Predição genômica com o modelo aditivo-dominante por métodos de redução de dimensionalidade
Autor(a) principal: | |
---|---|
Data de Publicação: | 2020 |
Outros Autores: | , , , , |
Tipo de documento: | Artigo |
Idioma: | eng |
Título da fonte: | Pesquisa Agropecuária Brasileira (Online) |
Texto Completo: | https://seer.sct.embrapa.br/index.php/pab/article/view/26824 |
Resumo: | O objetivo deste trabalho foi avaliar a aplicação de diferentes métodos de redução de dimensionalidade no modelo aditivo-dominante e compará-los ao método genômico da melhor predição linear não viesada (G-BLUP). Os métodos de redução avaliados foram: regressão via componentes principais (PCR), quadrados mínimos parciais (PLS) e regressão via componentes independentes (ICR). Utilizou-se um conjunto de dados simulados composto por 1.000 indivíduos e 2.000 polimorfismos de nucleotídeo único, analisados em quatro cenários: dois níveis de herdabilidade x duas heranças genéticas. Para auxiliar na escolha do número de componentes, os resultados foram avaliados quanto às informações genômicas aditiva, dominante e total. De modo geral, a PCR apresentou maiores valores de acurácia em comparação aos demais métodos. No entanto, nenhuma das metodologias consegue capturar as herdabilidades genômicas reais e todas apresentam estimativas viesadas, tendo subestimado ou superestimado os valores genéticos genômicos. Para a estimação simultânea dos efeitos de marcadores aditivos e devidos à dominância, a melhor alternativa é a escolha do número de componentes que conduz o valor genômico devido à dominância à maior acurácia. |
id |
EMBRAPA-4_3aae8b779c4787330d80e88d6481e8e8 |
---|---|
oai_identifier_str |
oai:ojs.seer.sct.embrapa.br:article/26824 |
network_acronym_str |
EMBRAPA-4 |
network_name_str |
Pesquisa Agropecuária Brasileira (Online) |
repository_id_str |
|
spelling |
Predição genômica com o modelo aditivo-dominante por métodos de redução de dimensionalidadeGenomic prediction with the additive-dominant model by dimensionality reduction methodsefeito de dominância; G-BLUP; regressão via componentes independentes; quadrados mínimos parciais; regressão via componentes principaisdominance effect; G-BLUP; independent components regression; partial least squares; principal components regressionO objetivo deste trabalho foi avaliar a aplicação de diferentes métodos de redução de dimensionalidade no modelo aditivo-dominante e compará-los ao método genômico da melhor predição linear não viesada (G-BLUP). Os métodos de redução avaliados foram: regressão via componentes principais (PCR), quadrados mínimos parciais (PLS) e regressão via componentes independentes (ICR). Utilizou-se um conjunto de dados simulados composto por 1.000 indivíduos e 2.000 polimorfismos de nucleotídeo único, analisados em quatro cenários: dois níveis de herdabilidade x duas heranças genéticas. Para auxiliar na escolha do número de componentes, os resultados foram avaliados quanto às informações genômicas aditiva, dominante e total. De modo geral, a PCR apresentou maiores valores de acurácia em comparação aos demais métodos. No entanto, nenhuma das metodologias consegue capturar as herdabilidades genômicas reais e todas apresentam estimativas viesadas, tendo subestimado ou superestimado os valores genéticos genômicos. Para a estimação simultânea dos efeitos de marcadores aditivos e devidos à dominância, a melhor alternativa é a escolha do número de componentes que conduz o valor genômico devido à dominância à maior acurácia.The objective of this work was to evaluate the application of different dimensionality reduction methods in the additive-dominant model and to compare them with the genomic best linear unbiased prediction (G-BLUP) method. The dimensionality reduction methods evaluated were: principal components regression (PCR), partial