Genomic prediction (GP) is a novel tool used for prediction of EBVs by using molecular markers. Within the last decade, GP has been widely introduced into routine evaluations of cattle, pig and sheep populations, however, its application in poultry has been somewhat delayed, and studies published to date have been limited in terms of population size and marker densities. This study shows a thorough evaluation of the benefits that GP could bring into routine evaluations of broiler chickens, with particular attention given to the accuracy and bias of Genomic BLUP (GBLUP) predictions. The data used for these evaluations exceeds the numbers of both individuals and marker genotypes of previously published reports, with the studied population consisting of up to 23,500 individuals, genotyped for up to 600K SNPs. The evaluation of GBLUP is preceded by evaluation of the variance components using traditional restricted maximum likelihood (REML) approach sourcing information from phenotypic records and pedigree, which provide an up to date reference for the estimates of variance components. Chapter 2 tested several models exploring potential sources of genetic variation and revealed the presence of significant maternal genetic and environmental effects affecting several commercial traits. In Chapter 3, a vast dataset containing 1.3M birds spread over 24 generations was used to evaluate changes in genetic variance of juvenile body weight and hen housed production over time. The results showed a slow but steady decline of the variance. Chapter 4 provided initial estimates of the accuracy and bias of genomic predictions for several sex-limited and fitness traits, obtained for a moderately sized population of over 5K birds, genotyped with 600K Affymetrix Axiom panel from which several chips of varying marker densities were extracted. The accuracy of those predictions showed a great potential for most traits, with GBLUP performance exceeding that of traditional BLUP. Chapter 5 investigated the effect of marker choice, with two chips used: one created from GWAS hits and second from evenly spaced markers, both with constant density of 27K SNPs. The two chips were used to calculate genomic relationship matrices using Linkage Analysis and Linkage Disequilibrium approaches. Markers selected through GWAS performed better in Linkage Analysis than in Linkage Disequilibrium approach. The optimum results however were found for relationship matrices which regressed the genomic relationships back to expected pedigree-based relationships, with the best regression coefficient dependent on the chip used. Chapter 6 formed a comprehensive evaluation of the utility of GBLUP in a large broiler population, exceeding 23,500 birds genotyped using 600K Affymetrix Axiom panel. By splitting the data into variable scenarios of training and testing populations, with several lower density chips extracted from the full range of genotypes available, the effect of population size and marker density was evaluated. While the latter proved to have little effect once 20K SNPs threshold was exceeded, the effect of the population size was found to be the major limiting factor for the accuracy of EBV predictions. The discrepancy between empirical results found and theoretical expectations of accuracy based on the similar genomic and population parameters showed an underestimation of the previously proposed requirements.

In plant breeding, genomic prediction (GP) may be an efficient tool to increase the accuracy of selecting genotypes, mainly, under multi-environments trials. This approach has the advantage to increase genetic gains of complex traits and reduce costs. However, strategies are needed to increase the accuracy and reduce the bias of genomic estimated breeding values. In this context, the objectives were: i) to compare two strategies to obtain markers subsets based on marker effect regarding their impact on the prediction accuracy of genome selection; and, ii) to compare the accuracy of four GP methods including genotype × environment interaction and two kernels (GBLUP and Gaussian). We used a rice diversity panel (RICE) and two maize datasets (HEL and USP). These were evaluated for grain yield and plant height. Overall, the prediction accuracy and relative efficiency of genomic selection were increased using markers subsets, which has the potential for build fixed arrays and reduce costs with genotyping. Furthermore, using Gaussian kernel and the including G×E effect, there is an increase in the accuracy of the genomic prediction models. / No melhoramento de plantas, a predição genômica (PG) é uma eficiente ferramenta para aumentar a eficiência seletiva de genótipos, principalmente, considerando múltiplos ambientes. Esta técnica tem como vantagem incrementar o ganho genético para características complexas e reduzir os custos. Entretanto, ainda são necessárias estratégias que aumentem a acurácia e reduzam o viés dos valores genéticos genotípicos. Nesse contexto, os objetivos foram: i) comparar duas estratégias para obtenção de subconjuntos de marcadores baseado em seus efeitos em relação ao seu impacto na acurácia da seleção genômica; ii) comparar a acurácia seletiva de quatro modelos de PG incluindo o efeito de interação genótipo × ambiente (G×A) e dois kernels (GBLUP e Gaussiano). Para isso, foram usados dados de um painel de diversidade de arroz (RICE) e dois conjuntos de dados de milho (HEL e USP). Estes foram avaliados para produtividade de grãos e altura de plantas. Em geral, houve incremento da acurácia de predição e na eficiência da seleção genômica usando subconjuntos de marcadores. Estes poderiam ser utilizados para construção de arrays e, consequentemente, reduzir os custos com genotipagem. Além disso, utilizando o kernel Gaussiano e incluindo o efeito de interação G×A há aumento na acurácia dos modelos de predição genômica.

