During every cell cycle and upon exogenous stress, tumor suppression programs are engaged to ensure genomic stability. In response to replicative aging and oncogenic stimuli, the p53 and Rb pathways are activated to prevent the proliferation of damaged cells. Several lines of evidence suggest that escape from senescence is a crucial early step in oncogenic progression. A major challenge in the cancer field is to combine genomic information regarding cancer-associated genetic changes with high-throughput functional studies, in order to confirm genetic requirements and pinpoint biological roles of these perturbed genes in oncogenesis. Furthermore, a complete genetic understanding of replicative senescence, and how it might be bypassed, is lacking. We describe here two genome scale loss-of-function genetic screens that interrogate these tumor suppressor programs. We utilized a unique sensitization approach to isolate senescence pathways and unmask compensatory mechanisms that may have been difficult to identify in previous studies. These genetic screens have generated comprehensive and validated datasets of putative senescence and p53 pathway genes. We present this dataset as a high-quality resource for further investigation into these biological pathways. We have uncovered several genes in distinct biological pathways which have not been demonstrated to have a functional role in senescence, and which may be putative tumor suppressors. We have identified BRD7 and BAF180, two SWI/SNF components, as critical regulators of p53. BRD7 and BAF180 are required for p53 activity and p21 expression during replicative and oncogene-induced senescence, and evidence suggests that they are inactivated in human cancer. In addition, we have uncovered a role for the deubiquitinating enzyme USP28 in the regulation of p53 accumulation during senescence, such that loss of USP28 results in bypass of the senescence program. We have also investigated several other novel senescence genes including SEMA6A, SEMA3b, and TMEM154. We have found that the expression of these genes is highly regulated during senescence by distinct means, including both p53-dependent and p53-independent mechanisms. These results demonstrate the efficacy of our sensitized screening approach, and also highlight the emerging view that the senescence program requires the combined action of multiple biological pathways for its execution.

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.

Fortschritte in der molekulargenetischen Charakterisierung von Tumorerkrankungen haben in den letzten Jahren die klinische Praxis zunehmend beeinflusst. Das Ziel dieser Arbeit war die Untersuchung von astrozytären Tumoren der WHO-Grade II bis IV und ihre Subtypisierung anhand der gefundenen chromosomalen Aberrationen. Ferner sollte der Einfluss der gefundenen Aberrationen auf klinische Parameter wie das Gesamtüberleben oder die rezidivfreie Zeit untersucht werden. Dazu wurden paraffinfixierte Proben von insgesamt 184 primären astrozytären Tumoren (28 low-grade Astrozytome, 6 low-grade Oligoastrozytome, 50 anaplastische Astrozytome, 4 anaplastische Oligoastrozytome, 96 Glioblastoma multiforme) mit der Comparativen Genomischen Hybridisierung (CGH) untersucht. Häufige Aberrationen in allen Malignitätsgruppen stellten chromosomale Zugewinne auf Chromosom 7 sowie Verluste von Chromosom 10 und 9p dar. High-grade Astrozytome zeigten ferner häufig Zugewinne von Chromosom 19 und 20 sowie Verluste von 13q, 14q und 15q. WHO-Grad-II-Astrozytome wiesen häufig Zugewinne auf Chromosom 8 sowie Verluste von Chromosom 4q und 6q auf. Eine kürzeres Gesamtüberleben zeigten high-grade Gliome mit Verlusten von Chromosom 10q und Zugewinnen auf 7p. In Glioblastomen verursachten zusätzlich Zugewinne auf 7q sowie Verluste von 14q, in anaplastischen Astrozytomen zusätzlich Verluste von 10p ein verringertes Gesamtüberleben. WHO-Grad-II-Astrozytome zeigten bei Verlusten von 3p ein schlechteres Gesamtüberleben. Chromosomale Aberrationen, die zu einem verlängerten Gesamtüberleben führten, waren Verluste von 1p und Zugewinne von 10p in WHO-Grad-III-Tumoren. Die rezidivfreie Zeit wurde in high-grade Gliomen durch Zugewinne auf 7p und Verluste von 10p verringert. Eine Verkürzung der rezidivfreien Zeit in Glioblastomen zeigten außerdem Tumoren mit Verlusten von 7q, 10q und 14q. In anaplastischen Astrozytomen führten Verluste von 1p und 19q sowie Zugewinne auf 8q und 10p, in WHO-Grad-II-Astrozytomen Verluste von Chromosom 6 zu einer verlängerten Zeit bis zum Rezidiv. Die Anfertigung onkogenetischer Baummodelle stellte verschiedene genetische Wege der Tumorgenese dar. Ein Cluster war gekennzeichnet durch einen Verlust von 6q, ein weiterer wurde initialisiert durch den Verlust von 13q, der dritte durch den Verlust von 9p. Der vierte Cluster wurde charakterisiert durch Zugewinne auf Chromosom 7 und Verluste von Chromosom 10, während der fünfte Cluster Zugewinne auf 8q sowie Verluste von 4q aufwies.

