Package: gemma (0.98.5+dfsg-2 and others)

Genome-wide Efficient Mixed Model Association

GEMMA er programimplementeringen af Genome-wide Efficient Mixed Model Association-algoritmen for en lineær blandet model og nogle af dens tætte forbindelser for genome-wide association-studier (GWAS):

 * Det passer til en univariate lineær blandet model (LMM) til
   markørforeningstest med en enkelt fænotype for at tage hensyn til
   befolkningsstratifikation og prøvestruktur, og til estimering af
   proportionaliteten af variansen i fænotyper forklaret (PVE) ved
   typegenotyper (dvs. »chipheritability«).
 * Den passer til en multivariate linear mixed model (mvLMM) til at teste
   markørassociationer med flere fænotyper samtidigt under kontrol af
   befolkningsstratifikation og til at estimere genetisk korrelationer
   blandt komplekse fænotyper.
 * Den passer til en Bayesiansk sparse linear mixed model (BSLMM) ved at
   bruge Markov-kæde Monte Carlo (MCMC) til estimering af PVE ved
   indtastede genotyper, forudsige fænotyper og identificere tilhørende
   markører ved i fællesskab at modellere alle markører under kontrol af
   befolkningsstruktur.
 * Det estimerer varians komponent/chip-arvelighed og partitioner
   det ved forskellige SNP-funktionelle kategorier. Det bruger især HE-
   regression eller REML AI-algoritme til at estimere varianskomponenter,
   når individuelle data er tilgængelige. Det bruger MQS til at estimere
   varianskomponenter, når kun summariske statistikker er tilgængelige.

GEMMA er beregningsmæssig effektiv for GWAS i stor skala og bruger frit tilgængelige numeriske biblioteker udviklet i åben kildekode.

This page is also available in the following languages (How to set the default document language):