Trygve Roger Solberg disputerte 16. juni 2008

Ane Gro Siri Skjelfjord

Målsettingen med denne avhandlingen var å utvikle og sammenlikne alternative metoder for estimering av markøreffekter og videre bruk av markøreffektene til prediksjon av genomiske avlsverdier

Methods for prediction of genome-wide breeding values using dense marker genotyping

English language abstract
Genomic selection has become a new tool in animal breeding, where breeding values are predicted based on the estimated effect of DNA-markers on a genome-wide scale. This is resulting in so-called genome-wide breeding values (GWEBV), where selection candidates can be selected directly on genotype, rather than the phenotype, called genomic selection. The aim of this thesis was to develop and compare alternative methods for estimating marker effects to predict genome-wide breeding values that combine high selection accuracy and low bias. All methods have been compared by stochastic computer simulations where the true breeding values are known. In paper I, a Bayesian method, ‘BayesB’, was evaluating two types of markers, microsatellites and SNP and their densities. Two to three times as many SNP markers were necessary to achieve the same informativeness as microsatellites. The selection accuracy increased as the marker density increased, whereas the bias of GWEBV was clearly reduced with increasing marker densities. Paper II compared two multivariate regression methods, PLSR and PCR that reduced the dimensionality of the data where the aim was to reduce computational time and costs, while maintaining a high accuracy and low bias. The selection accuracy was significantly reduced compared to the ‘BayesB’ method of paper I, and the reduction in computing time seemed not to compensate for this reduction in selection accuracy. Paper III included a polygenic effect into the ‘BayesB’ model which was assumed to reduce the bias and increase the overall selection accuracy, where also animals were selected over multiple generations to evaluate the persistence of the marker effects over time. The selection accuracy was not significantly higher, but it was advantageous to include a polygenic effect into the model because the bias was significantly smaller in descending generations. Paper IV developed a fast non-MCMC (Marcov Chain Monte Carlo) based algorithm to predict a ‘BayesB’ type GWEBV. The non-MCMC method underestimated the breeding values of the best selection candidates, whereas the MCMC based method overestimated their breeding value. Generally ‘BayesB’ type of estimates of the marker effects relies on informative prior distributions about the QTL effects, so paper V investigated a nonparametric additive regression model, where the ability of the method to predict GWEBV was evaluated. The accuracy was lower compared to the ‘BayesB’ method.

The Bayesian methods provided in papers I, III and IV are good candidates for estimation of marker effects and further prediction of GWEBV, as the accuracy of selection was high, but the methods rely on informative prior distribution of QTL effects, which may not always be available. The methods in paper II and V may be good candidates for estimating marker effects and predicting GWEBV where no reliable prior information is available and practical breeding schemes with frequent re-estimation of breeding values are necessary.

Key words / ISI database key words: accuracy of selection, breeding value estimation, dense marker map, genome wide selection, marker-assisted selection, genomic selection, principal component regression, partial least square regression, genome wide breeding values, nonparametric regression, additive model, BLUP

Address pr. June 2008:

