FaST linear mixed models for genome-wide association studies

Lippert, C; Listgarten, J; Liu, Y; Kadie , CM; Davidson, RI; Heckerman, D

doi:10.1038/nmeth.1681

Datensatz

DATENSATZ AKTIONENEXPORT

Zur Ablage hinzufügen

Bitte beachten Sie, dass eine neuere Version dieses Datensatzes verfügbar ist:
https://pure.mpg.de/pubman/item/item_1787926_3

DetailsÜbersicht

Freigegeben

Zeitschriftenartikel

FaST linear mixed models for genome-wide association studies

MPG-Autoren

/persons/resource/persons84763

Lippert, C
Max Planck Institute for Biological Cybernetics, Max Planck Society;
Former Research Group Machine Learning and Computational Biology, Max Planck Institute for Biological Cybernetics, Max Planck Society;

Externe Ressourcen

https://www.nature.com/articles/nmeth.1681.pdf
(Verlagsversion)

Volltexte (beschränkter Zugriff)

Für Ihren IP-Bereich sind aktuell keine Volltexte freigegeben.

Volltexte (frei zugänglich)

Es sind keine frei zugänglichen Volltexte in PuRe verfügbar

Ergänzendes Material (frei zugänglich)

Es sind keine frei zugänglichen Ergänzenden Materialien verfügbar

Zitation

Lippert, C., Listgarten, J., Liu, Y., Kadie, C., Davidson, R., & Heckerman, D. (2011). FaST linear mixed models for genome-wide association studies. Nature Methods, 8(10), 833-835. doi:10.1038/nmeth.1681.

Zitierlink: https://hdl.handle.net/11858/00-001M-0000-0013-B97E-4

Zusammenfassung

We describe factored spectrally transformed linear mixed models (FaST-LMM), an algorithm for genome-wide association studies (GWAS) that scales linearly with cohort size in both run time and memory use. On Wellcome Trust data for 15,000 individuals, FaST-LMM ran an order of magnitude faster than current efficient algorithms. Our algorithm can analyze data for 120,000 individuals in just a few hours, whereas current algorithms fail on data for even 20,000 individuals (http://mscompbio.codeplex.com/).