Till sidans topp

Sidansvarig: Webbredaktion
Sidan uppdaterades: 2012-09-11 15:12

Tipsa en vän
Utskriftsversion

Using HaMMLET for Bayesia… - Göteborgs universitet Till startsida
Webbkarta
Till innehåll Läs mer om hur kakor används på gu.se

Using HaMMLET for Bayesian Segmentation of WGS Read-Depth Data.

Kapitel i bok
Författare John Wiedenhoeft
Alexander Schliep
Publicerad i Methods in molecular biology (Clifton, N.J.)
Sidor 83-93
ISSN 1940-6029
Publiceringsår 2018
Publicerad vid
Sidor 83-93
Språk en
Länkar dx.doi.org/10.1007/978-1-4939-8666-...
www.ncbi.nlm.nih.gov/entrez/query.f...
Ämneskategorier Bioinformatik (beräkningsbiologi)

Sammanfattning

CNV detection requires a high-quality segmentation of genomic data. In many WGS experiments, sample and control are sequenced together in a multiplexed fashion using DNA barcoding for economic reasons. Using the differential read depth of these two conditions cancels out systematic additive errors. Due to this detrending, the resulting data is appropriate for inference using a hidden Markov model (HMM), arguably one of the principal models for labeled segmentation. However, while the usual frequentist approaches such as Baum-Welch are problematic for several reasons, they are often preferred to Bayesian HMM inference, which normally requires prohibitively long running times and exceeds a typical user's computational resources on a genome scale data. HaMMLET solves this problem using a dynamic wavelet compression scheme, which makes Bayesian segmentation of WGS data feasible on standard consumer hardware.

Sidansvarig: Webbredaktion|Sidan uppdaterades: 2012-09-11
Dela:

På Göteborgs universitet använder vi kakor (cookies) för att webbplatsen ska fungera på ett bra sätt för dig. Genom att surfa vidare godkänner du att vi använder kakor.  Vad är kakor?