カーネルヒルベルトスペースの繁殖して、定量的特性のゲノム支援予測のための回帰法

カーネルヒルベルトの繁殖は、表現型データとゲノムデータを同時に使用する定量的特性の総遺伝的価値を予測するための回帰手順を理論的な観点から議論しています。全ゲノムモデル、つまり数千の単一ヌクレオチド多型（SNP）マーカーに基づいたモデルで発生する可能性のある複数の複雑な相互作用をキャプチャするためには、ノンパラメトリック治療が必要になる可能性があると主張されています。Kernel Hilbertスペースの回帰の再繁殖のレビューの後、統計仕様は、スムージングパラメーターが分散成分として扱われる標準の混合効果線形モデル表現を認めることが示されています。さまざまな形式の相互作用をキャプチャするためのモデル、例えば染色体特異的なモデルが提示されています。実装は、尤度ベースまたはベイジアン推論のためのソフトウェアを使用して実行できます。

Reproducing kernel Hilbert spaces regression procedures for prediction of total genetic value for quantitative traits, which make use of phenotypic and genomic data simultaneously, are discussed from a theoretical perspective. It is argued that a nonparametric treatment may be needed for capturing the multiple and complex interactions potentially arising in whole-genome models, i.e., those based on thousands of single-nucleotide polymorphism (SNP) markers. After a review of reproducing kernel Hilbert spaces regression, it is shown that the statistical specification admits a standard mixed-effects linear model representation, with smoothing parameters treated as variance components. Models for capturing different forms of interaction, e.g., chromosome-specific, are presented. Implementations can be carried out using software for likelihood-based or Bayesian inference.