Im Rahmen der vorliegenden Arbeit wurde in einem seit 2006 bestehenden Weizenfruchtfolgeversuch unter Freilandbedingungen die Zusammensetzung von Fusarium-Artenspektren an Halmbasis und Körnern von Weizen und deren Kolonisierungsraten untersucht. Ein besonderer Fokus lag hierbei auf dem Einfluss der Versuchsfaktoren (i) Jahreseffekt/Witterung, (ii) Vorfrucht, (iii) Sorte und (iv) Blattfungizidbehandlung auf Artzusammensetzung und Kolonisierung von Fusarium an den beiden Pflanzenorganen. Der Vergleich der Fusarium-Spektren an Halmbasis und Körnern zeigte einen deutlichen Kontrast auf. So waren an der Halmbasis insgesamt besonders die Arten F. culmorum, F. equiseti und F. tricinctum anzutreffen, wogegen an den Körnern die Arten F. poae, F. tricinctum sowie 2010 F. graminearum auftraten. Dieses Ergebnis lässt vermuten, dass es sich bei den an den beiden unterschiedlichen Pflanzenorganen auftretenden Artenspektren um unabhängige Populationen handelt. Eine Übertragung von F. culmorum, F. equiseti, F. graminearum und F. poae von der Halmbasis auf die Körner scheint wenig wahrscheinlich. Lediglich für F. tricinctum, welcher durchgehend an beiden Pflanzenorganen aufzufinden war, könnte eine Abhängigkeit zwischen den beiden Populationen in Form einer Übertragung von der Halmbasis auf die Körner existieren. Ob ein Zusammenhang zwischen den beiden Organen in Bezug auf F. tricinctum besteht, kann im Rahmen dieser Arbeit jedoch nicht eindeutig geklärt werden. Im Hinblick auf den Jahreseffekt bzw. die Witterung unterlagen die Artzusammensetzungen an Halmbasis und Körnern sowohl qualitativen als auch quantitativen Veränderungen. An der Halmbasis und auch an den Körnern führte der jahresbedingte Witterungseffekt zu einem breiteren Artenspektrum im Versuchsjahr 2011 gegenüber 2010, was zumindest für die Halmbasis mit den für eine Kolonisierung durch Fusarium günstigeren Witterungsbedingungen 2011 erklärt werden kann. Die jahresbedingten Witterungsunterschiede wirkten sich erwartungsgemäß stärker auf die Körner aus. Quantitative Diskrepanzen fanden sich an beiden Pflanzenorganen in Form von unterschiedlich hohen Kolonisierungsraten der verschiedenen Fusarium-Arten. Die Ergebnisse weisen jedoch auf eine stabile Populationssignatur an der Halmbasis hin, welche von den Arten F. culmorum, F. equiseti und F. tricinctum dominiert wird. In beiden Versuchsjahren herrschte ein geringer FHB-Befallsdruck an den Körnern, sodass die Arten F. poae und F. tricinctum grundsätzlich das Artspektrum bestimmten und eine relativ stabile Populationssignatur bildeten, obgleich auch andere Arten jahresabhängig auftraten, wie z.B. F. graminearum im Jahr 2010 nach Vorfrucht Mais. In Abhängigkeit von der Vorfrucht zeigten sich große Unterschiede in der Kolonisierung der Halmbasis. So konnte zum Entwicklungsstadium der Milchreife nach Vorfrucht Zuckerrübe in beiden Versuchsjahren die höchste Gesamtkolonisierungsrate an der Halmbasis von Weizen ermittelt werden, noch vor Mais. Der Weizen wies nach Vorfrucht Weizen und Vorfrucht Ölrettich insgesamt die niedrigsten Kolonisierungsraten auf. Hauptverursacher für die erhöhte Gesamtkolonisierungsrate nach Zuckerrübe waren die Arten F. culmorum, F. equiseti und F. tricinctum. Eine hohe Relevanz kam hier der Besiedlung durch die stark pathogene Art F. culmorum zu, die besonders im Jahr 2011 häufig vertreten war. Dies konnte auch für die Vorfrüchte Mais, Weizen und Ölrettich bestätigt werden. Die Ergebnisse belegen daher, dass der Vorfruchteffekt lediglich quantitativer Art im Hinblick auf unterschiedliche Kolonisierungsraten war, die Fusarium-Artenzusammensetzung jedoch nicht beeinflusste. Auf Grund der hohen Kolonisierungsraten nach Zuckerrübe sollte auf Basis der Ergebnisse dieser Arbeit die Zuckerrübe aus phytopathologischer Sicht als potenzieller Fusarium-Überträger eingestuft werden. Eine Ertragsrelevanz der Halmbasiskolonisierung an Weizen nach Zuckerrübe konnte