Machine learning algorithms for the analysis of data from whole-genome tiling microarrays [Elektronische Ressource] / vorgelegt von Georg F. Zeller

Machine Learning Algorithmsfor the Analysis of Data fromWhole-Genome Tiling MicroarraysDissertationder Fakultat fur Informations- und Kognitionswissenschaften¨ ¨der Eberhard-Karls-Universitat Tubingen¨ ¨zur Erlangung des Grades einesDoktors der Naturwissenschaften(Dr. rer. nat.)vorgelegt vonDipl.-Inform. (Bioinf.) Georg F. Zelleraus KonstanzTubing¨ en2009Tag der mundlichen Qualifikation: 21.04.2010¨Dekan: Prof. Dr.-Ing. Oliver Kohlbacher1. Berichterstatter: Prof. Dr. Daniel H. Huson2. Berichterstatter: Prof. Dr. Detlef Weigel3. Berichterstatter: Prof. Dr. Klaus-Robert Muller¨To my fatherErklarung¨Hiermit erklare ich, dass ich diese Schrift selbstandig und nur mit den angegebenen Hil-¨ ¨fsmitteln angefertigt habe und dass alle Stellen, die im Wortlaut oder dem Sinne nachanderen Werken entnommen sind, durch Angaben der Quellen kenntlich gemacht sind.Tub¨ ingen, Oktober 2009 Georg ZellerAbstractIn this work we developed machine learning-based methods with the aim to further our under-standing regarding fundamental questions of molecular biology, using as our example the modelplant Arabidopsis thaliana:What are the differences between genomes of individuals belonging to the samespecies? Characterizing sequence variants (polymorphisms) genome-wide is a prerequisite forestablishing causal links between adaptive quantitative traits and the underlying genetic variants.Single-nucleotide polymorphisms (SNPs) are the most abundant class of polymorphisms.