Asociación de polimorfismos de nucleótido simple y de haplotipos para el gen de la Leptina con la ganancia de peso en la raza bovina blanco orejinegro usando técnicas bayesianas

Autores/as

  • Ricardo Efraín Camacho Médico Veterinario. FEDEGAN.
  • Andrés Gutiérrez Universidad Santo Tomás.

DOI:

https://doi.org/10.15332/s2027-3355.2012.0001.02

Palabras clave:

análisis bayesiano, haplotipos, MCMC, SNPS

Resumen

Este artículo expone una metodología bayesiana para el análisis de asociación de polimorfismos de nucleótido simple (SNP) y de haplotipos con una característica de interés en un contexto de producción animal. En la primera etapa del análisis, se propone un modelo lineal bayesiano para clasificar los SNPs que tienen efecto sobre el promedio del valor genético de la variable respuesta. En una segunda etapa, después de la identificación de los haplotipos compatibles con los genotipos de influencia en la primera etapa, se discute la aplicación de un modelo lineal general y de un modelo de regresión logística en la identificación de los haplotipos que presentan una mayor asociación con el aumento del valor genético. En ambas etapas, se siguen metodologías bayesianas y cuando es pertinente se incluyen métodos de simulación de Monte Carlo para generar cadenas de Markov cuya distribución estacionaria corresponda a la distribución posterior condicional de los parámetros de interés. La aplicación práctica está supeditada al área de producción animal en una raza bovina criolla colombiana, denominada como raza blanco orejinegro (BON).

Citas

Chen, K., McLellan, M. D., Michael, L. D. & Ding, L. (2007), ‘Polyscan: An automatic indel and snp detection approach to the analysis of human resequencing datag’, Genome Research 17, 659 – 666.

Gamerman, D. & Lopes, H. F. (2006), Markov Chain Monte Carlo: Stochastic Simulation for Bayesian Inference, Chapman and Hall/CRC.

Gelfand, A. E. & Smith, A. F. M. (1990), ‘Sampling-based approaches to calculating marginal densities’, Journal of the American Statistical Society 85, 398 – 409.

Gelman, A., Carlin, J. B., Stern, H. S. & Rubin, D. B. (2003), Bayesian Data Analysis, 2 edn, Chapman and Hall/CRC.

Gelman, A. & Shirley, K. (2010), Handbook of Markov Chain Monte Carlo, CRC, chapter Inference from Simulations and Monitoring Convergence.

Geman, S. & Geman, D. (1984), ‘Stochastic relaxation, gibbs distributions, and the bayesian restoration of images’, IEEE Transactions on Pattern Analysis and Machine Intelligence 6, 721 – 741.

Gilks, W. R. (1992), Derivative-free Rejection Sampling for Gibbs Sampling.

Guerra, C. & Navarro, P. (2005), ‘Brown adipose tissue specific insulin receptor knockout shows diabetic phenotype without insulin resistance’, Journal of Clinical Investigation 108, 1205 – 1213.

Henderson, C. R. (1986), ‘Estimation of variances in animal model and reduced animal model for single traits and single records’, Journal of Dairy Science 69(5), 1394–1402.

Iniesta, R. & Moreno, V. (2008), Monte Carlo and Quasi-Monte Carlo Methods, Springer Berlin Heidelberg, chapter Assessment of Genetic Association using Haplotypes Inferred with Uncertainty via Markov Chain Monte Carlo, pp. 529 – 535.

Iniesta, R. & Moreno, V. (2010), BayHap: Bayesian analysis of haplotype association using Markov Chain Monte Carlo.

Ji, S., Willis, G. M., Scott, R. R. & Spurlock, M. E. (1998), ‘Partial cloning and expression of the bovine leptin gene’, Animal Biotechnology 9, 1–4.

Jurinke, C., Denissenko, M., Oeth, P., Ehrich, M., Dirk, v. B. & Cantor, C. (2006), ‘A single nucleotide polymorphism based approach for the identification and characterization of gene expression modulation using massarray’, Mutation Research 573, 83–95.

Lunn, D. & Thomas, A. (2000), ‘Winbugs a bayesian modelling framework: concepts, structure, and extensibility’, Statistics and Computing 10, 325 – 337.

Martínez, S. & Escobedo, M. (2003), ‘Situación de los recursos zoogen éticos en colombia’, Ministerio de Agricultura y Desarrollo Rural.

Migon, H. S. & Gamerman, D. (1999), Statistical Inference: An Integrated Approach, Arnold.

Nickerson, D. A., Tobe, V. A. & Taylor, S. L. (1997), ‘Polyphred: automating the detection and genotyping of single nucleotide substitutions using fluorescence based resequencing’, Nucleic Acids Research p. 27452751.

Pierce, B. A. (2005), Genetics - A Conceptual Approach, W. H. Freeman.

R Development Core Team (2011), R: A Language and Environment for Statistical Computing, R Foundation for Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0. *http://www.R-project.org

Soria, L. & Corva, P. (2004), ‘Factores genéticos y ambientales que determinan la terneza de la carne bovina’, Archivos Latinoamericanos de Producción Animal 12, 73–88.

Taylor, G. (1997), Laboratory Methods for the Detection of Mutations and Poly- morphisms in DNA, CRC Press.

West, M. (1985), Bayesian Statistics 2, Oxford University Press, chapter Gene- ralized Linear Models: Outlier Acommodation, Scale Parameters and Prior distributions (with discussion), pp. 461 – 484.

Descargas

Archivos adicionales

Publicado

2012-08-21

Cómo citar

Camacho, R. E., & Gutiérrez, A. (2012). Asociación de polimorfismos de nucleótido simple y de haplotipos para el gen de la Leptina con la ganancia de peso en la raza bovina blanco orejinegro usando técnicas bayesianas. Comunicaciones En Estadística, 5(1), 33–53. https://doi.org/10.15332/s2027-3355.2012.0001.02

Número

Sección

Artículos

Artículos más leídos del mismo autor/a

1 2 > >>