Return to search

Quantitative genetics from genome assemblies to neural network aided omics-based prediction of complex traits / Quantitative Genetik von Genomassemblierungen bis zur genomischen Vorhersage von phänotypischen Merkmalen mit Hilfe von künstlichen neuronalen Netzwerken

Quantitative genetics is the study of continuously distributed traits and their ge-
netic components. Recent developments in DNA sequencing technologies and
computational systems allow researchers to conduct large scale in silico studies.
However, going from raw DNA reads to genomic prediction of quantitative traits
with the help of neural networks is a long and error-prone process. In the course
of this thesis, many steps involved in this process will be assessed in depth. Chap-
ter 2 will feature a study that compares the landscape of chloroplast genome as-
sembly tools. Chapter 3 will present a software to perform genome-wide associa-
tion studies using modern tools, which allow GWAS-Flow to outperform current
state of the art software packages. Chapter 4 will give an in depth introduc-
tion to machine learning and the nature of quantitative traits and will combine
those to genomic prediction with artificial neural networks and compares the re-
sults to those of algorithms based on linear mixed models. Finally, in Chapter 5
the results from the previous chapters are summarized and used to elucidate the
complex nature of studies concerning quantitative genetics. / Quantitative Genetik beschäftigt sich mit kontinuierlich verteilten Merkmalen und deren genetischer Komponenten. In den letzten Jahren gab es vielfältige Entwicklungen in der Computertechnik und der Genomik, insbesondere der DNA Sequenzierung, was Forschern erlaubt großflächig angelegte in silico Studien durchzuführen. Jedoch ist es ein komplexer Prozess von rohen Sequenzdaten bis zur genomischen Vorhersage mit Hilfe von neuronalen Netzwerken zu kommen. Im Rahmen der vorliegenden Studien werden viele Schritte, die an diesem Prozess beteiligt sind beleuchtet. Kapitel 2 wird einen Vergleich zwischen einer Vielzahl an Werkzeugen zur Assemblierung von Chloroplasten Genomen ziehen. Kapitel 3 stellt eine neu entwickelte Software zur genom-weiten Assoziationskartierung vor, die bisherigen Programmen überlegen ist. Kapitel 4 stellt maschinelles Lernen und die genetischen Komponenten von quantitativen Merkmalen vor und bringt diese im Kontext der genomischen Vorhersagen zusammen. Zum Schluss in Kapitel 5 werden die vorherigen Ergebnisse im Gesamtkontext der quantitativen Genetik erläutert.

Identiferoai:union.ndltd.org:uni-wuerzburg.de/oai:opus.bibliothek.uni-wuerzburg.de:19942
Date January 2020
CreatorsFreudenthal, Jan Alexander
Source SetsUniversity of Würzburg
LanguageEnglish
Detected LanguageEnglish
Typedoctoralthesis, doc-type:doctoralThesis
Formatapplication/pdf
Rightshttps://creativecommons.org/licenses/by/4.0/deed.de, info:eu-repo/semantics/openAccess

Page generated in 0.0023 seconds