Genomic-Enabled Prediction Based on Molecular Markers and Pedigree Using the Bayesian Linear Regression Package in R.
Genomic-Enabled Prediction Based on Molecular Markers and Pedigree Using the Bayesian Linear Regression Package in R.
复制标题
DOI：
10.3835/plantgenome2010.04.0005
复制
发表时间：
2010
期刊：
影响因子：
--
通讯作者：
Gianola D
中科院分区：
文献类型：
--
作者：
Pérez P;de Los Campos G;Crossa J;Gianola D
密集分子标记的出现使得基因组选择在植物和动物育种中的应用成为可能。然而，基因组选择模型提出了一些计算和统计挑战，并且需要专门的计算机程序，这些程序并不总是可供最终用户使用，并且尚未在标准统计软件中实现。 R 包 BLR（贝叶斯线性回归）在统一框架中实现了多种统计程序（例如贝叶斯岭回归、贝叶斯 LASSO），允许联合包含标记基因型和谱系数据。本文描述了 BLR 包中实现的模型类，并通过示例说明了它们的使用。还解决了应用基因组选择时面临的一些挑战，例如模型选择、通过交叉验证评估预测能力以及超参数的选择。
The availability of dense molecular markers has made possible the use of genomic selection in plant and animal breeding. However, models for genomic selection pose several computational and statistical challenges and require specialized computer programs, not always available to the end user and not implemented in standard statistical software yet. The R-package BLR (Bayesian Linear Regression) implements several statistical procedures (e.g., Bayesian Ridge Regression, Bayesian LASSO) in a unifi ed framework that allows including marker genotypes and pedigree data jointly. This article describes the classes of models implemented in the BLR package and illustrates their use through examples. Some challenges faced when applying genomic-enabled selection, such as model choice, evaluation of predictive ability through cross-validation, and choice of hyper-parameters, are also addressed.
登录
查看更多内容
影响因子：
3.3
作者：
Habier, D.;Fernando, R. L.;Dekkers, J. C. M.
通讯作者：
Dekkers, J. C. M.
影响因子：
3.3
作者：
Gianola, Daniel;de los Campos, Gustavo;Fernando, Rohan
通讯作者：
Fernando, Rohan
影响因子：
3.3
作者：
de los Campos, Gustavo;Naya, Hugo;Cotes, Jose Miguel
通讯作者：
Cotes, Jose Miguel
影响因子：
7.4
作者：
McLaren, CG;Bruskiewich, RM;Cosico, AB
通讯作者：
Cosico, AB
影响因子：
2.3
作者：
Bernardo, Rex;Yu, Jianming
通讯作者：
Yu, Jianming