Benutzer: Gast  Login
Originaltitel:
Advances in Statistical and Machine Learning Methods for Genotype-Phenotype Analysis
Übersetzter Titel:
Fortschritte in statistischen und maschinellen Lernmethoden zur Genotyp-Phänotyp-Analyse
Autor:
John, Maura Isabelle
Jahr:
2025
Dokumenttyp:
Dissertation
Fakultät/School:
TUM Campus Straubing für Biotechnologie und Nachhaltigkeit
Institution:
HSWT - Professuren
Betreuer:
Grimm, Dominik (Prof. Dr.)
Gutachter:
Grimm, Dominik (Prof. Dr.); List, Markus (Prof. Dr.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik
TU-Systematik:
CIT 680; BIO 110; CIT 960
Kurzfassung:
In this thesis, we develop and examine methods for analyzing genotype-phenotype relationships. We evaluate permutation-based significance thresholds for genome-wide association studies. To accelerate the computation of permutations, we introduce batch-wise linear mixed models. Additionally, we assess the predictive performance of phenotype prediction methods in a comparative study. To facilitate benchmarking of models, we present an automated phenotype prediction framework.
Übersetzte Kurzfassung:
In dieser Arbeit werden Methoden zur Analyse von Genotyp-Phänotyp-Beziehungen entwickelt und untersucht. Wir bewerten permutationsbasierte Signifikanzschwellen für genomweite Assoziationsstudien. Um die Berechnung von Permutationen zu beschleunigen, führen wir batchweise linear gemischte Modelle ein. Zudem bewerten wir in einer Vergleichsstudie die Vorhersageleistung von Methoden zur Phänotypvorhersage. Um den Leistungsvergleich von Modellen zu vereinfachen, stellen wir ein automatisiertes Frame...     »
WWW:
https://mediatum.ub.tum.de/?id=1781896
Eingereicht am:
21.05.2025
Mündliche Prüfung:
17.09.2025
Dateigröße:
11396134 bytes
Seiten:
130
Urn (Zitierfähige URL):
https://nbn-resolving.org/urn:nbn:de:bvb:91-diss-20250917-1781896-0-4
Veröffentlicht am:
16.10.2025
 BibTeX