-
公开(公告)号：CN116631504B
公开(公告)日：2024-10-18
申请号：CN202310613593.8
申请日：2023-05-29
Applicant: 南通大学
Abstract: 本发明提供一种关于大型人群队列多性状的多位点关联分析方法，涉及遗传算法技术领域，采用“多位点初步筛选→多性状再次筛选”两阶段分析的策略，第一阶段建立多位点线性回归模型，探索求解系数的压缩估计方法；第二阶段建立多性状线性混合模型，提出性状间的相关主要来源于遗传相关的假设，基于此假设通过矩估计、Hutchinson估计和预条件共轭梯度下降法等数值优化技术快速参数估计值来获得检验统计量。本申请的上述方法能够发现更多微小效应和一因多效位点，对解析复杂性状或疾病遗传机理具有重要意义，并将其应用于大型队列GWAS数据，以期解密基因和人类疾病的关系，为人类疾病的预防和治疗提供帮助。
-
Patent Agency Ranking
公开(公告)号：CN114678066B
公开(公告)日：2024-05-14
申请号：CN202210394490.2
申请日：2022-04-14
Applicant: 南通大学
Abstract: 本发明公开了一种基于大样本的基因‑环境互作关联分析方法，通过采集目标个体的基因序列、环境信息、表型信息，构建基因‑环境检测线性混合模型，并基于预处理共轭梯度法、矩估计方法对基因‑环境检测线性混合模型进行求解，构建服从于卡方分布的基因‑环境互作得分测试统计量，然后应用基因‑环境互作得分测试统计量，完成对基因序列与环境信息是否存在互作效应的判断，该方法可以快速识别多个环境信息对基因‑环境互作位点的基因的影响，适用于大样本的基因‑环境互作关联快速检测。
-
公开(公告)号：CN114678066A
公开(公告)日：2022-06-28
申请号：CN202210394490.2
申请日：2022-04-14
Applicant: 南通大学
Abstract: 本发明公开了一种基于大样本的基因‑环境互作关联分析方法，通过采集目标个体的基因序列、环境信息、表型信息，构建基因‑环境检测线性混合模型，并基于预处理共轭梯度法、矩估计方法对基因‑环境检测线性混合模型进行求解，构建服从于卡方分布的基因‑环境互作得分测试统计量，然后应用基因‑环境互作得分测试统计量，完成对基因序列与环境信息是否存在互作效应的判断，该方法可以快速识别多个环境信息对基因‑环境互作位点的基因的影响，适用于大样本的基因‑环境互作关联快速检测。
-
公开(公告)号：CN110211640A
公开(公告)日：2019-09-06
申请号：CN201910484769.8
申请日：2019-06-05
Applicant: 南通大学
Abstract: 本发明提供一种基于GPU并行计算的复杂疾病基因互作关联分析方法，包括如下步骤：步骤一、基于背景控制的主效+上位性检测算法研究，采用两阶段策略：第一阶段，在所有主效和上位性效应中，剔除无关变量，保留较少的变量；第二阶段，将通过第一阶段筛选的变量放入模型中进行最终确定变量选择方法；步骤二、建立基于GPU并行计算的加速算法，得到MRMLM-GPU新方法；步骤三、MRMLM-GPU新方法的性能分析。本发明是在MRMLM算法上进行背景控制的上位性拓展以及GPU加速改进，MRMLM算法上位性初筛阶段，SNP以及SNP对之间相互独立，PyCUDA提供了更为简单的编程方式实现GPU的并行。本发明为预测人类疾病的互作基因提供了可行的新方法。
-
公开(公告)号：CN116631504A
公开(公告)日：2023-08-22
申请号：CN202310613593.8
申请日：2023-05-29
Applicant: 南通大学
Abstract: 本发明提供一种关于大型人群队列多性状的多位点关联分析方法，涉及遗传算法技术领域，采用“多位点初步筛选→多性状再次筛选”两阶段分析的策略，第一阶段建立多位点线性回归模型，探索求解系数的压缩估计方法；第二阶段建立多性状线性混合模型，提出性状间的相关主要来源于遗传相关的假设，基于此假设通过矩估计、Hutchinson估计和预条件共轭梯度下降法等数值优化技术快速参数估计值来获得检验统计量。本申请的上述方法能够发现更多微小效应和一因多效位点，对解析复杂性状或疾病遗传机理具有重要意义，并将其应用于大型队列GWAS数据，以期解密基因和人类疾病的关系，为人类疾病的预防和治疗提供帮助。
-
公开(公告)号：CN110211640B
公开(公告)日：2023-04-07
申请号：CN201910484769.8
申请日：2019-06-05
Applicant: 南通大学
Abstract: 本发明提供一种基于GPU并行计算的复杂疾病基因互作关联分析方法，包括如下步骤：步骤一、基于背景控制的主效+上位性检测算法研究，采用两阶段策略：第一阶段，在所有主效和上位性效应中，剔除无关变量，保留较少的变量；第二阶段，将通过第一阶段筛选的变量放入模型中进行最终确定变量选择方法；步骤二、建立基于GPU并行计算的加速算法，得到MRMLM‑GPU新方法；步骤三、MRMLM‑GPU新方法的性能分析。本发明是在MRMLM算法上进行背景控制的上位性拓展以及GPU加速改进，MRMLM算法上位性初筛阶段，SNP以及SNP对之间相互独立，PyCUDA提供了更为简单的编程方式实现GPU的并行。本发明为预测人类疾病的互作基因提供了可行的新方法。
-
-
-
-
-
Search Results
6
records
(took 0.028 seconds)