Metoder for prediksjon av avlsverdier med bruk av genetiske markører

Norsk sammendrag
Genomisk seleksjon har de siste årene blitt et nytt verktøy innenfor husdyravl, hvor prediksjon av avlsverdier baseres på estimerte effekter av DNA-markører som dekker hele genomet. Dette resulterer i såkalte genomiske avlsverdier (GWEBV), hvor avlskandidater kan selekteres direkte på genotype istedenfor fenotype, kalt genomisk seleksjon. Målsettingen med denne PhD avhandlingen var å utvikle og sammenlikne alternative metoder for estimering av markøreffekter og videre bruk av markøreffektene til prediksjon av genomiske avlsverdier. Alle metodene har blitt sammenliknet ved hjelp av stokastiske datasimuleringer hvor den sanne avlsverdien er kjent. Artikkel I bruker en Bayesiansk metode, ‘BayesB’, til å estimere effekten av to markørtyper, mikrosatellitter og SNP markører. I tillegg evalueres nødvendig tetthet på markørene. To til tre ganger så mange SNP markører var nødvendig for å oppnå samme informasjonsmengde som mikrosatellitter. Korrelasjonen mellom sann og predikert avlsverdi økte med økt markørtetthet. Estimeringsfeilen på avlsverdiene ble klart redusert med økt markørtetthet. I artikkel II ble to multivariate regresjonsmetoder, PLSR og PCR brukt til estimering av markøreffekter. Målsettingen var å redusere dimensjonen på datasettet for å redusere estimeringstiden og kostnadene, men samtidig opprettholde høy korrelasjon mellom sann og predikert avlsverdi, i tillegg til lav estimeringsfeil. Korrelasjonen mellom sann og predikert avlsverdi viste seg å være signifikant lavere sammenliknet med metoden ‘BayesB’. Den reduserte estimeringstiden rettferdiggjorde ikke reduksjonen i korrelasjon mellom sann og predikert avlsverdi. I artikkel nummer III ble en polygenisk effekt inkludert i modellen ‘BayesB’, hvor man antok at dette ville redusere estimeringsfeilen og øke korrelasjonen mellom sann og predikert avlsverdi. Seleksjon over flere generasjoner ble også utført for å evaluere holdbarheten til korrelasjonen mellom sann og predikert avlsverdi og estimeringsfeilen til avlsverdiene over tid. Korrelasjonen mellom sann og predikert avlsverdi var ikke signifikant bedre enn ‘BayesB’ uten polygenisk effekt, men det viste seg fordelaktig å implementere en polygenisk effekt i modellen fordi estimeringsfeilen var signifikant lavere, spesielt i påfølgende generasjoner. Artikkel IV utviklet en rask metode som ikke var basert på en MCMC (Markov Chain Monte Carlo) algoritme til å predikere ‘BayesB’ type GWEBV. Metoden underestimerte avlsverdiene av de beste seleksjonskandidatene, mens den opprinnelige ‘BayesB’ metoden tenderte til overestimering av avlsverdiene. Generelt vil ‘BayesB’ type av estimater av markøreffekter basere seg på informative a priori fordelinger om QTL effektene, så i artikkel V ble en ikke parametrisk additiv regresjonsmetode evaluert for dens evne til å predikere GWEBV. Korrelasjonen mellom sann og predikert avlsverdi viste seg noe redusert sammenliknet med ‘BayesB’ metoden.
De Bayesianske metodene som ble brukt i artikkel I, III og IV var alle gode kandidater for estimering av markøreffekter og videre prediksjon av GWEBV fordi korrelasjonen mellom sann og predikert avlsverdi var høy. Metodene forutsetter imidlertid kunnskap om a priori fordeling av QTL effektene, hvilket ikke alltid er tilgjengelig. Metodene i artikkel II og V kan være gode kandidater for estimering av markøreffekter og videre prediksjon av GWEBV i tilfeller hvor ingen a priori fordeling er tilgjengelig og hyppig re-estimering av markøreffekter er nødvendig.

Nøkkelord til artikkelsøk: accuracy of selection, breeding value estimation, dense marker map, genome wide selection, marker-assisted selection, genomic selection, principal component regression, partial least square regression, genome wide breeding values, nonparametric regression, additive model, BLUP

Adresse pr. juni 2008:

Til toppen

Publisert: 16.06.08
Oppdatert: 19.08.09
Utskriftsvennlig versjon

Del med en venn:

Institutt for husdyr- og akvakulturvitenskap

Tlf: +47 64 96 51 00
Faks: +47 64 96 51 01
E-post:iha@umb.no

Webansvarlig: Janne Karin Brodin

Relasjoner til saken

Norsk sammendrag

Emneord

- Forskning
- Genetikk
- Husdyrfag
- Naturvitenskap
- Utdanning