Professional Documents
Culture Documents
Diajukan untuk memenuhi Ujian Akhir Semester mata kuliah Statistika Genetika
KELAS A
Oleh :
Nezar Abdilah Prakasa
140610150047
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS PADJADJARAN
2018
1. Map Function
Referring to marker order, three different markers were genotyped for a backcross population
toward parent aabbcc. The genotypes at the three markers were observed as follows:
n=230
Obs 45 1 2 1 8 0 6 25
A. Calculate the genetic distances between each pair of marker using the Haldane and
> data<-matrix(c(70,7,9,2),ncol=2,byrow=T)
> data
[,1] [,2]
[1,] 70 7
[2,] 9 2
70 7
n =[ ]
9 2
2. Mencari nilai rekombinasi fraksi (r) berdasarkan matrik yang telah dibuat maka
didapat hasil sebagai berikut
𝑛10 + 𝑛11
𝑟̂ 𝐴𝐵 =
𝑛
𝑛01 + 𝑛11
𝑟̂ 𝐵𝐶 =
𝑛
𝑛01 + 𝑛10
𝑟̂ 𝐴𝐶 =
𝑛
> n00=70
> n01=7
> n10=9
> n11=2
> n=230
> Rab=((n10+n11)/n)
> Rbc=((n01+n11)/n)
> Rac=((n01+n10)/n)
>
> Rab
[1] 0.04782609
> Rbc
[1] 0.03913043
> Rac
[1] 0.06956522
9+2
𝑟̂ AB = = 0,0478
230
7+2
𝑟̂ BC = = 0,0391
230
7+9
𝑟̂ AC = = 0,0695
230
3. Menghitung jarak dengan menggunakan Kosambi dan Haldane dengan mengunakan
umus sebagai berikut
Function d(r)
1
Haldane d = − 2 ln(1 − 2𝑟)
1 1+2𝑟
Kosambi d = 4 ln 1−2𝑟
Nilai r sudah dihitung maka untuk selanjutnya akan dihitung menggunakan syntax berikut
Berdasarkan analisis diatas dapat disajikan dalam table sebagai berikut
> #Kosambi
> Dab=0.25*log((1+(2*(Rab)))/(1-(2*(0.17))),base = exp(1))
> Dbc=0.25*log((1+(2*(Rbc)))/(1-(2*(0.12))),base = exp(1))
> Dac=0.25*log((1+(2*(Rac)))/(1-(2*(0.25))),base = exp(1))
>
> Dab
[1] 0.1267163
> Dbc
[1] 0.08744657
> Dac
[1] 0.2058531
> #Haldane
> Dab=-0.25*log((1-2*Rab),base = exp(1))
> Dbc=-0.25*log((1-2*Rbc),base = exp(1))
> Dac=-0.25*log((1-2*Rac),base = exp(1))
> Dab
[1] 0.02513531
> Dbc
[1] 0.02037326
> Dac
[1] 0.03745307
>
Haldane Kosambi
Marker Pair
r D d(Cm) r d d(Cm)
Berdasarkan hasil analisis diatas dapat dilihat bahwa dengan metode Haldane d yang
paling Panjang yaitu marker pair A-C yaitu dengan nilai 3,74 cm , begitu juga dengan
banyak belajar dengan baik untuk metodologis maupun aspek eksperimental. Sejak kertas perintis Lander &
Botstein (1989) banyak statistik yang kuat metode untuk mendeteksi, menemukan, dan mengkarakterisasi QTL
telah diusulkan dan sifat mereka diselidiki (misalnya Haley & Knott, 1992; Haley et al., 1994; Jansen & Stam,
1994; Rebaı $ et al., 1994a; Zeng,1994). Namun, masalah pemetaan interval QTL dengan sifat yang tidak
terdistribusi secara normal baru-baru ini saja telah ditangani (Kruglyak & Lander, 1995; Hackett & Weller,
A QTL linear model conditional on marker interval genotypes for the backcross
dimana a merupakan efek nyata dari QTL, and xj|i merupakan indikator variabel yang terdefinisi sebagai
Menggunakan software R dengan data yang telah ditemukan didapat hasil sebagai berikut
#Loading package
library(onemap)
#Importing data
mimulus <- read_mapmaker(dir="C:/Users/Lillian/Desktop", file="m_feb06 (2).