jedoch nicht demonstriert werden. Ein Vorfruchteffekt an den Körnern konnte dagegen nur 2010 im Zuge einer erhöhten Kolonisierung durch F. graminearum nach Vorfrucht Mais festgestellt werden, der durch Mykotoxingehalte in den Weizenkörnern verifiziert werden konnte sowie 2011 nach Weizen, bedingt durch verstärktes Auftreten von F. culmorum. Beide Effekte waren jedoch nicht reproduzierbar, was die starke Witterungsabhängigkeit des Einflusses der Vorfrucht unterstreicht. Ein signifikanter Sorteneffekt auf die Gesamtkolonisierungsrate konnte bis auf den Probenahmezeitpunkt BBCH 37-39 2011 sowohl an der Halmbasis, als auch an den Körnern festgestellt werden, wobei der Effekt an den Körnern verglichen mit der Halmbasis zwar auf niedrigerem Niveau in Bezug auf die Kolonisierung auftrat, jedoch etwas stärker ausgeprägt war. Dieser reduzierende Effekt in der resistenten Sorte „Centrum“ war in besonderem Maße auf die quantitative Reduktion der artspezifischen Kolonisierungsraten der an den jeweiligen Pflanzenorganen dominierenden Fusarium-Arten zurückzuführen. Ein signifikant erhöhter Ertrag konnte für die resistente Sorte in beiden Jahren nachgewiesen werden, die Kolonisierungsraten von Halmbasis und Körnern korrelierten jedoch nicht mit dem Ertrag. Die Blattfungizidbehandlung erwies sich dagegen an der Halmbasis als deutlich wirksamer bezüglich einer Reduktion der Gesamtkolonisierungsraten, als an den Körnern. Jedoch war auch hier ein quantitativer, reduzierender Effekt auf die spezifischen Kolonisierungsraten der an Halmbasis und Körnern dominierenden Arten zu beobachten, wobei sich dieser an den Körnern allerdings nur auf die Arten F. culmorum und F. graminearum auswirkte. Ebenso wie der Effekt der Sortenresistenz auf den Ertrag, konnte auch ein positiver Effekt des Blattfungizideinsatzes auf den Ertrag in den behandelten Varianten verzeichnet werden, wobei dieser jedoch jahresabhängig war. Auch hier wurde keine Korrelation zwischen Kolonisierungsraten an Halmbasis und Körnern und dem Ertrag beobachtet. Darüber hinaus zeigten die Pathogenitätstests an Halmbasis und Ähre von Weizen die geringe phytopathologische und agronomische Bedeutung der Arten F. equiseti, F. poae und F. tricinctum. Kaum nachweisbare Symptomausprägungen nach künstlicher Infektion unter kontrollierten Bedingungen in der Klimakammer und geringe Reisolationsraten ließen den Schluss zu, dass insbesondere die Arten F. equiseti und F. tricinctum an der Halmbasis als apathogen einzustufen sind und eine ökologische Rolle als endophytische Nischenbesiedler einnehmen. An der Ähre waren alle drei Arten sowohl unter kontrollierten Bedingungen als auch im Freiland bei künstlicher Inokulation in der Lage, die Weizenkörner zu infizieren und starke Mykotoxinkontaminationen hervorzurufen. Dies ist jedoch unter natürlichen Befallsbedingungen als wenig wahrscheinlich zu erachten. Zudem wiesen die auf ihr Konkurrenzvermögen hin getesteten Arten F. poae und F. tricinctum zu keinem Zeitpunkt die Fähigkeit auf, in Anwesenheit von F. graminearum mit dieser Art zu konkurrieren. Aus diesem Grunde ist anzunehmen, dass die drei untersuchten Fusarium-Arten als Sekundärbesiedler der Ähre fungieren, welche in Jahren mit Trockenheit zur Blüte und dadurch bedingtem, niedrigen Auftreten von FHB eine ökologische Rolle als Nischenbesiedler einnehmen und die abreifende Weizenähre kolonisieren können. Ferner fand keine Reduktion des TKG unter Freilandbedingungen statt, was eine agronomische Relevanz der Kornbesiedlung durch diese drei Arten im Vergleich zu F. graminearum ausschließt. Eine Bekämpfung von Fusarium-Arten sollte sich daher klassischerweise auf pathogene, aggressive Arten wie F. culmorum sowie F. graminearum beschränken und in Form bekannter Kombinationen von Fruchtfolgegestaltung, Sortenwahl, Bodenbearbeitung und Fungizidbehandlung an Weizen unter Berücksichtigung der Regeln für den integrierten Pflanzenschutz erfolgen.