Most clonal plants exhibit a modular structure at multiple levels. At the level of the organs, they are characterized by functional modules, such as, internodes, leaves, branches. At the level of the genetic individual (clone or genet), they possess independent evolutionary and physiological units (ramets). These evolutionary units arise through the widespread phenomenon of clonal reproduction, achieved in a variety of ways including rhizomes, stolons, bulbils, or lateral roots. The focus of this study was Populus tremuloides, trembling aspen, a dioecious tree that reproduces sexually by seed and asexually through lateral roots. Local forest patches in western populations of Populus tremuloides consisted largely of multiple genotypes. Multi-clonal patches were dominated by a single genotype, and in one population (Riske Creek) we found several patches (five out of 17) consisting of a single genotype. A second consequence of modularity is that during the repeated cycle of ramet birth, development and death, somatic mutations have the opportunity to occur. Eventually, the clone becomes a mosaic of mutant and non-mutant cell lineages. We found that neutral somatic mutations accumulated across 14 microsatellite loci at a rate of between 10^-6 and 10^-5 per locus per year. We suggest that neutral genetic divergence, under a star phylogeny model of clonal growth, is an alternative way to estimate clone age. Previous estimates of clone age couple the mean growth rate per year of shoots with the area covered by the clone. This assumes a positive linear relationship between clone age and clone size. We found, however, no repeatable pattern across our populations in terms of the relationship of either shape or size to the number of somatic changes. A final consequence of modularity is that during clonal growth, natural selection is relaxed for traits involving sexual function. This means that mutations deleterious to sexual function can accumulate, reducing the overall sexual fitness of a clone. We coupled neutral genetic divergence within clones with pollen fitness data to infer the rate and effect of mildly deleterious mutations. Mutations reduced relative sexual fitness in clonal aspen populations by about 0.12x10^-3 to 1.01x10^-3 per year. Furthermore, the decline in sexual function with clone age is evidence that clonal organisms are vulnerable to the effects of senescence.

Epigenetic differences between maternally inherited and paternally inherited chromosomes, such as CpG methylation, render the maternal and paternal genome functionally inequivalent, a phenomenon called genomic imprinting. This functional inequivalence is exemplified with imprinted genes, whose expression is parent-of-origin specific. The dosage of imprinted gene expression is disrupted in cells with uniparental disomy (UPD), which is an unequal parental contribution to the genome. I have derived mouse embryonic stem (ES) cell sub-lines with maternal UPD (mUPD) for mouse chromosome 6 (MMU6) to characterize regulation and maintenance of imprinted gene expression. The main finding from this study is that maintenance of imprinting in mitotic UPD is extremely variable. Imprint maintenance was shown to vary from gene to gene, and to vary between ES cell lines depending on the mechanism of loss of heterozygosity (LOH) in that cell line. Certain genes analyzed, such as Peg10, Sgce, Peg1, and Mit1 showed abnormal expression in ES cell lines for which they were mUPD. These abnormal expression levels are similar to that observed in ES cells with meiotically-derived full genome mUPD (parthenogenetic ES cells). Imprinted CpG methylation at the Peg1 promoter was found to be abnormal in all sub-lines with mUPD for Peg1. Two cell sub-lines which incurred LOH through mitotic recombination showed hypermethylation of Peg1, consistent with the presence of two maternal alleles. Surprisingly, a cell sub-line which incurred LOH through full chromosome duplication/loss showed hypomethylation of Peg1. The levels of methylation observed in these sub-lines correlates with expression, as the first two sub-lines showed a near-consistent reduction of Peg1, while the latter showed Peg1 levels close to wild-type. Altogether these results suggest that certain imprinted genes, like Peg1 and Peg10, have stricter imprinting maintenance, and as a result show abnormal expression in UPD. This strict imprint maintenance is disrupted, however, in UPD incurred through full chromosome duplication/loss, possibly because of the trisomic intermediate stage which occurs in this mechanism.

