在多块部分最小平方中进行区块选择,以建模Saccharomyces中的基因型-表型关系
Muhammad Tahir1, Bu Yude1, Tahir Mehmood2
1School of Mathematics and Statistics, Shandong University, Weihai, Shandong, China.
PloS one
|January 2, 2025
概括
我们开发了一种新的方法,即在部分最小方程 (BwIP-mbPLS) 投影上加权区块重要性,以识别具有影响力的基因区块,用于基因型-表型映射. 这种方法改善了表型预测,特别是Saccharomyces cerevisiae的效率特征.
科学领域:
- 基因组学就是基因组学.
- 系统生物学 系统生物学
- 生物统计学 生物统计学
背景情况:
- 在基于数据的建模中,解释变量之间的相关性可以形成不同的基因块.
- 识别有影响力的基因块对于理解复杂的生物系统和基因型-表型关系至关重要.
- 有限的样本大小在基因分析的传统统计建模中带来了挑战.
研究的目的:
- 提出和评估一种新的方法,在部分最小方程 (BwIP-mbPLS) 投影上加权块重要性,用于识别有影响力的基因块.
- 将这种方法应用于Saccharomyces cerevisiae中的基因型-表型映射,重点是模拟化铜和 melibiose.
- 将BwIP-mbPLS的性能与预测表型变异的传统方法进行比较.
主要方法:
- 利用部分最小平方 (PLS) 与多个块 (mbPLS) 来处理相关变量并识别基因块.
- 开发了BwIP-mbPLS以精确确定具有影响力的基因块和在投影 (VIP) 上具有变量重要性,用于在块内选择关键基因.
- 采用k-means集群,轮指数和总距离指标,用于将基因分类到18个块.
主要成果:
- 通过k-means集群,将5629个基因分类为18个不同的基因块.
- BwIP-mbPLS平均确定了4个有影响力的基因块,显著改善了基于效率的表型预测.
- 提出的方法在表型预测方面始终优于传统的PLS和mbPLS,大多数确定的块含有不到10个基因.
结论:
- BwIP-mbPLS是一种有效的方法,用于识别基因类型-表型映射中的关键基因块和变量,特别是效率特征.
- 开发的方法为基于数据的建模提供了强大的解决方案,使用高维,相关的数据,即使样本大小有限.
- 这些发现提升了数据驱动方法的潜力,用于剖析复杂的遗传结构并预测模型生物体中的表型.
