| Summary: | Submitted by Marco Antônio de Ramos Chagas (mchagas@ufv.br) on 2015-11-16T15:48:51Z
No. of bitstreams: 1
texto completo.pdf: 691384 bytes, checksum: aab815327caf398b574398b645aac346 (MD5) === Made available in DSpace on 2015-11-16T15:48:51Z (GMT). No. of bitstreams: 1
texto completo.pdf: 691384 bytes, checksum: aab815327caf398b574398b645aac346 (MD5)
Previous issue date: 2015-02-26 === Coordenação de Aperfeiçoamento de Pessoal de Nível Superior === A seleção genômica, ou seleção genômica ampla foi proposta com a finalidade de otimizar o processo de melhoramento genético utilizando simultaneamente dados fenotípicos e genotípicos por meio de marcadores SNP’s, presentes em todo o genoma. Várias metodologias têm sido implementadas, principalmente utilizando regressão linear e considerando os efeitos dos marcadores fixos (BLUP, LS, etc.) ou considerando os efeitos aleatórios (Bayes A, Bayes B, LASSO Bayesiano, dentre outras). Em geral, tais metodologias analisam cada característica individualmente, ou seja, os resultados obtidos são válidos apenas para uma única variável. Entretanto, em programas de melhoramento o interesse recai em ganhos para mais de uma característica conjuntamente. Dessa forma, desenvolver uma abordagem que trabalhe com análises que considerem várias características simultaneamente pode ser interessante, visto que poderíamos estudar um conjunto de caracteres importantes conjuntamente. Uma metodologia possível de ser utilizada para este fim é a análise fatorial (ou análise de fatores - AF). Tal metodologia permite a obtenção de variáveis latentes (fatores comuns) que representam um conjunto das variáveis originais. A partir de então, análises posteriores podem ser realizadas utilizando as variáveis latentes criadas. Diante do exposto, o principal objetivo deste trabalho foi propor a utilização da análise de fatores para criação de variáveis latentes altamente associadas às variáveis fenotípicas originais, de modo que possamos estimar o mérito genético para os indivíduos considerando várias variáveis simultaneamente. Objetivou-se também comparar os resultados obtidos com aqueles advindos das análises individuais. Para tanto, foram utilizados dados fenotípicos e genotípicos provenientes de 345 suínos obtidos pelo cruzamento das raças Piau e Comercial, oriundos da Granja de Melhoramento de Suínos do Departamento de Zootecnia da Universidade Federal de Viçosa (UFV), no período de novembro de 1998 a julho de 2001, utilizando 237 marcadores SNP’s e 41 variáveis fenotípicas. No primeiro capítulo foi aplicada a análise de fatores para verificar a estrutura de associação entre as variáveis e averiguar a que fator cada variável pertence, onde são identificados os fatores interpretáveis. No segundo capítulo, técnicas bayesianas de seleção genômica ampla foram aplicadas nas variáveis latentes interpretáveis para predição do mérito genético e seleção dos indivíduos, comparando assim os resultados com o que foi encontrado para as variáveis fenotípicas individualmente. Os resultados obtidos indicam que a aplicação da análise de fatores para obtenção de variáveis latentes que representam um conjunto de caracteres para posterior uso em seleção genômica ampla se mostrou eficiente, visto que apresentou valores de acurácia semelhantes aos encontrados considerando as análises individuais das variáveis e alta concordância entre os indivíduos selecionados considerando a variável latente e as variáveis individuais. === Genomic selection, or genome-wide selection was proposed in order to optimize breeding process using both phenotypic and genotypic data by SNP's markers, present throughout the genome. Various methodologies have been implemented mostly using linear regression and considering the effects of fixed markers (BLUP, LS, etc.) or considering the random effects (The Bayes, Bayes B, Bayesian LASSO, among others). In general, such methods analyze each feature individually, or the results obtained are valid only for a single variable. However, in breeding programs interest falls in earnings to more than one feature together. Thus, developing an approach that works with analyzes that consider various features can be simultaneously interesting, because we could study a number of important characters together. One possible method to be used for this purpose is the factor analysis (or analysis of factors - AF). This methodology allows obtaining latent variables (common factors) that represent a set of original variables. Since then, further analysis can be performed using the latent variables created. Given the above, the main objective of this work was to propose the use of factor analysis for creating highly latent variables associated with the original phenotypic variables, so that we can estimate the genetic merit for individuals considering several variables simultaneously. The objective is to also compare the results with those arising from the individual reviews. Therefore, phenotypic and genotypic data from 345 pigs obtained by crossing the breeds were used Piau and Trade, coming from the Farm Improvement Pigs Department of Animal Science of the Federal University of Viçosa (UFV), from November 1998 to July 2001, using 237 markers SNP's and 41 phenotypic variables. In the first chapter was applied to factor analysis to assess the association structure between variables and determine the factor which each variable belongs, where interpretable factors are identified. In the second chapter, Bayesian techniques of genome-wide selection were applied in interpretable latent variables to predict genetic merit and selection of individuals, and compare it to what was found for the phenotypic variables individually. The results indicate that the application of the factor analysis to obtain latent variables representing a character set for later use in genome wide selection proved to be efficient, since accuracy showed similar values to those found considering the analysis of individual variable and high agreement among the individuals selected considering the latent variable and individual variables.
|
|---|