least squares (PLS), and independent components regression (ICR). A simulated data set composed of 1,000 individuals and 2,000 single-nucleotide polymorphisms was used, being analyzed in four scenarios: two heritability levels x two genetic architectures. To help choose the number of components, the results were evaluated as to additive, dominant, and total genomic information. In general, PCR showed higher accuracy values than the other methods. However, none of the methodologies are able to recover true genomic heritabilities and all of them present biased estimates, under- or overestimating the genomic genetic values. For the simultaneous estimation of the additive and dominance marker effects, the best alternative is to choose the number of components that leads the dominance genomic value to a higher accuracy.Pesquisa Agropecuaria BrasileiraPesquisa Agropecuária BrasileiraCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (Capes)Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (Capes)Costa, Jaquicele Aparecida daAzevedo, Camila FerreiraNascimento, MoysésSilva, Fabyano Fonseca eResende, Marcos Deon Vilela deNascimento, Ana Carolina Campana2020-12-11info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionapplication/pdfhttps://seer.sct.embrapa.br/index.php/pab/article/view/26824Pesquisa Agropecuaria Brasileira; V.55, Jan./Dec., 2020: Publicação contínua em volume anual; e01713Pesquisa Agropecuária Brasileira; V.55, Jan./Dec., 2020: Publicação contínua em volume anual; e017131678-39210100-104xreponame:Pesquisa Agropecuária Brasileira (Online)instname:Empresa Brasileira de Pesquisa Agropecuária (Embrapa)instacron:EMBRAPAenghttps://seer.sct.embrapa.br/index.php/pab/article/view/26824/14792Direitos autorais 2020 Pesquisa Agropecuária Brasileirainfo:eu-repo/semantics/openAccess2022-05-18T18:26:38Zoai:ojs.seer.sct.embrapa.br:article/26824Revistahttp://seer.sct.embrapa.br/index.php/pabPRIhttps://old.scielo.br/oai/scielo-oai.phppab@sct.embrapa.br || sct.pab@embrapa.br1678-39210100-204Xopendoar:2022-05-18T18:26:38Pesquisa Agropecuária Brasileira (Online) - Empresa Brasileira de Pesquisa Agropecuária (Embrapa)false |
dc.title.none.fl_str_mv |
Predição genômica com o modelo aditivo-dominante por métodos de redução de dimensionalidade Genomic prediction with the additive-dominant model by dimensionality reduction methods |
title |
Predição genômica com o modelo aditivo-dominante por métodos de redução de dimensionalidade |
spellingShingle |
Predição genômica com o modelo aditivo-dominante por métodos de redução de dimensionalidade Costa, Jaquicele Aparecida da efeito de dominância; G-BLUP; regressão via componentes independentes; quadrados mínimos parciais; regressão via componentes principais dominance effect; G-BLUP; independent components regression; partial least squares; principal components regression |
title_short |
Predição genômica com o modelo aditivo-dominante por métodos de redução de dimensionalidade |
title_full |
Predição genômica com o modelo aditivo-dominante por métodos de redução de dimensionalidade |
title_fullStr |
Predição genômica com o modelo aditivo-dominante por métodos de redução de dimensionalidade |
title_full_unstemmed |
Predição genômica com o modelo aditivo-dominante por métodos de redução de dimensionalidade |
title_sort |
Predição genômica com o modelo aditivo-dominante por métodos de redução de dimensionalidade |
author |
Costa, Jaquicele Aparecida da |
author_facet |
Costa, Jaquicele Aparecida da Azevedo, Camila Ferreira Nascimento, Moysés Silva, Fabyano Fonseca e Resende, Marcos Deon Vilela de Nascimento, Ana Carolina Campana |
author_role |
author |
author2 |
Azevedo, Camila Ferreira Nascimento, Moysés Silva, Fabyano Fonseca e Resende, Marcos Deon Vilela de Nascimento, Ana Carolina Campana |
author2_role |
author author author author author |
