Submitted by Marco Antônio de Ramos Chagas (mchagas@ufv.br) on 2017-02-13T15:49:16Z
No. of bitstreams: 1
texto completo.pdf: 3558878 bytes, checksum: 2b30ec8d9f71e9e1bab44b69484c0c54 (MD5) / Made available in DSpace on 2017-02-13T15:49:16Z (GMT). No. of bitstreams: 1
texto completo.pdf: 3558878 bytes, checksum: 2b30ec8d9f71e9e1bab44b69484c0c54 (MD5)
Previous issue date: 2016-11-30 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / A seleção genômica (SG) tem se tormado uma ferramenta de grande potencial no melhoramento de plantas. Além dela, o estudo de associação genômica (EAGA) e a seleção assistida por marcadores moleculares (SAM) também são metodologias com aplicabilidade no melhoramento. A diferença básica entre essas metodologias é que enquanto a SAM utiliza mapas de ligação e o EAGA utiliza mapas de associação para identificar marcadores significativos, a SG utiliza todos os marcadores disponíveis sem a necessidade de nenhum tipo de mapa. Portanto os objetivos desta pesquisa foram: 1) avaliar modelos utilizando os SNPs significativos encontrados pelos SAM e EAGA como efeito fixo nos modelos comumente utilizados na SG, em que no modelo tradicional, todos os SNPs são estabelecidos como de efeito aleatório. Estes modelos foram comparados com o modelo padrão utilizado na SG (RRBLUP bayesiano); 2) comparar os métodos tradicionais de seleção genômica (todos os SNPs como efeito aleatório); 3) verificar como a herdabilidade e o número de QTLs que controlam a característica podem influenciar na predição do valor genético; 4) estabelecer uma equação de predição da correlação genética em função da correlação fenotípica; 5) estabelecer o número ideal de indivíduos para compor a população de treinamento e; 6) estabelecer a quantidade necessária de marcadores para obter máxima acurácia pelos métodos de seleção genômica. Foram simuladas populações F 2 com 1.000 indivíduos em diferentes cenários. As populações foram simuladas com 4.500 (objetivo 1) e 3.000 marcadores (demais objetivos). Foram simuladas características com diferentes herdabilidades (5, 20, 40, 60, 80 e 99%) e o número de QTLs (60, 120, 180 e 240) (objetivos 2, 3 e 4). Foram estimados para todos os cenários a capacidade preditiva fenotípica e genotípica, a acurácia fenotipica e genotípica, a herdabilidade genômica, a variância genética, o ganho com a seleção, o índice de coincidência e o tempo de processamento. Foi utilizado a cross validação 5-fold com 50 repetições. As principais conclusões desta pesquisa foram: 1) A utilização de um modelo de SG com as marcas significativas encontradas pelo EAGA como efeito fixo e as demais marcas como efeito aleatório é uma boa estratégia para selecionar indivíduos superiores com alta acurácia; 2) A introdução no modelo de SG de QTLs que já foram descritos previamente para a característica em estudo, como efeito fixo, permite a seleção de indivíduos superiores de forma mais acurada; 3) os modelos de seleção genômica para predição em populações F 2 devem ser compostos por 200 a 900 marcadores de maior efeito sobre a característica e mais de 600 indivíduos na população de treinamento. / Genomic selection (GS) has become a high potential tool in plant breeding. Moreover, genomic wide association study (GWAS) and marker-assisted selection (MAS) are also methodologies with great potential in plant breeding. The basic difference among them is while MAS requires linkage mapping and GWAS requires association mapping to identify significant markers, GWS performs all available markers without any mapping. Therefore, the objectives in this research were: 1) to evaluate models using significant SNPs found by GWAS and MAS as fixed effect in the widely GS models, which, in the traditional model all SNPs are treated as random effect. These models were compared with the standart GS model (Bayesian RRBLUP); 2) To compare the most GS traditional models (all SNPs as random effect); 3) to verify how the heritability and number of QTLs which control a specific trait can influence for predicting genetic value; 4) to establish a prediction equation to estimate the genetic correlation based on phenotypic correlation; 5) to establish the optimal number of individuals to compose the training population and; 6) to establish the number of markers needed to obtain the maximum accuracy by the genomic selection methods. F 2 population was simulated with 1,000 individuals in several scenarios. Populations were simulated with 4,500 (objective 1) and 3,000 markers (other objectives). Traits with different heritability (5%, 20%, 40%, 60%, 80% and 99%) and numbers of QTLs (60, 120, 180 and 240 – objectives 2, 3, and 4) were simulated. Phenotypic and genotypic predictive ability, phenotypic and genotypic accuracy, genomic heritability, genetic variance, selection gain, conincidence index, and processing time were estimated for all scenarios. 5-fold cross validation was repeated 50 times. The mainly conclusion in this research were: 1) SG model performed with the significant markers found by GWAS as fixed effect and the remaining SNPs as random effects is a useful strategy to select superior individuals with high accuracy; 2) GS model performed with the QTLs, previously reported for the traits in study, as fixed effect allows the selection of superior individuals more accurate; 3) Genomic selection models should be composed with number of markers ranged from 200 to 900 and number of individuals in the training population beyond 600.
Identifer | oai:union.ndltd.org:IBICT/oai:localhost:123456789/9507 |
Date | 30 November 2016 |
Creators | Peixoto, Leonardo de Azevedo |
Contributors | Cruz, Cosme Damião, Silva, Fabyano Fonseca e, Bhering, Leonardo Lopes |
Publisher | Universidade Federal de Viçosa |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | Portuguese |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
Source | reponame:Repositório Institucional da UFV, instname:Universidade Federal de Viçosa, instacron:UFV |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.002 seconds