Phenotyping in multi-environment trials (MET) plays an important role to access the differential response of maize hybrids across target breeding regions due to genotype by environment (GxE) interaction. In this context, an effective model of genomic selection (GS) to predict the performance of untested hybrids in MET is essential to maximize genetic gains and to efficiently allocated the breeding programs\' budget. Therefore, the goals of this study were (i) to evaluate the predictive accuracies of GBLUP (Genomic Best Linear Unbiased Prediction) models to predict grain yield performance of unobserved tropical maize single-cross hybrids, using models that consider GxE interaction by fitting a factor analytic (FA) variance-covariance (VCOV) structure, and (ii) to investigate the usefulness of genomic relationship information in combination with different VCOV for genetics and residuals effects, under different levels of unbalanced environments. Predictions were performed for two situations: (CV1) untested hybrids, and (CV2) hybrids evaluated in some environments but missing in others. Phenotypic data of grain yield was measured in 156 maize single-cross hybrids at 12 environments. Hybrids genotypes were inferred based on their parents (inbred lines) via SNP (single nucleotide polymorphism) markers obtained from GBS (genotypingby- sequencing). The procedures and models applied in this study can be easily extended to other crops in which MET plays an important role in the breeding process. / A fenotipagem em ensaios de múltiplos ambientes (MET) tem papel importante para acessar a resposta diferencial de híbridos de milho em diferentes regiões alvo de melhoramento, o que se deve a interação genótipos por ambientes (GxE). Neste contexto, um modelo efetivo de seleção genômica (GS) para predição do desempenho de híbridos não avaliados em MET é essencial para maximizar os ganhos genéticos e alocar eficientemente o orçamento dos programas de melhoramento. Desta forma, os objetivos deste estudo foram (i) avaliar as acurácias preditivas de modelos GBLUP (do inglês, Genomic Best Linear Unbiased Prediction) na predição da produtividade de grãos de híbridos simples de milho tropical não avaliados, usando modelos genético-estatísticos que levam em consideração a interação GxE através de uma estrutura de variância-covariância (VCOV) do tipo fator analítico (FA) e (ii) investigar a utilidade da matriz de parentesco realizada em combinação com diferentes estruturas de VCOV para efeitos genéticos e de resíduos em diferentes níveis de ambientes em desbalanceamento. As predições foram realizadas em duas situações: (CV1) híbridos não avaliados em nenhum ambiente e (CV2) híbridos avaliados em alguns ambientes e em outros não. Foram fenotipados 156 híbridos simples de milho em 12 ambientes para a característica produtividade de grãos. O genótipo dos híbridos foi inferido com base nas informações de marcadores SNP (do inglês, single nucleotide polymorphism) das linhagens parentais, obtidos via GBS (do inglês, genotyping-by-sequencing). Os procedimentos e modelos utilizados neste estudo podem ser facilmente estendidos a outras culturas em que MET desempenha um papel importante no processo de melhoramento.

