| spelling |
Martinho de Almeida e SilvaJose Aurelio Garcia BergmannIdalmo Garcia PereiraFernando Enrique MadalenaAldrin Vieira PiresVivian Paula Silva Felipe2019-08-12T12:08:32Z2019-08-12T12:08:32Z2013-03-18http://hdl.handle.net/1843/BUBD-ACHH6WObjetivou-se neste primeiro capítulo, definir conceitos básicos em genética quantitatica e molecular e revisar metodologias aplicadas para seleção genômica. Primeiramente modelos utilizados para a predição de efeitos de marcadores são descritos dentre eles regressões Bayesianas (BayesA, BayesB, Bayesian LASSO, entre outros), regressões semi-paramétricas (Reproducing Kernel Hilbert Spaces) e métodos não paramétricos (Redes Neurais com Regularização Bayesiana). Quanto aos métodos semi e nãoparamétricos,eles têm sido propostos para seleção genômica com a vantagem de capturar efeitos não-lineares entre marcadores, o que seria impossível ajustando modelos lineares. Outra ferramenta também descrita é a imputação de genótipos, utilizada para preencher dados faltantes, unir bancos de dados prevenientes de diferentes painéis de marcadores ou mesmo aumentar a quantidade de SNPs contidos nos painéis.The objective in this first chapter was to define basic concepts in quantitative and molecular genetics and to review methodologies that have been applied for genome-enabled prediction. First, models for markers effects prediction were described as Bayesian regressions (BayesA, BayesB, Bayesian LASSO, and others), semi-parametric regression (Reproducing Kernel Hilbert Spaces) and non-parametric methods (Bayesian Regularized Neural Networks). Regarding the semi and non-parametric methods, they have been proposed for genome-enabled prediction having the advantage of capturing non-linear effects between markers, which would be impossible fitting linear models. Another tool also described in this review is the genotype imputation that have been applied for fill missing data from the lab,merge data sets from different chips and even increase the number of SNPs contained in the chips.Universidade Federal de Minas GeraisUFMGRato como animal de laboratórioGenótipoGenética animalRegressãoSeleção genômicaEfeito de substituiçãoImputaçãoEfeito da imputação de genótipos sobre a predição de característicasquantitativas de ratos utilizando marcadores genéticosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALtese_vivianfelipe.pdfapplication/pdf3744577https://repositorio.ufmg.br/bitstream/1843/BUBD-ACHH6W/1/tese_vivianfelipe.pdfd4d8b039f60d433382d2b3ddafd501d6MD51TEXTtese_vivianfelipe.pdf.txttese_vivianfelipe.pdf.txtExtracted texttext/plain179544https://repositorio.ufmg.br/bitstream/1843/BUBD-ACHH6W/2/tese_vivianfelipe.pdf.txt6b9470b93abb5e4e6400c509acc54de4MD521843/BUBD-ACHH6W2019-11-14 17:46:13.516oai:repositorio.ufmg.br:1843/BUBD-ACHH6WRepositório InstitucionalPUBhttps://repositorio.ufmg.br/oaiopendoar:2019-11-14T20:46:13Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false
|