Szelekció II. Örökléstani alkalmazások Farkas János 2005. 2005. Az alapprobléma megtalálható W. Feller: Bevezetés a valószínűségszámításba és alkalmazásaiba.

Slides:



Advertisements
Hasonló előadás
Egy szélsőérték feladat és következményei
Advertisements

Készítette: Nagy Mihály tanár Perecsen, 2006.
83. (1 pont) A felsorolt végeredmények, hatások közül karikázza be a mondatszerű leírással (szöveggel) megadott algoritmus eredményét jelölő betűt, ha.
„Programok a gyermekszegénység ellen” Biztos Kezdet konferencián,
MaYoR elektronikus napló
Kábel TV jelene és jövője
ESKÜVŐI VIRÁGDEKORÁCIÓ
Összeállította: Fehér Péter PhD
Mutációk.
Valószínűségszámítás
Jelkondicionálás.
Aszályok gyakorisága, erőssége, okozott kár – Magyarországon Istovics Krisztina
Két változó közötti összefüggés
Optimális részhalmaz keresése Keresési tér. 0,0,0,0 1,0,0,0 0,1,0,0 0,0,1,0 0,0,0,10,0,1,1 1,1,0,0 1,0,1,0 0,1,1,0 1,1,1,0 1,0,1,1 0,1,1,1 1,1,1,11,1,0,1.
Bevezetés a gépi tanulásba február 16.. Mesterséges Intelligencia „A számítógépes tudományok egy ága, amely az intelligens viselkedés automatizálásával.
Bioinformatika Szekvenciák és biológiai funkciók ill. genotipusok és fenotipusok egymáshoz rendelése Kós Péter 2009.XI.
Mendel és a cicusok.
Genetikus algoritmusok
A Mendel-i öröklődés Falus András
Fejezetek a genetikából Perczel Tamás
Valószínűségszámítás
IRE 5 /18/ 1 Óbudai Egyetem, NIK Dr. Kutor László2011. TÁMOP – I ntelligens R endszerek E lmélete 5.
KÖZMŰ INFORMATIKA NUMERIKUS MÓDSZEREK I.
Mendeli genetika Allél Monohibrid -Dihibrid Autoszóma – alloszóma
Gazdasági Informatika II. 2006/2007. tanév II. félév.
A BALATONBA TELEPÍTETT HALFAJOK BIOLÓGIAI SZEREPE ÉS HATÁSA ÖTM-MTA-BLKIBudapest-Tihany2007.
László Miklós Legutolsó dolog, amit megtudsz egy könyv írása közben az, hogy mivel kellett volna kezdened v 1.0 A kutatási sorozat a múlt és jelen kontextusában.
Feszültség, ellenállás, áramkörök
Matematikai alapok és valószínűségszámítás
Dr. Balogh Péter Gazdaságelemzési és Statisztika Tanszék DE-AMTC-GVK
1. Bevezetés a tárgy célja: azoknak az eszközöknek és módszereknek a megismertetése és begyakoroltatása, melyek az érvelések megértéséhez, elemzéséhez,
Az öröklődés - Dedičnosť
Az izomdystrophiák molekuláris genetikai vizsgálata
Kormányszóvivői tájékoztató. Tájékoztató a gazdaságról Dr. Veres János pénzügyminiszter szeptember 14.
Kvantitatív módszerek
Az ember egyszerű mendeli genetikája
A genetika születése: Mendel kísérletei-1865 újrafelfedezése-1900
A genetika (örökléstan) tárgya
A mennyiségi jellegeket génkölcsönhatások okozzák
Problémás függvények : lokális optimalizáció nem használható Globális optimalizáció.
Mennyiségi sorelemzés
Szemelvények törésmechanikai feladatokból Horváthné Dr. Varga Ágnes egyetemi docens Miskolci Egyetem, Mechanikai Tanszék.
XXX BEVÁSÁRLÓKÖZPONT III. szint II. szint I. szint  Élelmiszer  Illatszer.
Alapsokaság (populáció)
Többtényezős ANOVA.
Exponenciális - Logaritmus függvények, Benford fura törvénye
A BSc képzés tapasztalatai BME VBK Műhelykonferencia – ELTE Bolyai Kollégium október 17.
A természetes szelekció
A molekuláris evolúció neutrális elmélete
Molekuláris rátermettség tájképek Kun Ádám. Rátermettség tájkép  Minden genotípushoz rendeljünk egy fenotípust  Minden fenotípushoz rendeljünk egy valósz.
Nyomás, nyomóerő és nyomott felület kiszámítása
BEVEZETŐ.
A genom variabilitás orvosi jelentősége Gabor T. Marth, D.Sc. Department of Biology, Boston College Orvosi Genomika kurzus – Debrecen, Hungary,
Kenyér kihűlése Farkas János
Populáció genetika Farkas János
MARHAJÁTÉK Számítógépes modellezés Farkas János
Lakosság létszámának változása Farkas János
Fontos tudnivalók A MATLAB egy fajta objektummal dolgozik (Mátrix)
XXX BEVÁSÁRLÓKÖZPONT IV. szint III. szint II. szint I. szint  Élelmiszer  Illatszer  Ajándéktárgy Budai László.
Informatikai Rendszerek Tervezése 5. Előadás: Genetikus algoritmusok Illyés László Sapientia - Erdélyi Magyar TudományEgyetem (EMTE) Csíkszereda IRT.-5.
Menetrend optimalizálása genetikus algoritmussal
Szelekció I. Örökléstani alkalmazások Farkas János Az alapprobléma és matematikai megoldása megtalálható W. Feller: Bevezetés a valószínűségszámításba.
Beltenyésztettség az őshonos fajtáinkban
Genetikus algoritmusok
Gének egymástól független öröklődése Mendel második törvénye
Élelmiszer Illatszer III. szint II. szint I. szint.
FOGALMAK DNSasfehérje (szabályozó/szerkezeti)
Területi egyenlőtlenségek grafikus ábrázolása: Lorenz-görbe
Esély a szülőknek, lehetőség
Előadás másolata:

