Métodos paramétricos e não paramétricos para a predição de valores genéticos genômicos de características de importância econômica em suínos

• Autor(a) principal: Joaquim, Letícia Borges [UNESP]
• Data de Publicação: 2019
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: http://hdl.handle.net/11449/191351
• topic: Brnn; Espessura de gordura; Número de leitões nascidos vivos; “Random Forest”; SnnR

A seleção genômica tem sido usada em vários programas de melhoramento de plantas e animais proporcionando ganhos na acurácia de seleção quando comparado a seleção tradicional. Contudo, é importante ressaltar que a superioridade da seleção genômica depende de vários fatores tais como a metodologia de predição dos valores genéticos genômicos. Além do desafio de encontrar a melhor metodologia para a aplicação da seleção genômica, o alto custo de implementação também representa uma dificuldade na sua ampla utilização nos programas de melhoramento animal, principalmente em suínos e aves. Os objetivos deste trabalho foram: (i) avaliar a capacidade de predição de quatro diferentes métodos de seleção genômica para características reprodutivas e produtivas; (ii) utilizar o método “Random Forest” para selecionar conjuntos de marcadores SNPs mais relevantes na explicação dos fenótipos para as características estudadas e verificar o impacto do uso desses conjuntos de SNPs na acurácia dos valores genômicos preditos para duas características de importância econômica na suinocultura. No estudo foi utilizado um arquivo de pedigree com 879.965 animais distribuídos em 13 gerações e um arquivo de fenótipos composto por 73.439 observações de espessura de gordura (EG) e 69.505 registros de número de leitões nascidos vivos por leitegada (NV). Além disso, informações de 969 animais de uma linhagem fêmea tipo Landrace genotipados com um painel customizado com 57.692 marcadores distribuídos por todo o genoma foram utilizadas. A seleção genômica foi realizada aplicando os métodos lineares GBLUP – “Genomic Estimated Breeding Value” e “Single-step” GBLUP e os não lineares brnn - “Bayesian Regularized Neural Network” e snnR – “Sparse Neural Networks”. Para verificar o impacto do uso de conjuntos de SNPs na habilidade de predição da seleção genômica foram avaliados 5 cenários: 1 - 3.000 SNPs mais importantes para EG; 2 - 3.000 SNPs mais importantes para NV; 3- 3.000 SNPs mais importantes para as duas características em conjunto; 4 - 3.000 SNPs selecionados aleatoriamente; e 5 - todos os SNPs. O método “Random Forest” foi utilizado para seleção dos SNPs dos três primeiros cenários e os valores genéticos genômicos foram preditos utilizando o método “Single-step” GBLUP. No estudo das metodologias de seleção genômica verificou-se que as acurácias de predições foram melhores para a característica EG em relação a característica NV. Também se observou que o método que apresentou a melhor predição dos valores genéticos genômicos na população estudada para ambas as características foi “single-step” GBLUP quando comparado ao método GBLUP e os métodos de redes neurais snnR e brnn. Na avaliação da predição dos valores genéticos genômicos utilizando conjuntos de SNPs identificados com o método de aprendizagem de máquina, demonstrou-se que esse método pode ser utilizado para selecionar eficientemente conjuntos de marcadores para formarem painéis de genotipagem de baixa densidade e assim reduzir os custos da implementação da seleção genômica. Isto porque, o conjunto de marcadores selecionados com o mesmo apresentou habilidade de predição semelhante quando comparado a habilidade de predição com a informação de todos os SNPs na seleção genômica apenas para a característica número de leitões nascidos vivos.