dc.contributor.none.fl_str_mv |
Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (Capes) Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (Capes) |
dc.contributor.author.fl_str_mv |
Costa, Jaquicele Aparecida da Azevedo, Camila Ferreira Nascimento, Moysés Silva, Fabyano Fonseca e Resende, Marcos Deon Vilela de Nascimento, Ana Carolina Campana |
dc.subject.por.fl_str_mv |
efeito de dominância; G-BLUP; regressão via componentes independentes; quadrados mínimos parciais; regressão via componentes principais dominance effect; G-BLUP; independent components regression; partial least squares; principal components regression |
topic |
efeito de dominância; G-BLUP; regressão via componentes independentes; quadrados mínimos parciais; regressão via componentes principais dominance effect; G-BLUP; independent components regression; partial least squares; principal components regression |
description |
O objetivo deste trabalho foi avaliar a aplicação de diferentes métodos de redução de dimensionalidade no modelo aditivo-dominante e compará-los ao método genômico da melhor predição linear não viesada (G-BLUP). Os métodos de redução avaliados foram: regressão via componentes principais (PCR), quadrados mínimos parciais (PLS) e regressão via componentes independentes (ICR). Utilizou-se um conjunto de dados simulados composto por 1.000 indivíduos e 2.000 polimorfismos de nucleotídeo único, analisados em quatro cenários: dois níveis de herdabilidade x duas heranças genéticas. Para auxiliar na escolha do número de componentes, os resultados foram avaliados quanto às informações genômicas aditiva, dominante e total. De modo geral, a PCR apresentou maiores valores de acurácia em comparação aos demais métodos. No entanto, nenhuma das metodologias consegue capturar as herdabilidades genômicas reais e todas apresentam estimativas viesadas, tendo subestimado ou superestimado os valores genéticos genômicos. Para a estimação simultânea dos efeitos de marcadores aditivos e devidos à dominância, a melhor alternativa é a escolha do número de componentes que conduz o valor genômico devido à dominância à maior acurácia. |
publishDate |
2020 |
dc.date.none.fl_str_mv |
2020-12-11 |
dc.type.none.fl_str_mv |
|
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://seer.sct.embrapa.br/index.php/pab/article/view/26824 |
url |
https://seer.sct.embrapa.br/index.php/pab/article/view/26824 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.relation.none.fl_str_mv |
https://seer.sct.embrapa.br/index.php/pab/article/view/26824/14792 |
dc.rights.driver.fl_str_mv |
Direitos autorais 2020 Pesquisa Agropecuária Brasileira info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Direitos autorais 2020 Pesquisa Agropecuária Brasileira |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Pesquisa Agropecuaria Brasileira Pesquisa Agropecuária Brasileira |
publisher.none.fl_str_mv |
Pesquisa Agropecuaria Brasileira Pesquisa Agropecuária Brasileira |
dc.source.none.fl_str_mv |
Pesquisa Agropecuaria Brasileira; V.55, Jan./Dec., 2020: Publicação contínua em volume anual; e01713 Pesquisa Agropecuária Brasileira; V.55, Jan./Dec., 2020: Publicação contínua em volume anual; e01713 1678-3921 0100-104x reponame:Pesquisa Agropecuária Brasileira (Online) instname:Empresa Brasileira de Pesquisa Agropecuária (Embrapa) instacron:EMBRAPA |
instname_str |
Empresa Brasileira de Pesquisa Agropecuária (Embrapa) |
instacron_str |
EMBRAPA |
institution |
EMBRAPA |
reponame_str |
Pesquisa Agropecuária Brasileira (Online) |
collection |
Pesquisa Agropecuária Brasileira (Online) |
repository.name.fl_str_mv |
Pesquisa Agropecuária Brasileira (Online) - Empresa Brasileira de Pesquisa Agropecuária (Embrapa) |
repository.mail.fl_str_mv |
pab@sct.embrapa.br || sct.pab@embrapa.br |
_version_ |
1793416709097390080 |