In der vorliegenden Arbeit werden drei Modellrechnungen vorgestellt, die auf dem Selektionsindex basieren und mit denen der Nutzen genomischer Zusatzinformation auf aktuelle Selektionsstrategien für Reitpferde und Schweine ermittelt werden soll. In Kapitel eins werden sowohl die klassischen Instrumente der Tierzucht, der Selektionsindex, die ökonomische Modellierung und die Genfluss-Methode, als auch die genomische Selektion dargestellt. Zudem wird die Software ZPlan+, in welcher diese Instrumente miteinander kombiniert sind, kurz vorgestellt. Im zweiten Kapitel der Arbeit wird das Potenzial der genomischen Selektion für die Reitpferdezucht dargestellt. Der Zugewinn an Genauigkeit eines Zuchtwerts durch Hinzunahme genomischer Information wurde für drei praxisnahe Selektionsschritte betrachtet, nämlich für Pferde ohne Eigenleistung, Pferde mit Eigenleistung und Pferde mit Eigen- und Nachkommenleistungen. Die Modellrechnung zeigte, dass sich durch Hinzunahme genomischer Information besonders die Genauigkeit von Zuchtwerten junger Pferde ohne Eigen- oder Nachkommenleistung beträchtlich steigern ließe. Sobald Nachkommenleistungen unterstellt wurden war der Zugewinn an Genauigkeit durch genomische Information jedoch zu vernachlässigen. Für die praktische Pferdezucht ist die genomische Selektion daher vor allem für die Absicherung vorläufiger Zuchtzulassungen für junge Hengste nach der Körung und für leistungsgeprüfte Hengste ohne Nachkommenleistungen empfehlenswert. Im dritten Kapitel der Arbeit wurde untersucht, wie sich die Art der berücksichtigten Informationsquellen (konventionell oder genomisch) auf die Interaktion der Parameter genetische Korrelation, Heritabilität und ökonomische Gewichtung auswirkte. Als Vergleichsparameter wurde die Standardabweichung des jeweiligen Indexes herangezogen, welche sich direkt proportional zum Zuchtfortschritt verhält. Es wurden drei Indices mit zwei Zuchtzielmerkmalen verglichen, deren Informationsquellen in Anlehnung an die Schweinezucht gewählt wurden. Der erste Index wurde für ein Tier mit Eigenleistung aufgestellt, während im zweiten Index zusätzliche Vollgeschwisterleistungen angenommen wurden. Im dritten Index wurde die Eigenleistung mit genomischer Information für beide Zuchtzielmerkmale kombiniert. Die Genauigkeit der genomischen Zuchtwerte wurde durch Annahme unterschiedlich großer Referenzpopulationen variiert. Je mehr Information im Index berücksichtigt wurde, desto unabhängiger wurde die Standardabweichung des Indexes von den Parametern genetische Korrelation, Heritabilität und ökonomische Gewichtung. Dabei wurden für den Vollgeschwisterindex mit 7 Vollgeschwistern und den genomischen Indexes mit einer Referenzpopulation von 1.000 Tieren vergleichbare Ergebnisse gefunden. Die Anzahl von 1.000 Tieren in der Referenzpopulation kann somit als Mindestmaß für die Schweinezucht angenommen werden. Für geringere Heritabilitäten zeigte sich eine deutliche Überlegenheit des genomischen Indexes über den Vollgeschwisterindex. Im vierten Kapitel der Arbeit wurde ein Schweinezuchtprogramm optimiert. Dazu wurden verschiedene Zuchtziele und Selektionsstrategien gegen Ebergeruch verglichen. Das Zuchtziel war entweder die Selektion gegen den Gehalt der chemischen Leitkomponenten des Ebergeruchs, Androstenon, Skatol und Indol oder die Selektion gegen den, von Testpersonen bestimmten, Human Nose Score. Innerhalb