A utilização de metodologias bayesianas tem se tornado frequente nas aplicações em Genética, em particular em mapeamento
de QTLs usando marcadores moleculares. Mapear um QTL significa identificar sua localização ao longo do genoma, estimar seus
efeitos genéticos: aditivo, dominância, epistasia, etc. A abordagem bayesiana permite combinar a verossimilhança dos dados fenotÃpicos
com distribuições a priori atribuÃdas a todas as quantidades desconhecidas no modelo (número, localização no genoma e efeitos
genéticos dos QTLs) de forma a fornecer distribuições a posteriori a respeito dessas quantidades. Métodos de mapeamento bayesiano
podem incorporar a incerteza relativa ao número desconhecido de QTLs na análise; essa incerteza, no entanto, resulta em complicações
na obtenção da amostra da distribuição conjunta a posteriori, uma vez que a dimensão do espaço do modelo pode variar. O método
MCMC com Saltos ReversÃveis (MCMC-SR), proposto por Green (1995), é uma excelente ferramenta para explorar a distribuição
conjunta a posteriori nesse contexto. Neste trabalho, explora-se o método MCMC-SR, utilizando dados artificiais gerados no
software WinQTLCart, atribuindo-se diferentes prioris para o número de QTLs.
The use of Bayesian methodology in genetic applications has grown increasingly popular, in particular in the analysis of
quantitative trait loci (QTL) for studies using molecular markers. In such analyses the objectives are mapping QTLs, estimating their
locations in the genome and their genotypic effects (additive, dominance, and epistatic). The Bayesian approach proceeds by setting
up a likelihood function for the phenotype and assigning prior distributions to all unknown quantities in the model (number,
chromosome, locus, and genetic effects of QTL). These induce a posterior distribution of the unknown quantities that contains all of
the available information for inference of the genetic architecture of the trait. Bayesian mapping methods can treat the unknown
number of QTL as a random variable, which has several advantages but results in the complication of varying the dimension of the
model space. The reversible jump MCMC algorithm (MCMC-RJ), proposed by Green (1995), offers a powerful and general
approach to exploring posterior distributions in this setting. The method was evaluated by analyzing simulated data in WinQTLCart,
attributing different priors distributions on the QTL numbers.
