Genomic prediction of additive and non-additive effects in a pine breeding and simulated population

• Ano de defesa: 2016
• Autor(a) principal: Almeida Filho, Janeo Eustáquio de
• Orientador(a): Silva, Fabyano Fonseca e
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Federal de Viçosa
• Área do conhecimento CNPq: Genética Quantitativa
• Link de acesso: http://www.locus.ufv.br/handle/123456789/7540

A predição do mérito genético dos indivíduos é um dos maiores desafios no melhoremento de plantas e animais. A predição é difícil por que as características importantes possuem natureza complexa, onde alguns caracteres possuem poucos genes de efeito maior, enquanto que outros são controlados por um elevado número de genes de efeito pequeno, além disso, efeitos não-additivos como dominância e epistasia podem ser importantes para o controle da variação genética. Para obter altas acurácias na predição é importante usar o modelo que corresponde com a arquitetura genética da característica e adicionalmente a adequada partição das várias fontes de variação genética (aditiva, dominancia e epistasia) é desejada para várias aplicações como capacidade geral e específica de combinação. No capítulo 1 foi revisado os aspectos gerais da predição genômica (GP), a aplicação dessa abordagem com diferentes propósitos em características com distintas arquiteturas genéticas e no final alguns modelos estatísticos aplicado na GP. No capítulo 2 foi avaliado modelos de regressão genômica (WGR) aditivos e aditivo-dominante com diferentes prioris, essas são premissas sobre a presença ou não de marcas com efeito maior. Adicionalmente no capítulo 3 foi avaliado a inclusão da informação oriunda do pedigree na predição genômica, usando os modelos BayesA aditivo e aditivo-dominante e também com o RKHS, que teoricamente pode predizer os efeitos aditivo e não aditivos confundidos. Esses modelos foram aplicados na altura de árvores (HT) aos 6 anos de idade, diâmetro na altura do peito (DBH) e resistência a ferrugem, mesurados em 923 indivíduos de pinos oriundos de uma população estruturada em 71 irmãos completos e genotipados com 4722 marcadores genéticos. Também foram simulados 6 características com distintas arquiteturas genéticas (poligenica e oligogênica com três leveis de dominância) para esses estudos. As populações simuladas usadas nessas características foram derivadas a partir de um programa de melhoramento padrão de pinos. No capítulo 2 para as caracteríticas oligogenica simuladas e para resistência a ferrugem o BayesA e BayesB forneceram as melhores acurácias para predição genotípica, porem as diferentes priores usadas em WGR produziram resultados similares para HT e para característica poligênicas simuladas. Contudo a inclusão da dominância nos modelos WGR aumentaram a acurácia apenas para características simuladas com elevado efeito de dominância e para HT. Quando o BayesB foi ajustado em uma geração para predizer na geração seguinte, a inclusão da dominância aumentou as acurácias apenas para características oligogenicas simuladas com elevada dominancia. Independente do modelo adotado, a acurácia da predição genotípica total decresceu com o aumento dos efeitos de dominancia nas características simuladas. Então esses resultados refletem que a predição da dominancia foi complexa quando comparado com a predição dos efeitos aditivos, e para a aplicações posteriores dos efeitos de dominância, algumas propriedades genéticas da população devem ser avaliadas como MAF e número de meios irmãos e irmãos completos. No capítulo 3, a inclusão do informação oriunda do pedigree no modelo genômico, não produziu acurácias mais elevadas quando comparado com os modelos que usaram apenas informações de marcadores, e ambos modelos foram substancialmente mais acurados que o modelo baseado apenas em informação de pedigree. Em HT, DBH e características poligênicas simuladas com efeitos aditivos e dominantes, os modelos baseados em RKHS mostraram acurácias ligeiramente superiores que o BayesA para predição genotípica total, enquanto que o BayesA foi a melhor opção para resistência a ferrugem e características oligogenicas. Para a predição dos valores de melhoramento o BayesA aditivo foi o melhor modelo.