Métodos de predição podem aumentar consideravelmente a eficiência dos programas de melhoramento de milho. O objetivo deste estudo foi predizer a performance de 250 híbridos simples de milho avaliados em múltiplos ambientes utilizando a informação de marcadores moleculares. Para isso, 50 linhagens endogâmicas provenientes de diferentes populações foram cruzadas com cinco linhagens elite, também endogâmicas, para obtenção dos 250 híbridos simples. As matrizes moleculares das linhagens e dos híbridos foram obtidas a partir da genotipagem das 55 linhagens com 614 marcadores AFLP. Os híbridos simples foram avaliados para produção de grãos em 13 ambientes. A predição dos híbridos foi realizada utilizando o modelo misto BLUP considerando diferentes coeficientes de parentesco e similaridade no estado na predição dos efeitos das capacidades geral e específica de combinação dos genitores. As médias preditas dos híbridos a partir de cada coeficiente foram correlacionadas com as médias fenotípicas para obtenção da acurácia de predição. A predição também foi realizada utilizando o modelo de seleção genômica ampla RR-BLUP. Nesse caso, a matriz molecular dos híbridos foi utilizada diretamente no modelo misto de estimação dos efeitos dos marcadores e da contribuição de cada um deles para o valor genético dos híbridos. Foram realizadas validações cruzadas entre e dentro de ambientes e entre e dentro de grupos de híbridos relacionados a fim de verificar os efeitos do tamanho da população de treinamento (N), número de marcas (NM), interação híbridos x ambientes (H x A) e da estrutura da população na estimativa da acurácia de predição. A predição genômica foi comparada com a seleção fenotípica quanto à eficiência em identificar híbridos superiores em um esquema de melhoramento de milho. Todos os coeficientes de parentesco e similaridade no estado apresentaram elevadas estimativas de acurácia, contudo foi possível observar considerável superioridade dos coeficientes Wang e Rogers Modificado tanto na predição quanto na seleção dos híbridos superiores, demonstrando o potencial dessas metodologias como ferramentas a serem utilizadas nos programas de melhoramento de milho. Os resultados da predição utilizando o modelo de seleção genômica ampla indicaram que o aumento de N e NM não alteraram significativamente as estimativas de acurácia. As estimativas da acurácia na validação cruzada dentro de ambientes foram superiores às obtidas entre ambientes, inferindo que o efeito da interação H x A foi expressivo. Também foram observadas estimativas de acurácia expressivamente maiores para populações de treinamento e validação compostas por híbridos relacionados. Em todos os casos, as estimativas de acurácia apresentaram amplos intervalos em função da amostra de híbridos utilizada nas populações de treinamento e validação, indicando que a seleção genômica pode não ser eficiente dependendo da população amostrada. Os resultados deste estudo sugerem que a predição genômica é uma ferramenta para aumentar a eficiência da seleção nos programas de melhoramento se utilizada de forma adequada pelo melhorista, considerando os efeitos de estrutura de população e interação H x A de forma a maximizar a acurácia e, consequentemente, o sucesso da predição. / Prediction using molecular markers information can greatly increase the efficiency of maize breeding programs. This study aimed to predict the performance of maize single-crosses evaluated in multiple environments and using molecular markers information. Five inbred lines used as testers were crossed to 50 inbred lines from multiple populations to obtain 250 maize single-crosses. 614 AFLP markers were used to asses molecular matrices of the inbred lines and single-crosses. The 250 single-crosses were evaluated for grain yield in 13 environments. Genomic prediction was performed using the mixed model BLUP considering different genomic relationship and similarity in state coefficients to predict the effect of general and specific combining abilities of the parents. Predicted means from each coefficient were correlated with phenotypic means for obtaining prediction accuracy. Genomewide prediction was also performed using the linear regression model RR-BLUP in the estimation of markers genotypic values and its contribution to hybrids genetic values. Cross-validations between and within environments and between and within groups of related single-crosses were performed to verify the effects of training population size (N), number of markers (NM), genotype-by-environment interaction (G x E) and population structure in estimating accuracy. Genomic prediction was compared with phenotypic selection in efficiency of selecting better hybrids in a maize breeding program. All relationship coefficients and similarity in state coefficients showed high values of accuracy, however we observed superiority of Wang relationship coefficient and Modified Rogers similarity coefficient both in predicting and in identifying the best single-crosses, showing the potential of these approaches as tools to be used in maize breeding programs. Genomewide prediction results showed that increasing N and NM did not led to higher accuracy estimates. Predicted accuracies of cross validation analysis within environments were higher than between environments, indicating that the effect of G x E interaction was significant. Greater accuracies were achieved when training and validation set were from related single-crosses. In all scenarios, wide intervals of accuracy were found, meaning that genomic prediction may not be effective depending on the sample used. Therefore, the results of this study suggest that genomic prediction is a tool to increase the efficiency of selection in breeding programs if used properly by breeders, considering the population structure and G x E interaction effect so as to reduce sample problems and maximize accuracy and hence the success of prediction.