The objectives of this study were to 1) evaluate marker associations for genomic regions of interest and significant ontology terms, 2) evaluate and compare 4 models for their efficacy in predicting genetic merit, 3) evaluate and compare the impact of using breed-of-origin genotypes in a Bayesian prediction model, and 4) evaluate the effects of data partitioning using family structure on predictions. Nellore-Angus F2, F3 and half-sibling calves were used with records for overall temperament at weaning (OTW; a subjective scoring system; n = 769) and Warner-Bratzler shear force (WBSF; a measure of tenderness; n = 389). After filtering, 34,913 markers were available for use. Bayesian methods employed were BayesB (using ̂) and BayesC (using π = 0 and ̂) in GenSel software, where, after estimation, π ̂ = 0.995 or 0.997 for WBSF or OTW, respectively. No regions associated with either trait were found using π ̂, but when π = 0 associated regions were identified (37 and 147 regions for OTW and WBSF, respectively). Comparison of genomic estimated breeding values from these 3 Bayesian models to an animal model showed that BayesC procedures (using ̂) had the highest accuracy for both traits, but that BayesB had the lowest indication of bias in either case. Using a subset of the population (n = 440), genotypes based on the breed in which the alleles originated from (i.e., breed-of-origin genotypes) were assigned to markers mapped to autosomes (n = 34,449), and incorporated into prediction analyses using BayesB (π ̂ = 0.997) with or without nucleotide-based genotypes. In either case, there was an increase in accuracy when breed-of-origin genotypes were incorporated into prediction analyses. Data partitions based on family structure resulted in 13 distinct training and validations groups. Relationship of individuals in the training with validation individuals did have an impact in some cases, but not all. There was poor prediction of genomic estimated breeding values for individuals in the validation population using BayesB methods, but performed better in all cases than breeding values generated using an animal model. Future studies incorporating breed-of-origin genotypes are of interest to determine if accuracy is improved in these groups.

The human ribosomal RNA genes are critically important for cell metabolism and viability. They code for the catalytic RNAs which, encased in a housing of more than 80 ribosomal proteins, link together amino acids by peptide bonds to generate all cellular proteins. Because the RNAs are not repeatedly translated, as is the case with messenger RNAs, multiple copies are required. The genes which code for the human ribosomal RNAs (rRNAs) are arranged as clusters of tandemly repeated sequences. Three of four catalytic RNAs are spliced from a single transcript. The genes are located on the short arms of the five acrocentric chromosomes (13, 14, 15, 21, and 22). The genes for the fourth rRNA are on chromosome 1q42, also arranged as a cluster of tandem repeats. The repeats are extremely similar in sequence, which makes them ideal for misalignment, non‐allelic homologous recombination (NAHR), and genomic destabilization during meiosis , replication, and damage repair. In this dissertation, I have used pulse‐field gel electrophoresis and in‐blot Southern hybridization to explore the physical structure of the human rRNA genes and determine their stability and heritability in normal, healthy individuals. I have also compared their structure in solid tumors compared to normal, healthy tissue from the same patient to determine whether dysregulated homologous recombination is an important means of genomic destabilization in cancer progression. Finally, I used the NCI‐60 panel of human cancer cell lines to compare the results from the pulsed‐field analysis, now called the gene cluster instability (GCI) assay, to two other indicators of homologous‐recombination-mediated genomic instability: sister chromatid exchange, and 5‐hydroxymethyl‐2’deoxyuridine sensitivity.

Genomic instability driven by non-allelic homologous recombination (NAHR) provides a realistic mechanism that could account for the numerous chromosomal abnormalities that are hallmarks of cancer. We recently demonstrated that this type of instability could be assayed by analyzing the copy number variation of the human ribosomal RNA gene clusters (rDNA). Further, we found that gene cluster instability (GCI) was present in greater than 50% of the human cancer samples that were tested. Here, data is presented that confirms this phenomenon in the human GAGE gene cluster of those cancer patients. This adds credence to the hypothesis that NAHR could be a driving force for carcinogenesis. This data is followed by experimental results that demonstrate the same gene cluster instability in cultured cells that are deficient for the human BLM protein. Bloom’s Syndrome (BS) results from a genetic mutation that results in the abolition of BLM protein, one of human RecQ helicase. Studies of Bloom’s Syndrome have reported a 10-fold increase in sister chromatid exchanges during mitosis which has primarily been attributed to dysregulated homologous recombination. BS also has a strong predisposition to a broad spectrum of malignancies. Biochemical studies have determined that the BLM protein works in conjunction with TOPOIIIα and RMI1/RMI2 to function as a Holliday Junction dissolvase that suppress inadvertent crossover formation in mitotic cells. Because of the similarities in their biochemical activities it was suggested that another DNA helicase found in E. coli, the RecG DNA translocase, is the functional analog of BLM. RecG shares no sequence homology with BLM but it can complement both the sister chromatid exchange elevation and the gene- cluster instability phenotype caused by BLM deficiency. This indicates that the physiological function of BLM that is responsible for these phenotypes rests somewhere in the shared biochemical activities of these two proteins. These data taken together give new insights into the physiological mechanism of BLM protein and the use of Bloom’s Syndrome as a model for carcinogenesis.