der Selektion gegen die chemischen Komponenten wurden drei verschiedene Informationsquellen miteinander verglichen, nämlich eine Feldprüfung in Form einer Biopsie am lebenden Eber, genomische Selektion sowie die Kombination beider Informationen. Innerhalb der Selektion gegen den Human Nose Score wurden als Informationsquellen eine Stationsprüfung von Voll- und Halbgeschwistern des Selektionskandidaten sowie genomische Selektion miteinander verglichen. Das komplexe Zuchtprogramm wurde deterministisch mit der Software ZPlan+ modelliert. Bei der Selektion gegen die chemischen Komponenten des Ebergeruchs war der Zuchtfortschritt am höchsten, wenn als Informationsquelle die Eigenleistung in Form einer Biopsie der männlichen Selektionskandidaten genutzt wurde. Aufgrund der hohen Erblichkeit der Ebergeruchskomponenten war der Nutzen genomischer Zuchtwerte deutlich geringer und gleichzeitig teurer. Für die Selektion gegen den geringer erblichen Human Nose Score lieferte die genomische Selektion einen höheren Zuchtfortschritt als die Stationsprüfung der Geschwister des Selektions-kandidaten. Auch wenn der Human Nose Score als Zielmerkmal angesehen wurde, erwies sich eine Selektion gegen die chemischen Komponenten als zielführend, da der (korrelierte) naturale Zuchtfortschritt des Human Nose Scores bei Durchführung einer Biopsie deutlich höher war, als bei direkter Selektion gegen den Human Nose Score. Im fünften Kapitel wird das Potential der genomischen Selektion für die Reitpferde- und Schweinezucht diskutiert. Dabei wird besonders auf Möglichkeiten für die Vergrößerung der Referenzpopulation und der Kostenreduktion eingegangen. Für die Reitpferdezucht wer-den zusätzlich Möglichkeiten aufgezeigt, wie der Zuchtfortschritt mit konventionellen Methoden gesteigert werden könnte.

Die genomische Zuchtwertschätzung ist vor allem im Bereich der Milchrinderzucht in den letzten Jahren zu einer beliebten Methode geworden, um sichere Zuchtwerte von Tieren ohne phänotypische Information zu erhalten. Das Ziel dieser Arbeit war es, verschiedene Einflussfaktoren auf die Genauigkeit der genomischen Zuchtwertschätzung in realen Rinderdatensätzen genauer zu untersuchen. In Kapitel 2 findet sich eine grundlegende Arbeit zur Kreuzvalidierung, in der die Eigenschaften verschiedener Kreuzvalidierungsstrategien in realen Datensätzen untersucht wurden. Kreuzvalidierung bedeutet, dass die verfügbaren Daten in eine Trainings- und eine Validierungsstichprobe aufgeteilt werden, wobei für die Individuen in der Validierungsstichprobe alle Beobachtungswerte als nicht vorhanden angenommen werden. Die Werte der Individuen in der Validierungsstichprobe werden dann mit einem Modell, das mit Hilfe der Beobachtungswerte der Individuen in der Trainingsstichprobe angepasst wird, vorhergesagt. Im Kontext der genomischen Zuchtwertschätzung werden Kreuzvalidierungsstrategien benutzt, um die Genauigkeit der genomischen Zuchtwertschätzung mit einer bestimmten Trainingspopulation abzubilden. Die Korrelation zwischen maskierten und vorhergesagten Werten der Tiere in der Validierungsstichprobe spiegelt die Genauigkeit der genomischen Zuchtwertschätzung wider. Die Art und Weise, wie der Datensatz in Trainings- und Validierungsstichprobe unterteilt wird, kann die Ergebnisse einer Kreuzvalidierung beeinflussen. Das Ziel dieser Studie war es deshalb, optimale Strategien für