Made available in DSpace on 2015-03-26T13:55:13Z (GMT). No. of bitstreams: 1 texto completo.pdf: 833034 bytes, checksum: c1160b57dd7b16db04bc27109bc4f8f1 (MD5) Previous issue date: 2012-07-23 / Fundação de Amparo a Pesquisa do Estado de Minas Gerais / From the beginning of the century, advances in genotyping enabled the development of new classes of markers, among which stand out single nucleotide polymorphisms (SNPs). Due to the availability of these markers it has been proposed genomic selection, consisting of simultaneous analysis of large number of markers distributed throughout the genome; its success depends on the method used for prediction of genomic breeding values. The objective of this study was to compare the methods RR-BLUP and Bayesian LASSO to calculate estimated genomic breeding values (GEBVs) and also to determine which method provides more accurate results for genomic selection in pigs. A total of 622 boarswere genotyped for 2,500 SNPs, and phenotyped for the following traits: concentration of androstenone, concentration of skatole, backfat thickness and loin depth. The R software packages rrBLUP and BLR were used respectively for the implementation of the RR-BLUP method and Bayesian LASSO method. Genetic correlations between the traits were calculated by the correlation between the vectors of GEBVs. The Bayesian LASSO method reached higher accuracy values in three traits: concentration of androstenone (0.65), concentration of skatole (0.58) and loin depth (0.33), and RR-BLUP was more accurate (0.61) for backfat thickness. Genetic correlations calculated, show that exists a small genetic correlation (0.03) between backfat thickness and loin depth. Between the concentrations of androstenone and skatole also exists a genetic correlation (0.24)that is consistent with results from other studies. Thus, concerning to the estimates of effects of markers, for all traits the found peaks were in regions where are reported QTLs inPIGQTLdatabase and other studies. / A partir do início do século XXI, avanços na genotipagem permitiram o desenvolvimento de novas classes de marcadores, entre os quais se destacam os polimorfismos de nucleotídeos simples (SNPs). Devido à disponibilidade desses marcadores, foi proposta a Seleção Genômica, que consiste em uma análise simultânea de um grande número de marcadores distribuídos ao longo do genoma, cujo sucesso depende do método utilizado de predição de valores genéticos genômicos. O objetivo deste estudo foi comparar os métodos RR-BLUP e LASSO Bayesiano para cálculo dos valores genéticos genômicos estimados (GEBVs) e determinar qual método apresenta resultados mais acurados para a seleção genômica em suínos. Foram genotipados 622 suínos machos não castrados para 2.500 SNPs, e fenotipados para as seguintes características: concentração de androstenona, concentração de skatol, espessura de gordura subcutânea e profundidade de lombo. Os pacotes rrBLUP e BLR do software R foram utilizados respectivamente para a implementação do método RR-BLUP e LASSO Bayesiano. As correlações genéticas entre as característicasforam calculadas por meio da correlação entre os vetores de GEBVs. O método LASSO Bayesiano apresentou valores mais elevados de acurácia em três características: concentração de androstenona (0,65), concentração deskatol (0,58), e profundidade de lombo (0,33), e o RR-BLUP foi mais acurado para espessura de gordura subcutânea (0,61). As correlações genéticas calculadas, mostram que existe uma pequena correlação genética entre espessura de gordura subcutânea e profundidade de lombo (0,03). Entre as concentrações de androstenona e skatol também existe correlação genética (0,24) que é consistente com os resultados de outros estudos. Assim, com relação às estimativas de efeitos de marcadores, para todas as características os picos encontrados estão em regiões onde se encontram QTLs relatados no PIGQTLdatabase e em outros estudos.

