In der Thesis werden statistische Modelle für longitudinale Daten von genomweiten Sequenzierungsexperimenten entwickelt. Es wird gezeigt wie Generalisierte Additive Modelle effektiv angewandt werden können, um Daten aus Experimenten der Chromatin-Immunpräzipitation mit anschließender DNA-Sequenzierung im Hochdurchsatz zu modellieren. Diese Modelle ermöglichen Verbesserungen in der Differential Analysis und dem Peak Calling. Effiziente Algorithmen zur Schätzung dieser Modelle auf dem gesamten Genom, basierend auf approximativen Parallelisierungsstrategien und Techniken zur Lösung dünnbesetzter Matrizen werden ausführlich erläutert.     «

In der Thesis werden statistische Modelle für longitudinale Daten von genomweiten Sequenzierungsexperimenten entwickelt. Es wird gezeigt wie Generalisierte Additive Modelle effektiv angewandt werden können, um Daten aus Experimenten der Chromatin-Immunpräzipitation mit anschließender DNA-Sequenzierung im Hochdurchsatz zu modellieren. Diese Modelle ermöglichen Verbesserungen in der Differential Analysis und dem Peak Calling. Effiziente Algorithmen zur Schätzung dieser Modelle auf dem gesamten Gen...     »