age, systolic blood pressure, diastolic blood pressure, hypertension, blood pressure medication use, and smoking status was derived for three time points using real data. We also explored binary sparse graphical models of single-nucleotide polymorphisms (SNPs), covariates, and quantitative traits for exploratory analysis of the data. We validated the applicability of this method by producing a network graph using 20 causal variants, 21 noncausal variants, and 6 binary and quantitative phenotypes using the simulated data. To improve the model's ability to identify associations between the causal variants and the phenotypes, we intend to conduct follow-up studies investigating how to use the relationships between SNPs and between SNPs and phenotypes when analyzing genome wide association data with multiple phenotypes.
机译：在遗传分析中越来越多地使用图形模型来考虑影响表型的遗传和非遗传因素之间的复杂关系。我们提出一种模型，用于确定数量性状的网络结构，同时使用亲属系数考虑基于家庭的样本的相关性质。使用真实数据在三个时间点上得出了年龄，收缩压，舒张压，高血压，血压药物使用和吸烟状况的高斯图形模型。我们还探索了单核苷酸多态性（SNP），协变量和定量性状的二进制稀疏图形模型，用于数据的探索性分析。我们使用模拟数据通过使用20个因果变体，21个非因果变体以及6个二元和定量表型生成网络图，验证了该方法的适用性。为了提高模型识别因果变异与表型之间关联的能力，我们打算进行后续研究，研究在分析具有多种表型的全基因组关联数据时如何利用SNP之间以及SNP与表型之间的关系。

著录项

  • 期刊名称 BMC Proceedings
  • 作者

    Rajesh Talluri; Sanjay Shete;

  • 作者单位
  • 年(卷),期 2014(8),Suppl 1
  • 年度 2014
  • 页码 S99
  • 总页数 5
  • 原文格式 PDF
  • 正文语种
  • 中图分类
  • 关键词

相似文献

  • 外文文献
  • 中文文献
  • 专利
代理获取

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号