Szelekció II. Örökléstani alkalmazások Farkas János Az alapprobléma megtalálható W. Feller: Bevezetés a valószínűségszámításba és alkalmazásaiba című könyvében

PROBLÉMA LEÍRÁS Legyen egy gén két alléles (A, a), amelynek három genotípusa (AA, Aa, aa) van. Tekintsük azt az esetet, amikor az aa genotípusú egyedeknek λ (0 < λ <= 1) hányada elpusztul. Így csak (1- λ ) hányada képes a szaporodásra. Ugyanez az eset, amikor a tenyésztéskor a tenyésztő tudatosan csökkenti az aa genotípusú egyedek szaporodásának lehetőségét. (A feladat az előző feladat általánosítása). Feladat: Adjuk meg (számítsuk ki) p, q, u, v, w értékét generációról generációra mind a teljes, mind a szülői populációra vonatkozólag.

Probléma megoldása 1. Jelölje: A, a – a populációban előforduló génformákat (alléleket) p = p(A), q = p(a) – a géngyakoriságokat [p + q = 1] AA, Aa, aa – a populáció genotípusait u, 2v, w – a genotípus gyakoriságokat [u + 2v + w = 1] λ – az aa genetípusnak szaporodni nem képes hányadát Ismert összefüggések: p = u + v, q = v + w u = p 2, 2v = 2pq, w = q 2 u + 2v + w = 1 ==> u + 2v = 1 - w Az AA, Aa, aa genotípusú egyedek (szülők) között véletlen kereszteződést tételezünk fel.

Probléma megoldása 2. A feladat szerint a szülői populációban az aa genotípus (1 – λ) hányada szerepel, így a szülői populáció genotípus gyakoriságai: szaporodni képes Felhasználtuk az összefüggést.

Probléma megoldása 3. A szülői populáció géngyakoriságai: A fentiekben felhasználtuk a következőket:

Probléma megoldása 4. Az 1. leszármazott generációban a genotípus gyakoriságok: A szülői populációban az aa genotípus (1 – λ) hányada szerepel, így a szülői populáció genotípus gyakoriságai:

Probléma megoldása 5. Az 1. leszármazott generációban a szülők géngyakoriságai: A fentiekben felhasználtuk a következőket:

Probléma megoldása 6. A 2. leszármazott generációban a genotípus gyakoriságok: A szülői populációban az aa genotípus (1 – λ) hányada szerepel, így a szülői populáció genotípus gyakoriságai:

Probléma megoldása 7. A 2. leszármazott generációban a szülők géngyakoriságai: A fentiekben felhasználtuk a következőket:

Probléma megoldása 8. Az n. leszármazott generációban a genotípus gyakoriságok: A szülői populációban az aa genotípus (1 – λ) hányada szerepel, így a szülői populáció genotípus gyakoriságai:

Probléma megoldása 9. Az n. leszármazott generációban a szülők géngyakoriságai: A fentiekben felhasználtuk a következőket:

Probléma megoldása 10. Az (n+1). leszármazott generációban a genotípus gyakoriságok: A szülői populációban az aa genotípus (1 – λ) hányada szerepel, így a szülői populáció genotípus gyakoriságai:

Probléma megoldása 11. Az (n+1). leszármazott generációban a szülők géngyakoriságai: A fentiekben felhasználtuk a következőket:

Probléma megoldása 12. A fentiek alapján p n+1 és q n+1 rekurzív módon is kiszámítható, ha figyelembe vesszük, hogy:

Probléma megoldása 13. Így a rekurzív formulákat kapjuk, amelyeknek az irodalom szerint az általános megoldása valószínűleg nem ismeretes.

Értékelés, példák 1. A formulák alapján látható, hogy mind w értéke (a szaporodni képtelen - vagy nemkívánatos – aa genotípus), mind q értéke (az a allél gyakorisága) fokozatosan csökken. Gene- rációk qwqwqwqwinduló0,10000,01000,20000,04000,30000,09000,40000, ,06670,00440,10000,01000,12000,01440,13330, ,05000,00250,06670,00440,07500,00560,08000, ,04000,00160,05000,00250,05450,00300,05710, ,03330,00110,04000,00160,04290,00180,04440,0020

Értékelés, példák 2. Gene- rációk qwqwqwqwinduló0,10000,01000,20000,04000,30000,09000,40000, ,06670,00440,10000,01000,12000,01440,13330, ,05000,00250,06670,00440,07500,00560,08000, ,04000,00160,05000,00250,05450,00300,05710, ,03330,00110,04000,00160,04290,00180,04440,0020 További példák, grafikonokon történő ábrázolás a Szelekcio_II.xls állományban találhatók A csökkenés gyorsasága jelentősen függ q induló értékétől. Ha pl. q = 0,1, akkor 10 generáció alatt csökken az a allél gyakorisága a felére, míg ezalatt az aa géngyakorisága a negyedére. Ugyanezen értékek 20 generációnál q = 0,0333 (harmadára), w = 0,0011 (tizedére) módosulnak.