randPedPCA: aproximación rápida de los componentes principales de los pedigríes grandes

Área de la Ciencia:

• La genética
• La bioinformática
• Biología computacional

Sus antecedentes:

• Los programas de cría modernos incluyen millones de registros de pedigrí, lo que plantea desafíos de visualización.
• Los datos de origen pueden representarse como matrices de relación, lo que permite la visualización a través del análisis de componentes principales (PCA).
• Los métodos de PCA ingenuos enfrentan limitaciones computacionales y de memoria con grandes pedigríes.

Objetivo del estudio:

• Desarrollar un método eficiente para visualizar la estructura de los grandes pedigríes.
• Para superar las limitaciones computacionales de la PCA tradicional para conjuntos de datos de pedigrí extensos.

Principales métodos:

• Desarrolló el paquete R de acceso abierto randPedPCA para PCA de pedigrí rápido.
• Utilizó matrices dispersas y multiplicaciones de vectores de matriz implícitas con el factor de relación inversa.
• Implementó la descomposición aleatoria de valores singulares y la descomposición de Eigen a través de la biblioteca RSpectra.

Principales resultados:

• El paquete randPedPCA alcanza velocidades superiores a 10.000 veces en comparación con el PCA ingenuo en datos simulados.
• Los métodos de PCA aleatorizados permiten análisis anteriormente imposibles debido a restricciones computacionales.
• Análisis demostrado de un pedigrí de Labrador Retriever del Kennel Club del Reino Unido con casi 1,5 millones de individuos, que muestra una reducción significativa del tiempo.

Conclusiones:

• Los principales componentes de las matrices de pedigrí se pueden calcular de manera eficiente utilizando métodos aleatorios.
• Los gráficos de dispersión de las puntuaciones de PCA proporcionan visualizaciones intuitivas para los pedigríes grandes.
• Este enfoque es sustancialmente más rápido que la representación tradicional de gráficos de pedigrí para grandes conjuntos de datos.