实验设计翻译.docVIP

实验设计 翻译文献名：对多元数量性状位点制图选择信息性状获得最优功效对多元数量性状位点制图选择信息性状获得最优功效Riyan Cheng,*,1 Justin Borevitz,* and R. W. Doerge?,1 摘要：在多性状分析里主要考虑的是性状应该被共同分析。作为一个常见的策略，多性状分析要么在成对性状中比较，要么在所有性状中比较。充分利用多性状分析的功效，我们建议可变的选择，来选择一个对多元QTL制图的信息特征的子集。该方法是十分有用的，可以实现最优统计对QTL识别和披露最相关的特征。这方法也是一个实用性的方法，当在考虑许多性状太大的时候，能够有效的利用多性状分析，平时全性状的多分析带来挑战。我们研究选择性偏差的影响和在变量选择项目里组合测试的应用，发展一个有效的实现过程变量选择的基因组扫描。我们运用模仿的和真实的数据，证明了计划的方法和在回交群体里的选择程序。这可以直接扩展到其他实验图谱群体。Hotelling’s T2的统计方式，这方法也在回交群体中被证实了，还能够被扩展到其他群体。由于最终的QTL作图的目的是检测基因组位置与特别性状或者生物程序的联系，这个被建议的方法就能够提供这样的信息，因此能够帮助解释结果。 材料、方法和结果 真实数据和初步分析 我们考虑了211个重组自交系的表达性状数据，这RILs是来自于Bay-0和Sha两个亲本的杂交后代。芯片技术是用来生成微阵列数据。A. thaliana数据。我们计算Hotelling’s T2T2值是在基因组中最大位点时，一个标记与一个表现性状有显著相关性。这个标记要么与估计临界值相等，要么大于临界值。如果在相同的染色体上两个标记与性状有显著相关性，但在任何标记之间的测验统计值不比较小的测验统计值更小，在这两个标记上通过无效分布的两个标准差，通过排列测验被评估，然后这个有最小的统计值的标记就被忽略。这是为了防止纯粹是由于链接而把临近标记确认为已知的QTL。用这些标准，单一性状的单一标记方式确定了11个标记，这11个标记与16个显性性状在全基因组0.05显著水平上是相关联的。 然后我们考虑联合分析所有16个表达性状，对A. thaliana数据。我们计算Hotelling’s T2(At1g11360-4, At1g31580-11, At2g14560-2, At2g17240-6,At2g26640-8, At2g45140-3, At3g10720-6, At3g56360-7,At5g06660-5, At5g24930-6, At5g44320-4, and At5g53940-10)，这12个标记与在全基因组0.05显著水平下的16个表达性状呈相关。在确定的标记中，At2g17240-6, At3g10720-6, At5g24930-6和At5g44320-4至少At3g10720-6 和At5g24930-6没被检测。成为Wilks’ (y1, y2, . . . , yk)和/，0≤k＜p相符。Rencher表明 (1) 是作为分布，这里的分别是假设和误差的自由度。在回交或重组自交系里有两个可能的基因型，Hotelling’s T2Wilks’， （2） 作为F1,n-k-2分布，是基于y1,y2,…,yk)和n为样本大小的Hotelling的统计量。统计量可以被用于检测一个性状在其他性状的存在的情况下是否是多余的，是否选择多分析的性状。如果有一个预先确定的命令，这命令是性状被测验与一个标记相关，这些特征能被在命令中一个一个的来测验。然而，如果没有这样的Hotelling’s T2值趋向于无穷大，剩余相关在两个特征得到1（或者-1）。一般而言，我们有一下提议。 提议1，如果一个QTL在一个性状上有非0效应，而在另一个性状上去却没有，因此检测QTL的效应就是100%，因此两个性状之间的剩余相关就是1。 当我们接下来会发现，提议1对多性状分析是十分有用的。在许多情况下，我们可能期望一个QTL没有效应，或者一个相对可以忽略的效应在性状2上，而一个中级效应在另一个形状上（性状2）。我们也许没有充足的证据用单一性状分析来检测这个QTL。然而者两个性状联合分析将会有增加的效应来检测它如果这两个性状是十分相关的。这个结论没有被限制于这两个性状的事件中。 选择性偏差对类型I误差的影响和统计效应 选择性偏差能使显著临界值无效。有效临界值是基于（1）或（2）式的期望F值分布，结果导致类型I的误差比例变大，甚至在简单的情况下测验单一标记的QTL。运用排列测验也许可能会凭经验来估计测验统计的无效分布。有两种代表性的方式来执行排列测验：（1）排列表现性数据和保持基因型数据；（2）保持表现性数据，排列基因型