L'add-in Genomic Bayesian Methods est une enveloppe autour de la régression linéaire généralisée bayésienne (BGLR; de los Campos et Rodriguez 2014, Genetics 198: 483-495). Les effets des marqueurs génétiques peuvent être estimés à l'aide de Bayes A, Bayes B, Bayes C, Bayesian LASSO ou Bayesian Ridge Regression. Les méthodes de ce complément sont entièrement intégrées à l'outil de comparaison de modèles de validation croisée dans JMP Genomics, permettant la comparaison de la précision de nombreux modèles distincts. De plus, les effets marqueurs des modèles ajustés sont enregistrés dans un fichier de score qui peut être ensuite chargé dans les outils de sélection d'évaluation croisée et de sélection de descendance de JMP Genomics pour prédire les valeurs de reproduction des individus, évaluer les croisements et simuler les descendants de plusieurs générations de reproduction. .
La figure ci-dessous montre la méthode Bayes B adaptée à un ensemble de données sur l'orge. Notez que la corrélation entre les valeurs de trait prédites et observées est de 0,8777.
La figure ci-dessous montre la moyenne de la corrélation entre les valeurs de trait prédites et observées obtenues par une validation croisée à 3 reprises pendant 6 itérations. Par conséquent, la corrélation indiquée dans le graphique est la moyenne prise sur 18 essais pour chaque modèle testé. Alors que la corrélation moyenne pour Bayes B est de 0,5357 dans les essais de validation croisée, la corrélation pour Bayes B dans l'ensemble de données sans validation croisée est de 0,8777 (illustrée dans la première figure). Cet exemple montre l'importance de comparer des modèles par validation croisée pour obtenir une mesure plus réaliste de la précision prédictive.
