Buscar

 

RI UFLA (Universidade Federal de Lavras) >
DEX - Departamento de Ciências Exatas >
DEX - Programa de Pós-graduação >
DEX - Estatística e Experimentação Agropecuária - Doutorado (Teses) >

Por favor, utilize esse identificador para citar este item ou usar como link: http://repositorio.ufla.br/jspui/handle/1/3904

Título: Modelos mistos normais assimétricos em dados de microarrays originados de pedigrees complexos
Título Alternativo: Skew normal mixed models in microarray data generated from complex pedigrees
Autor(es): Oliveira, Daniela Carine Ramires de
Orientador: Bueno Filho, Júlio Sílvio de Sousa
Membro da banca: Sáfadi, Thelma
Soler, Júlia Maria Pavan
Ferreira, Daniel Furtado
Chaves, Lucas Monteiro
Área de concentração: Estatística e Experimentação Agropecuária
Assunto: Simulação monte carlo via cadeias de markov
Modelo aditivo-dominante
Distribuição normal assimétrica multivariada
Inferência bayesiana
MCMC
Additive-dominance model
Multivariate skew normal distribution
Bayesian inference
Data de Defesa: 17-Ago-2009
Data de publicação: 23-Set-2014
Referência: OLIVEIRA, D. C. R. Modelos mistos normais assimétricos em dados de microarrays originados de pedigrees complexos. 2009. 106 p. Tese (Doutorado em Estatística e Experimentação Agropecuária)-Universidade Federal de Lavras, Lavras, 2009.
Resumo: Estimativas de herdabilidade para a expressão gênica são escassas e, em geral, provenientes de estruturas de famílias, em que para a variabilidade das respostas entre e dentro das famílias assume-se covariância uniforme para os indivíduos relacionados, ignorando o parentesco conhecido entre todos os indivíduos da genealogia. Para tais estimativas usa-se modelos lineares (mistos) Gauss-Markov normais, mas em estudos com microarrays é comum encontrar assimetria de resíduos ao analisar o ajuste de dados previamente normalizados. Isto por si só justificaria o uso de modelos assimétricos. Neste estudo, avaliou-se um delineamento proveniente de uma genealogia com famílias e indivíduos identificados, para os quais se mediu a expressão gênica. Através da genealogia é possível estimar componentes da variância aditivos e dominantes e é razoável assumir que cada um dos efeitos correspondentes nos indivíduos (efeitos aditivos e dominantes) possa apresentar distribuição normal assimétrica. Neste sentido, este trabalho trata do desenvolvimento e implementação computacional do modelo aditivo-dominante normal assimétrico para a análise de microarrays, permitindo assimetria nas distribuições de todos os efeitos aleatórios. Através do método de Monte Carlo via cadeias de Markov, geram-se amostras das condicionais completas a posteriori de todos os parâmetros em modelos com ou sem parâmetros de assimetria, para cada efeito aleatório. Para as inferências, foram calculados os fatores de Bayes, para a seleção dos melhores modelos e intervalos de credibilidade de máxima densidade a posteriori, para a estimação dos parâmetros. Foram apresentados os resultados dos ajustes dos modelos para duas das sondas estudadas. Para estas sondas, houve maior evidência em favor de modelos que consideraram a distribuição normal assimétrica para os efeitos aleatórios. Os modelos aditivos-dominantes normais assimétricos considerados neste trabalho tenderam a confundir as estimativas de componentes da variância e de parâmetros de assimetria, possivelmente devido à estrutura familiar considerada. No entanto, esses modelos são os mais prováveis e têm melhores distribuições para os resíduos do que os modelos simétricos correspondentes.
Estimates of heritability for gene expression are scarce and commonly originated from family structures, in which the variability of responses among and within families are provided under a uniform covariance structure for related individuals, ignoring the known relationship among all individuals in the pedigree. Gauss-Markov normal mixed models are the usual choice for such estimates, but in microarrays studies it is common to find asymmetry in residuals of the adjustment of data previously normalized. This, by itself, justifies the use of skew models. In this study it was analyzed a family based pedigree with gene expression measured by microarrays for all individuals. From this pedigree it is possible to estimate additive and dominance variance components and it is reasonable to assume that each of the corresponding individual effects (additive and dominance effects) may have a skew normal distribution. Thus, this work deals with the development and computational implementation of skew normal additive-dominance model for the analysis of microarrays, that allows skewness in all distributions of random effects. Through the MCMC method, it was generated samples from conditional posteriori distributions for all parameters in models with or without skewness parameters for each random effect. It was calculated the Bayes factors for the selection of the best models and HPD intervals for marginal estimates. Results are shown for two of the analyzed probes. For these probes, there was more evidence in favor of models that considered the skew normal distribution for the random effects. The skew normal additive-dominance models considered in this work tended to confound variance components and skewness parameters estimates, possibly due to pedigree limitations. However, these models are the most probable ones and have better residual behavior than their symmetric counterparts.
URI: http://repositorio.ufla.br/jspui/handle/1/3904
Publicador: UNIVERSIDADE FEDERAL DE LAVRAS
Idioma: pt_BR
Aparece nas coleções: DEX - Estatística e Experimentação Agropecuária - Doutorado (Teses)

Arquivos neste Item:

Arquivo Descrição TamanhoFormato
TESE_Modelos mistos normais assimétricos em dados de microarrays originados de pedigrees complexos.pdf1,02 MBAdobe PDFVer/abrir

Itens protegidos por copyright, com todos os direitos reservados, Salvo indicação em contrário.


Mostrar estatísticas

 


DSpace Software Copyright © 2002-2007 MIT and Hewlett-Packard - Feedback