Bioinformatics and computational biology (BCB) is a rapidly developing multidisciplinary field which encompasses a wide range of domains, including genomic sequence alignments. It is a fundamental tool in molecular biology in searching for homology between sequences. Sequence alignments are currently gaining close attention due to their great impact on the quality aspects of life such as facilitating early disease diagnosis, identifying the characteristics of a newly discovered sequence, and drug engineering. With the vast growth of genomic data, searching for a sequence homology over huge databases (often measured in gigabytes) is unable to produce results within a realistic time, hence the need for acceleration. Since the exponential increase of biological databases as a result of the human genome project (HGP), supercomputers and other parallel architectures such as the special purpose Very Large Scale Integration (VLSI) chip, Graphic Processing Unit (GPUs) and Field Programmable Gate Arrays (FPGAs) have become popular acceleration platforms. Nevertheless, there are always trade-off between area, speed, power, cost, development time and reusability when selecting an acceleration platform. FPGAs generally offer more flexibility, higher performance and lower overheads. However, they suffer from a relatively low level programming model as compared with off-the-shelf microprocessors such as standard microprocessors and GPUs. Due to the aforementioned limitations, the need has arisen for optimized FPGA core implementations which are crucial for this technology to become viable in high performance computing (HPC). This research proposes the use of state-of-the-art reprogrammable system-on-chip technology on FPGAs to accelerate three widely-used sequence alignment algorithms; the Smith-Waterman with affine gap penalty algorithm, the profile hidden Markov model (HMM) algorithm and the Basic Local Alignment Search Tool (BLAST) algorithm. The three novel aspects of this research are firstly that the algorithms are designed and implemented in hardware, with each core achieving the highest performance compared to the state-of-the-art. Secondly, an efficient scheduling strategy based on the double buffering technique is adopted into the hardware architectures. Here, when the alignment matrix computation task is overlapped with the PE configuration in a folded systolic array, the overall throughput of the core is significantly increased. This is due to the bound PE configuration time and the parallel PE configuration approach irrespective of the number of PEs in a systolic array. In addition, the use of only two configuration elements in the PE optimizes hardware resources and enables the scalability of PE systolic arrays without relying on restricted onboard memory resources. Finally, a new performance metric is devised, which facilitates the effective comparison of design performance between different FPGA devices and families. The normalized performance indicator (speed-up per area per process technology) takes out advantages of the area and lithography technology of any FPGA resulting in fairer comparisons. The cores have been designed using Verilog HDL and prototyped on the Alpha Data ADM-XRC-5LX card with the Virtex-5 XC5VLX110-3FF1153 FPGA. The implementation results show that the proposed architectures achieved giga cell updates per second (GCUPS) performances of 26.8, 29.5 and 24.2 respectively for the acceleration of the Smith-Waterman with affine gap penalty algorithm, the profile HMM algorithm and the BLAST algorithm. In terms of speed-up improvements, comparisons were made on performance of the designed cores against their corresponding software and the reported FPGA implementations. In the case of comparison with equivalent software execution, acceleration of the optimal alignment algorithm in hardware yielded an average speed-up of 269x as compared to the SSEARCH 35 software. For the profile HMM-based sequence alignment, the designed core achieved speed-up of 103x and 8.3x against the HMMER 2.0 and the latest version of HMMER (version 3.0) respectively. On the other hand, the implementation of the gapped BLAST with the two-hit method in hardware achieved a greater than tenfold speed-up compared to the latest NCBI BLAST software. In terms of comparison against other reported FPGA implementations, the proposed normalized performance indicator was used to evaluate the designed architectures fairly. The results showed that the first architecture achieved more than 50 percent improvement, while acceleration of the profile HMM sequence alignment in hardware gained a normalized speed-up of 1.34. In the case of the gapped BLAST with the two-hit method, the designed core achieved 11x speed-up after taking out advantages of the Virtex-5 FPGA. In addition, further analysis was conducted in terms of cost and power performances; it was noted that, the core achieved 0.46 MCUPS per dollar spent and 958.1 MCUPS per watt. This shows that FPGAs can be an attractive platform for high performance computation with advantages of smaller area footprint as well as represent economic ‘green’ solution compared to the other acceleration platforms. Higher throughput can be achieved by redeploying the cores on newer, bigger and faster FPGAs with minimal design effort.