unterschiedliche Zwecke – Beschreibung der Genauigkeit der genomischen Vorhersage für mögliche Selektionskandidaten mit dem vorhandenen Datensatz oder Vergleich von zwei Methoden zur Vorhersage – zu finden. Ein Datensatz von etwa 2‘300 Holstein Friesian-Bullen, die mit dem Illumina BovineSNP50 BeadChip (im Folgenden 50K Chip genannt) typisiert waren, wurde unterschiedlich aufgeteilt, so dass sich zwischen 800 bis 2‘200 Tiere in der Trainingsstichprobe und die jeweils restlichen Tiere in der Validierungsstichprobe befanden. Zwei BLUP-Modelle, eines mit einem zufälligen genomischen Effekt und eines mit einem zufälligen polygenen und einem zufälligen genomischen Effekt, wurden zur Vorhersage verwendet. Die höchste Genauigkeit der Vorhersage konnte mit der größten Trainingsstichprobe erreicht werden. Eine große Trainingsstichprobe bei gegebenem limitierten Datenmaterial impliziert aber auch, dass gleichzeitig die Validierungsstichproben klein und damit die Standardfehler der beobachteten Genauigkeiten sehr hoch sind. Falls es das Ziel einer Studie ist, signifikante Unterschiede zwischen Modellen nachzuweisen, ist es besser größere Validierungsstichproben zu verwenden. Eine fünffache Kreuzvalidierung scheint in vielen Fällen ein guter Kompromiss zu sein. Die Verwandtschaftsstruktur zwischen den Tieren in der Trainings- und der Validierungsstichprobe hat einen großen Effekt auf die Genauigkeit der genomischen Zuchtwertschätzung. Momentan sind noch genügend nachkommengeprüfte Bullen in den Trainingsstichproben vorhanden, mit denen die Tiere in der Validierungsstichprobe hoch verwandt sind. Wenn die genomische Selektion konsequent angewendet wird, ist es möglich, dass solche Individuen für die Trainingsstichprobe knapper werden. Deshalb enthält Kapitel 3 eine Studie, die untersucht, wie sich die Verwandtschafts- und Altersstruktur auf die Genauigkeit der genomischen Zuchtwerte von jungen Bullen auswirkt. Ein Datensatz mit 5‘698 Bullen der Rasse Holstein Friesian, die alle mit dem 50K Chip typisiert wurden und zwischen 1981 und 2005 geboren wurden, war die Basis dieser Arbeit. In allen Szenarien wurden die 500 jüngsten Bullen dieses Datensatzes als Validierungsstichprobe verwendet. Verschiedene Trainingsstichproben mit je 1‘500 Individuen wurden ausgewählt, um die genomischen Zuchtwerte der jungen Tiere (Selektionskandidaten) vorherzusagen: eine zufällige Auswahl an Bullen, die ältesten und jüngsten verfügbaren Tiere, Tiere mit Verwandtschaftskoeffizienten kleiner 0.25 oder 0.5 zu allen Selektionskandidaten, oder Tiere, die am stärksten mit den Selektionskandidaten verwandt waren. Verglichen mit dem Szenario mit der zufälligen Auswahl führte eine Verringerung der Verwandtschaft zu einer sichtbaren Abnahme der Genauigkeit der genomischen Vorhersage. Die Genauigkeit für die Szenarien mit den hoch verwandten Tieren bzw. den jüngsten Tieren in der Trainingsstichprobe war hingegen höher. Für die praktische Anwendung bedeutet dies, dass in stark verwandten Gruppen wie Elitebullen der Rasse Holstein Friesian keine weiteren Probleme für die Vorhersage junger Tiere zu erwarten sind, solange Väter, Voll- und Halbgeschwister in der Trainingsstichprobe vorhanden sind. Neue nachkommengeprüfte Bullen sollten deshalb kontinuierlich zur Trainingsstichprobe hinzugefügt werden – sonst wird eine klare Abnahme der Genauigkeit schon nach ein oder zwei Generationen zu