Bayesian Partition Models for Identifying Expression Quantitative Trait Loci
识别表达数量性状位点的贝叶斯划分模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论基因表达位点检测，遗传交互与基因相关性不足以支持经济网络或结构估计分类。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
识别表达数量性状位点的贝叶斯划分模型
- 研究问题
- 如何在全基因组数据中识别与基因表达变化相关的遗传位点，尤其检测边际效应较弱但交互效应较强的遗传变异？
- 方法与思路
- 作者采用逆向建模，描述给定基因表达后的遗传标记分布，通过贝叶斯层级划分模型捕捉交互及基因间依赖。
- 材料陈述的贡献
- 摘要称模拟与酵母实例显示该模型相较现有方法提高位点检测功效，并强调其对弱边际效应下交互作用的检测能力。
- 阅读关注点
- 应核对划分模型如何编码交互、相关基因如何共享信息，以及比较方法、错误发现控制和功效评估的具体设置。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未给出功效增幅、误报表现、模拟条件或计算成本，不能认定普遍优越或推断刊本变化。
原文摘要
Expression quantitative trait loci (eQTLs) are genomic locations associated with changes of expression levels of certain genes. By assaying gene expressions and genetic variations simultaneously on a genome-wide scale, scientists wish to discover genomic loci responsible for expression variations of a set of genes. The task can be viewed as a multivariate regression problem with variable selection on both responses (gene expression) and covariates (genetic variations), including also multi-way interactions among covariates. Instead of learning a predictive model of quantitative trait given combinations of genetic markers, we adopt an inverse modeling perspective to model the distribution of genetic markers conditional on gene expression traits. A particular strength of our method is its ability to detect interactive effects of genetic variations with high power even when their marginal effects are weak, addressing a key weakness of many existing eQTL mapping methods. Furthermore, we introduce a hierarchical model to capture the dependence structure among correlated genes. Through simulation studies and a real data example in yeast, we demonstrate how our Bayesian hierarchical partition model achieves a significantly improved power in detecting eQTLs compared to existing methods.