MCMC Estimation of Multi‐locus Genome Sharing and Multipoint Gene Location Scores

Effective linkage detection and gene mapping requires analysis of data jointly on members of extended pedigrees, jointly at multiple genetic markers. Exact likelihood computation is then often infeasible, but Markov chain Monte Carlo (MCMC) methods permit estimation of posterior probabilities of genome sharing among relatives, conditional upon marker data. In principle, MCMC also permits estimation of linkage analysis location score curves, but in practice effective MCMC samplers are hard to find. Although the whole‐meiosis Gibbs sampler (M‐sampler) performs well in some cases, for extended pedigrees and tightly linked markers better samplers are needed. However, using the M‐sampler as a proposal distribution in a Metropolis‐Hastings algorithm does allow genetic interference to be incorporated into the analysis. La detection efficace de liaisons et la cartographie genique suppose l'analyse simultanee de donnees provenant de membre de lignees, etendues, cela pour plusieurs marqueurs genetiques. Un calcul de vraisemblance exact est souvent impossible, mais une methode de Monte‐Carlo par chaines de Markov permet I'estimation de probabilites a posteriori conditionnelles probabilite qu' une partie de genomesoit commune a deux parents, sachant quels marqueurs genetiques; les caracterisent, La methode permet aussi en principe d' estimer les courbes de score pour les differentes positions de liaisons, mains en partique, un echantillonneur efficace estdifficile a obtenir. Bien que I' echantilonneur de Gibbs pour la meiose, complete done de bons resultats dans certains cas, pour des lignees etendues et des marqueurs etroitement liees, de meillecures procedures, d'echantillonnage sont necessaires. Toutefois, utiliser un echantillonneur de Gibbs comme proposition (distribution initiale)dans un algorithme de Metropolis‐Hastings permet de prendre en complete les interferences, genetiques dans l'analyse.