WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

Modélisation spatiale hiérarchique bayésienne de l'apparentement génétique et de l'héritabilité en milieu naturel à  l'aide de marqueurs moléculaires

( Télécharger le fichier original )
par Ciré Elimane SALL
Université Montpellier II - Doctorat 2009
  

précédent sommaire suivant

Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy

1.5 Conclusion

Dans ce chapitre nous avons présenté le modèle de Milligan qui utilise les méthodes du maximum de vraisemblance. Nous avons montré comment prendre en compte simultanément n génotypes. Nous avons mis en évidence que l'approche de milligan pour n individus pouvait se traiter en utilisant la théorie de la vraisemblance composite. Nous avons alors généralisé le modèle de Milligan en définissant la vraisemblance composite par paires pour l'apparentement et donné les propriétés statistiques de l'estimateur de l'apparentement génétique par maximum de vraisemblance composite par paires. Nous avons ensuite supposé que les individus sont non-consanguins et que le mode d'IBD suit une loi multinomiale ordinale. Ces hypothèses nous ont permis de modéliser l'identité par descendance avec un GLM probit en terme de variable latente gaussienne. Nous avons supposé que deux individus ont plus de chance d'avoir des allèles identiques par descendance s'ils sont spatialement proches et défini ensuite un premier modèle spatial hiérarchique bayésien pour l'apparentement. Le problème posé par ce modèle est que comme les couples d'individus ne se distinguent que par la distance spatiale entre les individus, la distance spatiale risque d'être conservée même si elle n'est pas significative. Nous avons défini un second modèle spatial hiérarchique bayésien pour l'apparentement qui prend en compte l'effet des couples d'individus. Contrairement au premier modèle, la moyenne de la variable latente dans ce second modèle ne dépend pas de la distance spatiale mais c'est la moyenne de l'effet du couple qui est fonction de la distance spatiale. Le modèle que nous avons développé permet de prendre en compte de manière générale des covariables pour estimer l'apparentement génétique entre plusieurs couples d'individus. D'autres covariables pourraient aussi être prises en compte. Nous citons, par exemple, la zone d'étude et le producteur. En effet, on pourrait aussi considérer qu'au sein d'un même site de production ou chez un producteur donné, les génotypes des individus concernés sont plus ou moins génétiquement similaires comparativement à des individus ne provenant pas du même site ou du même producteur. Ce modèle offre aussi la possibilité d'estimer les fréquences alléliques et de prendre en compte la dépendance entre les couples d'individus. Nous proposons au chapitre suivant un modèle bayésien pour estimer à la fois l'apparentement génétique et l'héritabilité des caractères lorsque le pedigree n'est pas connu.

précédent sommaire suivant






Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy








"Qui vit sans folie n'est pas si sage qu'il croit."   La Rochefoucault