sehen sein. Kapitel 4 beschäftigt sich mit zwei weiteren Faktoren, die die Genauigkeit der genomischen Vorhersage beeinflussen können: Markerdichte und Methodenwahl. Bis jetzt wurden normalerweise 50K SNPs für die genomische Zuchtwertschätzung verwendet, aber seit Kurzem ist auch ein neues hochdichtes SNP-Array mit 777K SNPs verfügbar. Dies lässt die Frage aufkommen, ob die höhere Markerdichte zu einem Anstieg in der Genauigkeit führen kann. Je mehr Marker verfügbar sind, umso größer wird auch die Notwendigkeit, Methoden zu entwickeln, die einen Teil der Marker als nicht informativ (d.h. ohne Effekt auf das untersuchte Merkmal) zulassen. Deshalb wurde eine neue und effiziente Bayes’sche Methode (BayesR) entwickelt, die annimmt, dass die SNP Effekte aus einer Reihe von Normalverteilungen stammen, die unterschiedliche Varianzen haben. Die Anzahl der SNPs pro Verteilung wird nicht festgesetzt, sondern mit Hilfe einer Dirichlet-Verteilung modelliert. In Kapitel 4 wird außerdem auf die Frage eingegangen, wie sich die Genauigkeit der Vorhersage im Fall von Trainingsstichproben mit mehreren Rassen bei unterschiedlicher Markerdichte verhält. Bei Milchrinderrassen sind große Trainingsstichproben erforderlich, um robuste Schätzer der SNP-Effekte zu erhalten, aber gerade bei kleinen Rassen kann es schwierig sein, solch große Trainingsstichproben aufzubauen. Trainingsstichproben, die Tiere mehrerer Rassen enthalten, können deshalb eine Möglichkeit sein, dieses Problem zu umgehen. Mit 50K SNPs war der Erfolg solcher Mehrrassen-Trainingsstichproben gering, was darauf zurückgeführt wurde, dass die Haplotypenstruktur über die Rassen hinweg bei dieser Markerdichte nicht konsistent war. Der hochdichte SNP-Chip könnte hier allerdings Verbesserungen für die Vorhersage über Rassen hinweg bringen. Die Veränderungen in der Genauigkeit der genomischen Zuchtwertschätzung innerhalb einer Rasse und über Rassen hinweg wurden mit Daten von australischen Bullen der Rassen Holstein Friesian und Jersey, die mit dem 50K Chip typisiert und auf 777K SNPs imputet waren, und zwei verschiedenen Methoden (GBLUP, BayesR) untersucht. Die Verwendung von imputeten hochdichten Markern führte zu keinem signifikanten Anstieg der Genauigkeit innerhalb einer Rasse und nur zu einer geringen Verbesserung der Genauigkeit in der kleineren Rasse im Mehrrassen-Szenario. BayesR lieferte gleichwertige oder in vielen Fällen höhere Genauigkeiten als GBLUP. Eine Eigenschaft von BayesR ist außerdem, dass es möglich ist, aus den Ergebnissen Erkenntnisse zur genetischen Architektur des Merkmals zu erhalten, z.B. indem man die durchschnittliche Anzahl an SNPs in den verschiedenen Verteilungen betrachtet. Die Genauigkeit der genomischen Zuchtwertschätzung kann mit verschiedenen Validierungsprozeduren berechnet werden, sobald reale Daten vorhanden sind. In manchen Situationen kann es jedoch von Vorteil sein, wenn man die erwartete Genauigkeit der Vorhersage im Vorfeld einer Studie abschätzen kann, z.B. um zu wissen, welche Größe die Trainingsstichprobe haben sollte oder wie hoch die Markerdichte sein sollten, um eine bestimmte Genauigkeit zu erreichen. Verschiedene deterministische Formeln zur Abschätzung der erreichbaren Genauigkeit sind in der Literatur verfügbar, die alle auf den mehr oder weniger gleichen Parametern beruhen. Einer dieser Parameter ist die Anzahl unabhängig segregierender