Made available in DSpace on 2015-03-26T13:32:19Z (GMT). No. of bitstreams: 1 texto completo.pdf: 1498414 bytes, checksum: a554a4debb559e9eaa2ce04ffbc8d4c9 (MD5) Previous issue date: 2013-02-26 / Fundação de Amparo a Pesquisa do Estado de Minas Gerais / The genomic wide selection (GWS) emerged in 2001 with the goal of increasing efficiency and accelerating the selection gain in genetic improvement based exclusively on markers after their genetic effects estimated from phenotypic data. In the context of survival analysis, Cox s proportional risk model with random effects was compared to the mixed linear model, both using parenthood matrices based on markers in substitution to basing on pedigree, this method being named GBLUP. The application was made on real data from an F2 population of pigs in which the dependent variable was the time in days, from birth to slaughter of the animal and the covariables: SNP markers (238), sex and handled lot. The data was previously corrected for fixed effects and the accuracy of the method was calculated based on the correlation of the ranks of genomic genetic values predicted in both models with the phenotypic values corrected. The analysis was repeated considering the least number of SNP markers that presented the greatest effect in module. The results showed agreement in the prediction of genomic genetic values and estimation of the effects of markers for both models in the situation of uncensored data and normality. However, when considering censored data, the Cox model with normal random effect was more appropriate, since there was no agreement in the prediction of genomic genetic values and estimation of the effects of markers with the mixed linear model with imputed data. The selection of markers allowed an increase in correlations between the positions of genomic genetic values predicted by the linear model and the Cox frailty model with phenotypic values corrected, being that for the characteristic being analyzed, 120 markers were sufficient to increase the predictive power. / A seleção genômica ampla (GWS) surgiu em 2001 com o objetivo de aumentar a eficiência e acelerar o ganho de seleção no melhoramento genético baseando-se exclusivamente em marcadores após terem seus efeitos genéticos estimados a partir de dados fenotípicos. No contexto de análise de sobrevivência, o modelo de riscos proporcionais de Cox com efeito aleatório foi comparado ao modelo linear misto, ambos usando a matriz de parentesco baseada em marcadores em substituição à baseada em pedigree, método esse denominado GBLUP. A aplicação foi feita aos dados reais de uma população F2 de suínos em que a variável resposta foi o tempo em dias, do nascimento até o abate do animal e as covariáveis: marcadores SNPs (238), sexo e lote de manejo. Os dados foram previamente corrigidos para seus efeitos fixos e a acurácia do método foi calculada com base na correlação dos postos dos valores genéticos genômicos preditos em ambos os modelos com os valores fenotípicos corrigidos. A análise foi repetida considerando menor número de marcadores SNPs que apresentassem maiores efeitos em módulo. Os resultados demonstraram concordância na predição dos valores genéticos genômicos e na estimação dos efeitos de marcadores para ambos os modelos na situação de dados não censurados e normalidade. No entanto, ao considerar a censura, o modelo de Cox com efeito aleatório normal foi o mais apropriado, uma vez que não houve concordância na predição dos valores genéticos genômicos e na estimação dos efeitos de marcadores com o modelo linear misto com dados imputados. A seleção de marcas permitiu um aumento nas correlações entre os postos dos valores genéticos genômicos preditos pelo modelo linear e pelo modelo de fragilidade de Cox com os valores fenotípicos corrigidos, sendo que para a característica analisada, 120 marcadores foram suficientes para maximizar a capacidade preditiva.

In plant breeding, genomic prediction (GP) may be an efficient tool to increase the accuracy of selecting genotypes, mainly, under multi-environments trials. This approach has the advantage to increase genetic gains of complex traits and reduce costs. However, strategies are needed to increase the accuracy and reduce the bias of genomic estimated breeding values. In this context, the objectives were: i) to compare two strategies to obtain markers subsets based on marker effect regarding their impact on the prediction accuracy of genome selection; and, ii) to compare the accuracy of four GP methods including genotype × environment interaction and two kernels (GBLUP and Gaussian). We used a rice diversity panel (RICE) and two maize datasets (HEL and USP). These were evaluated for grain yield and plant height. Overall, the prediction accuracy and relative efficiency of genomic selection were increased using markers subsets, which has the potential for build fixed arrays and reduce costs with genotyping. Furthermore, using Gaussian kernel and the including G×E effect, there is an increase in the accuracy of the genomic prediction models. / No melhoramento de plantas, a predição genômica (PG) é uma eficiente ferramenta para aumentar a eficiência seletiva de genótipos, principalmente, considerando múltiplos ambientes. Esta técnica tem como vantagem incrementar o ganho genético para características complexas e reduzir os custos. Entretanto, ainda são necessárias estratégias que aumentem a acurácia e reduzam o viés dos valores genéticos genotípicos. Nesse contexto, os objetivos foram: i) comparar duas estratégias para obtenção de subconjuntos de marcadores baseado em seus efeitos em relação ao seu impacto na acurácia da seleção genômica; ii) comparar a acurácia seletiva de quatro modelos de PG incluindo o efeito de interação genótipo × ambiente (G×A) e dois kernels (GBLUP e Gaussiano). Para isso, foram usados dados de um painel de diversidade de arroz (RICE) e dois conjuntos de dados de milho (HEL e USP). Estes foram avaliados para produtividade de grãos e altura de plantas. Em geral, houve incremento da acurácia de predição e na eficiência da seleção genômica usando subconjuntos de marcadores. Estes poderiam ser utilizados para construção de arrays e, consequentemente, reduzir os custos com genotipagem. Além disso, utilizando o kernel Gaussiano e incluindo o efeito de interação G×A há aumento na acurácia dos modelos de predição genômica.