3240963004

66

grandes variations dans les estimations des coefficients de pente;

—    des estimations de pentes dont la variance est grandę;

—    en outre, ąuand les les variables independantes sont fortement correles, le R² d’une regression peut etre grand alors que les estimations de pentes indivi-duelles ne sont pas statistiąuement significatives (Neter et a/., 1996).

En genetiąue, la colinearite s’exprime par le deseąuilibre de liaison ćleve entre les marąueurs. Dans notre approche, un tel deseąuilibre de liaison entre les SNPs peut causer la colinśarite dans la matrice X de notre modele (3.1).

3.3.1

L’effet du deseąuilibre de liaison sur Fheritabilite

Si la correlation entre un SNP et un ou plusieurs SNPs de son voisinage est forte (r² > 0.8) alors son signal peut etre reproduit, et cela peut conduire a une surestima-tion de sa contribution a 1’heritabilitć du caract&re sous śtude (Speed et a/., 2012). L’approche ąue nous avons proposee utilise toute 1’information genotypiąue dans la matrice des marąueurs. Ainsi, la possibilitć d’avoir un deseąuilibre de liaison est fort possible. Ce deseąuilibre de liaison peut se traduire par une multicolinearite entre les marąueurs et par conseąuent par la singularite de la matrice X. Dans les etudes d’association gśnśtiąue, une faęon pour corriger ce probleme consiste k supprimer un des deux marąueurs ąui presentent un fort dćsćąuilibre de liaison (r² > 0.80) car si la correlation entre un SNP et un ou plusieurs SNPs de son voisinage est forte, 1’information apportee par tous les SNPs sera la meme que celle apportće par un seul de ces SNPs (Johnson et dl., 2001; Patii et a/., 2001) : on parle dans ce cas de tagSNP. L’idee est de minimiser le nombre de SNPs tout en maintenant un bon niveau de couverture de la variabilite. Ainsi, le nombre de SNPs peut etre conside-