Chromosomensegmente (Me), die normalerweise mit Hilfe von theoretischen Werten wie der effektiven Populationsgröße (Ne) deterministisch bestimmt wird. In Kapitel 5 wird ein Maximum-Likelihood Ansatz beschrieben, der es ermöglicht, Me basierend auf systematisch angelegten Kreuzvalidierungsexperimenten empirisch zu bestimmen. Darauf aufbauend wurden verschiedene deterministische Funktionen zur Vorhersage der Genauigkeit verglichen und so modifiziert, dass sie am besten zu den vorhandenen Datensätzen passten. Mit 5‘698 Holstein Friesian-Bullen, die mit dem 50K Chip typisiert waren, und 1‘333 Braunvieh-Bullen, die mit dem 50K Chip typisiert und auf 777K SNPs imputet waren, wurden mit GBLUP verschiedene k-fache Kreuzvalidierungen (k=2, 3, …, 10, 15, 20) durchgeführt. So konnte eine genomische Zuchtwertschätzung bei unterschiedlichen Größen der Trainingsstichprobe nachgebildet werden. Weiterhin wurden alle Szenarien mit verschiedenen Subsets der vorhandenen SNPs (10‘000, 20‘000, 30‘000, 42‘551 SNPs für Holstein Friesian, und jeder, jeder zweite, jeder 4., … jeder 256. SNP für Braunvieh) durchgeführt, um den Einfluss der Markerdichte erfassen zu können. Der Maximum-Likelihood Ansatz wurde angewendet, um Me für die beiden vorhandenen Datensätze bestmöglich zu schätzen. Die höchste Likelihood wurde erreicht, wenn eine modifizierte Form der deterministischen Formel von Daetwyler et al. (2010, Genetics 185:1021-1031) für die Modellierung der erwarteten Genauigkeit die Grundlage bildete. Die wahrscheinlichsten Werte für Me, wenn alle vorhandenen Marker genutzt wurden, waren 1‘241 (412) und 1‘046 (197) für die Merkmale Zellzahl und Milchmenge für Holstein Friesian (Braunvieh). Die Werte für Me für Braunvieh und Holstein Friesian unterschieden sich deutlich, während Ne für beide Populationen (berechnet auf Basis des Pedigrees oder über die Struktur des Kopplungsungleichgewichts) sehr ähnlich war. Die Schätzungen für Me variierten zwischen verschiedenen Merkmalen innerhalb von Populationen und über Populationen mit ähnlichen Populationsstrukturen hinweg. Dies zeigt, dass Me wahrscheinlich kein Parameter ist, der sich nur aus Ne und der Länge des Genoms berechnen lässt. Die Modifizierung der Formel von Daetwyler et al. (2010) bestand darin, einen Gewichtungsfaktor hinzuzufügen, der berücksichtigt, dass die maximale Genauigkeit bei gegebener Markerdichte auch mit unendlich großer Trainingsstichprobe nicht 1 sein muss. Dies basiert auf der Annahme, dass die vorhandenen SNPs nicht die ganze genetische Varianz wiedergeben können. Auch dieser Gewichtungsfaktor wurde empirisch bestimmt. Die quadrierten Werte, d.h. der Prozentsatz der genetischen Varianz, die erklärt wird, lagen zwischen 76% und 82% für 10‘000 bis 42‘551 SNPs bei Holstein Friesian und zwischen 63% und 75% für 2‘451 bis 627‘306 SNPs bei Braunvieh. Zwischen dem natürlichen Logarithmus der Markerdichte und dem Gewichtungsfaktor bestand ein linearer Zusammenhang bis zu einer populationsspezifischen Grenze hinsichtlich der Markerdichte (~ 20‘000 SNPs bei Braunvieh). Oberhalb dieser Grenze fand sich ein Plateau, was bedeutet, dass das Hinzufügen von weiteren Markern den Anteil der genetischen Varianz, der erklärt wird, nicht mehr verändert.

No description available.

No description available.

No description available.

No description available.

No description available.

No description available.