Métodos de predição podem aumentar consideravelmente a eficiência dos programas de melhoramento de milho. O objetivo deste estudo foi predizer a performance de 250 híbridos simples de milho avaliados em múltiplos ambientes utilizando a informação de marcadores moleculares. Para isso, 50 linhagens endogâmicas provenientes de diferentes populações foram cruzadas com cinco linhagens elite, também endogâmicas, para obtenção dos 250 híbridos simples. As matrizes moleculares das linhagens e dos híbridos foram obtidas a partir da genotipagem das 55 linhagens com 614 marcadores AFLP. Os híbridos simples foram avaliados para produção de grãos em 13 ambientes. A predição dos híbridos foi realizada utilizando o modelo misto BLUP considerando diferentes coeficientes de parentesco e similaridade no estado na predição dos efeitos das capacidades geral e específica de combinação dos genitores. As médias preditas dos híbridos a partir de cada coeficiente foram correlacionadas com as médias fenotípicas para obtenção da acurácia de predição. A predição também foi realizada utilizando o modelo de seleção genômica ampla RR-BLUP. Nesse caso, a matriz molecular dos híbridos foi utilizada diretamente no modelo misto de estimação dos efeitos dos marcadores e da contribuição de cada um deles para o valor genético dos híbridos. Foram realizadas validações cruzadas entre e dentro de ambientes e entre e dentro de grupos de híbridos relacionados a fim de verificar os efeitos do tamanho da população de treinamento (N), número de marcas (NM), interação híbridos x ambientes (H x A) e da estrutura da população na estimativa da acurácia de predição. A predição genômica foi comparada com a seleção fenotípica quanto à eficiência em identificar híbridos superiores em um esquema de melhoramento de milho. Todos os coeficientes de parentesco e similaridade no estado apresentaram elevadas estimativas de acurácia, contudo foi possível observar considerável superioridade dos coeficientes Wang e Rogers Modificado tanto na predição quanto na seleção dos híbridos superiores, demonstrando o potencial dessas metodologias como ferramentas a serem utilizadas nos programas de melhoramento de milho. Os resultados da predição utilizando o modelo de seleção genômica ampla indicaram que o aumento de N e NM não alteraram significativamente as estimativas de acurácia. As estimativas da acurácia na validação cruzada dentro de ambientes foram superiores às obtidas entre ambientes, inferindo que o efeito da interação H x A foi expressivo. Também foram observadas estimativas de acurácia expressivamente maiores para populações de treinamento e validação compostas por híbridos relacionados. Em todos os casos, as estimativas de acurácia apresentaram amplos intervalos em função da amostra de híbridos utilizada nas populações de treinamento e validação, indicando que a seleção genômica pode não ser eficiente dependendo da população amostrada. Os resultados deste estudo sugerem que a predição genômica é uma ferramenta para aumentar a eficiência da seleção nos programas de melhoramento se utilizada de forma adequada pelo melhorista, considerando os efeitos de estrutura de população e interação H x A de forma a maximizar a acurácia e, consequentemente, o sucesso da predição. / Prediction using molecular markers information can greatly increase the efficiency of maize breeding programs. This study aimed to predict the performance of maize single-crosses evaluated in multiple environments and using molecular markers information. Five inbred lines used as testers were crossed to 50 inbred lines from multiple populations to obtain 250 maize single-crosses. 614 AFLP markers were used to asses molecular matrices of the inbred lines and single-crosses. The 250 single-crosses were evaluated for grain yield in 13 environments. Genomic prediction was performed using the mixed model BLUP considering different genomic relationship and similarity in state coefficients to predict the effect of general and specific combining abilities of the parents. Predicted means from each coefficient were correlated with phenotypic means for obtaining prediction accuracy. Genomewide prediction was also performed using the linear regression model RR-BLUP in the estimation of markers genotypic values and its contribution to hybrids genetic values. Cross-validations between and within environments and between and within groups of related single-crosses were performed to verify the effects of training population size (N), number of markers (NM), genotype-by-environment interaction (G x E) and population structure in estimating accuracy. Genomic prediction was compared with phenotypic selection in efficiency of selecting better hybrids in a maize breeding program. All relationship coefficients and similarity in state coefficients showed high values of accuracy, however we observed superiority of Wang relationship coefficient and Modified Rogers similarity coefficient both in predicting and in identifying the best single-crosses, showing the potential of these approaches as tools to be used in maize breeding programs. Genomewide prediction results showed that increasing N and NM did not led to higher accuracy estimates. Predicted accuracies of cross validation analysis within environments were higher than between environments, indicating that the effect of G x E interaction was significant. Greater accuracies were achieved when training and validation set were from related single-crosses. In all scenarios, wide intervals of accuracy were found, meaning that genomic prediction may not be effective depending on the sample used. Therefore, the results of this study suggest that genomic prediction is a tool to increase the efficiency of selection in breeding programs if used properly by breeders, considering the population structure and G x E interaction effect so as to reduce sample problems and maximize accuracy and hence the success of prediction.