raw")
install.packages("qtl")
library("qtl")
out_hkmimulus1 <- scanone(mimulus1, pheno.col=16, method = "hk")
summary(out_hkmimulus1)
## chr pos lod
## c1.loc56 1 56.0 1.605
## c2.loc49 2 49.0 2.810
## c3.loc94 3 94.0 5.348
## MgSTS455 4 209.0 1.525
## c5.loc12 5 12.0 1.735
## MgSTS542A 6 33.7 2.311
## AAT296 7 164.1 1.993
## BB176 8 89.5 1.707
## c9.loc159 9 159.0 0.366
## MgSTS622 10 132.6 1.406
## c11.loc161 11 161.0 2.596
## c12.loc60 12 60.0 2.550
## CC330 13 126.6 0.570
## c14.loc113 14 113.0 9.084
out_im <- fitqtl(mimulus1, pheno.col=16, qtl=qtl_im, method="hk", get.ests=
TRUE)
summary(out_im)
##
## fitqtl summary
##
## Method: Haley-Knott regression
## Model: normal phenotype
## Number of observations : 276
##
## Full model result
## ----------------------------------
## Model formula: y ~ Q1 + Q2
##
## df SS MS LOD %var Pvalue(Chi2) Pvalue(
F)
## Model 4 561.2411 140.310267 12.25079 18.48713 1.639533e-11 2.437561e-
11
## Error 271 2474.6059 9.131387
## Total 275 3035.8469
##
##
## Drop one QTL at a time ANOVA table:
## ----------------------------------
## df Type III SS LOD %var F value Pvalue(Chi2) Pvalue(F)
## 3@94.0 2 134.3 3.167 4.423 7.352 0.001 0.000777 ***
## 14@113.0 2 302.1 6.903 9.951 16.542 0.000 1.67e-07 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
##
## Estimated effects:
## -----------------
## est SE t
## Intercept 15.7787 0.1870 84.381
## 3@94.0a 1.1895 0.3111 3.824
## 3@94.0d -0.6199 0.5119 -1.211
## 14@113.0a 1.6458 0.2863 5.748
## 14@113.0d 0.1652 0.3754 0.440
Berdasarkan data diatas dapat dilihat bahwa untuk variabel (3@94.0) dan (14@113.0)
merupakan variabel dberarti dimana variabel tersebut signifkan dalam model regresi karena
nilai p-value < 0,05, maka dapat dikatakan bahwa kedua variabel tersebut signifikan dengan
Answer :
Using R program, we got the table 11.2 paramater estimates and likelihood ratios for the
poplar data.
Implying that
1 1
d(x) = 2 log (1 − 2θ) , r = 2 log (1 − 𝑒 −2𝑑 )
Applying this to the first interval yields
1 1
r = 2 log (1 − 𝑒 −2𝑥0.156) = 0.134, dxM = 2 log (1 − 2 x 0.134 x 0.176) = 0.024
And for all interval, table 11.3 gives the estimated QTL locations.
Dari hasil analisis diatas didapat untuk interval pertama yaitu diantara 0 sampai 0.156
dengan nilai 𝜃̂ sebesar 0.176 dan nilai d(x) sebesar 2.4 cM. Untuk interval kedua yaitu diantara
0.156 sampai 0.307 dengan nilai 𝜃̂ sebesar 0.101 dan nilai d(x) sebesar 16.9 cM. Dan yang
terakhir untuk interval ketiga yaitu diantara 0.307 sampai 0.439 dengan nilai 𝜃̂ sebesar 1.000
dan nilai d(x) sebesar 0.439 cM.