<p> Klauenerkrankungen sind die dritthäufigste Abgangsursache bei Milchkühen und 90 % aller Lahmheiten gehen auf verschiedene Erkrankungen der Klauen zurück. Im Rahmen des FUGATO-plus Forschungsprojektes GENE-FL wurden die genetischen Grundlagen der Fundamentstabilität beim Rind, Schwein, Pferd und Schaf untersucht. Für die Untersuchungen beim Rind wurde Probenmaterial von insgesamt 1.962 erstlaktierenden Kühen der Rasse Holstein Friesian gesammelt. Diese stammten von sieben großen Herden aus Mecklenburg-Vorpommern mit vergleichbarem Haltungssystem und TMR-Fütterung. Der Klauenstatus der Tiere wurde zum Zeitpunkt des Klauenschnitts erfasst. Als Grundlage der molekularbiologischen Untersuchungen wurden anhand von in silico Analysen positionell-funktionelle Kandidatengene mit den assoziierten biochemischen Reaktionswegen für Fundamentmerkmale beim Rind und anderen landwirtschaftlichen Nutztierspezies ausgewählt. Aus den mehr als 1.000 ermittelten Kandidatengenen wurde ein individuell gefertigter SNP-Chip (384 SNP; ein SNP/Gen) erstellt. Mit dem SNP-Chip wurden 1.183 der phänotypisierten Tiere untersucht. Die Schwellenwertmodell-Analyse ergab eine signifikante Assoziation des im IQGAP1 (BTA21) befindlichen intronischen SNP (rs29017173, A/G) mit dem Merkmal Sohlenhämorrhagien. Des Weiteren konnte dieser SNP mit Fundamentmerkmalen der klassischen linearen Exterieurbeurteilung an zusätzlichem Datenmaterial von 2.394 Besamungsbullen der Rasse Holstein Friesian assoziiert werden. </p> <p> Bei den robusten Fleischrindern White Galloway werden im Bezug auf die Fellfarbe der Tiere vier Phänotypen unterschieden. Neben den drei weißen Fellfarbschlägen, die unterteilt werden in sehr gut markiert (wsg), übermarkiert (wsü) und untermarkiert (wss), gibt es den vollkommen schwarzen Fellfarbtyp (wsch). Als bevorzugte Fellzeichnungen gelten wsg und wsü, während die unerwünschten Zeichnungen wss und wsch sind. Auch bei gezielten Anpaarungen der phänotypisch bevorzugten Tiere kommen die nicht preferierten Farbphänotypen vermehrt vor. Zur Aufklärung des genetischen Hintergrunds der verschiedenen Farbvarianten wurden zunächst vier für die Fellfarbe relevante Gene, mast/stem cell growth factor receptor (KIT, BTA6), KIT ligand (KITLG, BTA5), melanocortin 1 receptor (MC1R, BTA18) und Tyrosinase (TYR, BTA29) vergleichend sequenziert und auf kausale kodierende Sequenzvarianten untersucht. In den potentiellen Kandidatengenen konnten keine Polymorphismen detektiert werden, die die unterschiedlichen Fellzeichnungsvarianten erklären und somit wurde eine Beteiligung dieser Gene ausgeschlossen. Eine kürzlich beim Rind beschriebene KIT Gen Duplikation und Insertion auf BTA29 bzw. Re-Insertion auf BTA6 wurde deshalb mittels Fluoreszenz-in-situ-Hybridisierung (FISH), Whole genome sequencing und Polymerasekettenreaktion (PCR)-basierter Genotypisierung der Insertionsbruchpunkte an 178 White Galloway und 64 White Park Tieren untersucht. In allen Fällen konnten die Fellfarb-Phänotypen auf die Duplikation und Insertion des KIT Gens auf BTA29 zurückgeführt werden. </p> <p> Lebensmittelskandale werden in regelmäßigen Abständen aus mehreren Ländern berichtet. Im Jahr 2013 wurden Fertigprodukte mit undeklarierten Pferdefleischbeimischungen entdeckt. Eine genaue Quantifizierung der zugesetzten undeklarierten Menge war bisher nicht verlässlich möglich. Mit der droplet digitalen PCR (ddPCR) wurden im Rahmen dieser Arbeit Testsysteme zum Nachweis entwickelt. Als Zielgene wurden das mitochondriale CYTB und das chromosomale F2 verwendet. Für die Etablierung des Verfahrens wurden als Gewebe zunächst Muskel, Fett, Sehne und Leber verwendet. Während sich in diesen Geweben die Anzahl der mtDNA-Kopien pro Zelle etwa um den Faktor 5 unterschied, war der Gehalt nukleärer DNA nahezu konstant. Ausgehend von den Spezies Rind, Schwein und Pferd wurden verschiedene DNA- und Fleischmischungen hergestellt, wobei der prozentuale Anteil der beigemischten Spezies zwischen 50 % bis 0,001 % variierte. Mit dem F2-basierten Testsystem wurde eine zuverlässige Quantifizierung (LOQ) bzw. Detektion (LOD) von Beimengungen von nur 0,01 % bzw. 0,001 % erreicht. </p>