Detailansicht
QTL mapping using mBIC and genetic algorithms
Helga Björk Arnardóttir
Art der Arbeit
Magisterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Wirtschaftswissenschaften
Betreuer*in
Florian Frommlet
DOI
10.25365/thesis.27992
URN
urn:nbn:at:at-ubw:1-29151.37448.535154-4
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
In dieser Arbeit wird das Problem der Identifikation von "Quantitative Trait Loci" (QTLs) untersucht. In experimentellen Populationen können QTLs mithilfe multipler Regressionsanalyse lokalisiert werden. In diesem Zusammenhang hat sich in der Vergangenheit die Anwendung einer modifizierten Version des Bayesschen Informationskriteriums (mBIC) als Auswahlkriterium gut etabliert. Bisher wurden schrittweise Auswahlverfahren eingesetzt, um das Modell mit dem minimalen Wert des Auswahlkriteriums und infolge die mutmaßlichen QTLs zu finden. Obwohl schrittweise Auswahlverfahren in relativ geringer Zeit Lösungen produzieren, sind sie jedoch häufig nicht in der Lage, die global minimale Lösung zu finden. In dieser Arbeit wird ein Genetischer Algorithmus (GA) als mBIC minimierendes Verfahren vorgeschlagen. Desweiteren wird der Bayessche Ursprung des Auswahlkriteriums dazu genutzt, für alle vom GA untersuchten Modelle Marker-A-posteriori-Wahrscheinlichkeiten zu berechnen. Der GA hängt von verschiedenen Parametern ab. In umfangreichen Simulationsstudien auf Basis zweier verschiedener QTL-Szenarien wurden unterschiedliche Einstellungen dieser Parameter untersucht. In beiden Szenarien verbessert sich die Leistungsfähigkeit des GA mit steigender Populationsgröße sowie sinkender Turniergruppengröße. In einer finalen Simulationsstudie wird der Einfluss der Populationsgröße genauer untersucht um herauszufinden, wie klein dieser Paramater gesetzt werden kann, ohne dass die Fähigkeit des GA beeinträchtigt wird, die korrekten QTLs zu detektieren. Für die meisten anderen Parameter wird die Wahl jener Einstellungen vorgeschlagen, die die Laufzeit des GA minimieren.
Abstract
(Englisch)
In this thesis, the problem of identifying quantitative trait loci (QTLs) is considered. Multiple regression analysis can be applied to locate QTLs in experimental populations. In that context, the use of a modified version of the Bayesian Information Criterion (mBIC) as a selection criterion has been well established in the past. Previously, stepwise selection procedures were used to find the model with the minimal selection criterion and consequently to find putative QTLs. However, while finding a solution relatively quickly, stepwise selection often fails to locate the globally minimal solution. In this thesis, a Genetic Algorithm (GA) is proposed to minimize mBIC. Furthermore, the Bayesian origin of the selection criterion is used to compute marker posterior probabilities using all models visited by the GA. The GA depends on several parameters and, in an extensive simulation study based on two different QTL scenarios, different GA parameter settings are examined. In both scenarios, the performance of the GA improves with larger population size and smaller tournament group size settings. In the final simulation study population size is examined in more detail in order to determine how small population size can be chosen without loosing power to detect correct QTLs. For most other parameters, we suggest using those settings that minimize runtime of the GA.
Schlagwörter
Schlagwörter
(Englisch)
Quantitative Trait Loci QTL Multiple Regression Modified Version of the Bayesian Information Criterion Genetic Algorithm
Schlagwörter
(Deutsch)
Quantitative Trait Loci QTL Multiple Regression Modifizierte Version des Bayesschen Informationskriteriums mBIC Genetischer Algorithmus
Autor*innen
Helga Björk Arnardóttir
Haupttitel (Englisch)
QTL mapping using mBIC and genetic algorithms
Paralleltitel (Deutsch)
QTL Mapping unter Anwendung Genetischer Algorithmen und mBIC
Publikationsjahr
2013
Umfangsangabe
V, 93 S. : graph. Darst.
Sprache
Englisch
Beurteiler*in
Florian Frommlet
AC Nummer
AC10813151
Utheses ID
25010
Studienkennzahl
UA | 066 | 951 | |