A informação sobre a dinâmica espaço-temporal de doenças de plantas é de importância fundamental em estudos epidemiológicos, podendo ser utilizada para descrever e entender o desenvolvimento das doenças, desenvolver planos de amostragem, planejar experimentos controlados e caracterizar perdas na produção ocasionadas pela doença. O estudo de padrões espaciais de doenças de plantas, que são reflexos do processo de dispersão dos patógenos, é importante em estudos epidemiológicos, como o de doenças dos citros, para se definirem estratégias mais adequadas para o controle das doenças, diminuindo os prejuízos causados. A Citricultura é uma das principais atividades agrícolas do Brasil e representa a principal atividade econômica de mais de 400 municípios do Triângulo Mineiro e do Estado de São Paulo, onde se encontra a maior área de citros do país e a maior região produtora de laranjas do mundo. Na avaliação do padrão espacial, diferentes métodos têm sido utilizados, dentre os quais incluem-se o ajuste de distribuições, como, por exemplo, a distribuição beta-binomial, o estudo da relação variância-média, o cálculo de correlação ao intraclasse, a utilização de técnicas de autocorrelação espacial, métodos de classes de distâncias e o ajuste de modelos estocásticos espaço-temporais. Diante da importância de se estudarem padrões espaciais da incidência de doenças em plantas e da necessidade de se conhecer melhor a epidemiologia da morte súbita dos citros e do cancro cítrico, uma técnica baseada em verossimilhança para o ajuste de modelos estocásticos espaço-temporais foi utilizada na caracterização de padrões espaciais. Modificações na metodologia original, buscando uma diminuição do tempo gasto nas análises, foram propostas nesse estudo. Os resultados mostram que as modificações propostas resultaram em uma diminuição significativa no tempo de análise, sem perda de acurácia na estimação dos parâmetros dos modelos considerados. / The information about the spatial-temporal dynamics is of fundamental importance in epidemiological studies for describing and understanding the development of diseases, for developing efficient sampling plans, for planning controlled experiments, for evaluating the effect of different treatments, and for determining crop losses. The Citriculture is the major economic activity of more than 400 municipalities in Minas Gerais and São Paulo States. This is the largest citrus area in Brazil, and the largest sweet orange production area in the world. Therefore, it is very important to study and to characterize spatial patterns of plant diseases, such as citrus canker and citrus sudden death. In the spatial dynamics study, many different methods have been used to characterize the spatial aggregation. These include the fitting of distributions, such as the beta-binomial distribution, the study of variance-mean relationships, the calculation of intraclass correlation, the use of spatial autocorrelation techniques, distance class methods and, the fitting of continuous time spatiotemporal stochastic models. In this work, an improved technique for fitting models to the spatial incidence data by using MCMC methods is proposed. This improved technique, which is used to investigate the spatial patterns of plant disease incidence, is considerably faster than Gibson’s methodology, in terms of computational time, without any loss of accuracy.

Made available in DSpace on 2016-06-02T20:04:51Z (GMT). No. of bitstreams: 1 3028.pdf: 7339557 bytes, checksum: 16711c2271b754604bfa0b0fba30290b (MD5) Previous issue date: 2010-03-04 / In this work, we introduce a Bayesian Analysis for survival multivariate data in the presence of a covariate vector and censored observations. Different frailties or latent variables are considered to capture the correlation among the survival times for the same individual. We also introduce a Bayesian analysis for some of the most popular bivariate exponential distributions introduced in the literature. A Bayesian analysis is also introduced for the Block & Basu bivariate exponential distribution using Markov Chain Monte Carlo (MCMC) methods and considering lifetimes in presence of covariates and censored data. In another topic, we introduce a Bayesian Analysis for bivariate lifetime data in the presence of covariates and censoring data assuming different bivariate Weibull distributions derived from some existing copula functions. A great computational simplification to simulate samples for the joint posterior distribution is obtained using the WinBUGS software. Numerical illustrations are introduced considering real data sets considering every proposed methodology. / Nesta tese introduzimos uma an´alise Bayesiana para dados de sobreviv encia multivariados, na presen¸ca de um vetor de covari´aveis e observa¸c oes censuradas. Diferentes fragilidades ou vari´aveis latentes s ao consideradas para capturar a correla¸c ao existente entre os tempos de sobreviv encia, para o mesmo indiv´ıduo. Tamb´em apresentamos uma an´alise Bayesiana para algumas das mais populares distribui¸c oes exponenciais bivariadas introduzidas na literatura. Uma an´alise Bayesiana tamb´em ´e introduzida para a distribui¸c ao exponencial bivariada de Block & Basu, usando m´etodos MCMC (Monte Carlo em Cadeias de Markov) e considerando os tempos de sobreviv encia na presen¸ca de covari´aveis e dados censurados. Em outro t´opico, introduzimos uma an´alise Bayesiana para dados de sobreviv encia bivariados na presen¸ca de covari´aveis e observa¸c oes censuradas, assumindo diferentes distribui¸c oes bivariadas Weibull derivadas de algumas fun¸c oes c´opulas existentes. Uma grande simplifica¸c ao computacional para simular amostras da distribui¸c ao a posteriori conjunta de interesse ´e obtida usando o software WinBUGS. Ilustra¸c oes num´ericas s ao introduzidas considerando conjunto de dados reais, para cada uma das metodologias propostas.

Genome-wide association studies have greatly improved our understanding of the contribution of common variants to the genetic architecture of complex traits. However, two major limitations have been highlighted. First, common variant associations typically do not identify the causal variant and/or the gene that it is exerting its effect on to influence a trait. Second, common variant associations usually consist of variants with small effects. As a consequence, it is more challenging to harness their translational impact. Association studies of rare variants and complex traits may be able to help address these limitations. Empirical population genetic data shows that deleterious variants are rare. More specifically, there is a very strong depletion of common protein truncating variants (PTVs, commonly referred to as loss-of-function variants) in the genome, a group of variants that have been shown to have large effect on gene function, are enriched for severe disease-causing mutations, but in other instances may actually be protective against disease. This thesis is divided into three parts dedicated to the study of protein truncating variants, their medical relevance, and their functional consequences. First, I present statistical, bioinformatic, and computational methods developed for the study of protein truncating variants and their association to complex traits, and their functional consequences. Second, I present application of the methods to a number of case-control and quantitative trait studies discovering new variants and genes associated to breast and ovarian cancer, type 1 diabetes, lipids, and metabolic traits measured with NMR spectroscopy. Third, I present work on improving annotation of protein truncating variants by studying their functional consequences. Taken together, these results highlight the utility of interrogating protein truncating variants in medical and functional genomic studies.