| Summary: | Made available in DSpace on 2015-03-03T11:52:24Z (GMT). No. of bitstreams: 0
Previous issue date: 2014-07-15Bitstream added on 2015-03-03T12:07:19Z : No. of bitstreams: 1
000810819.pdf: 308723 bytes, checksum: 524c7c0a9ecb8ecef63e198e5ccb23d3 (MD5) === A seleção genômica tem sido apontada como uma tecnologia que propiciará aumentos expressivos nas taxas de progresso genético em programas de melhoramento animal. Um dos fatores limitantes para a aplicação da seleção genômica é o custo associado à necessidade de genotipagem de um número grande de animais, com painéis de alta densidade, para a obtenção de boa habilidade de predição dos valores genéticos. Uma alternativa para reduzir custos seria genotipar parte dos animais com painéis menos densos e utilizar técnicas de imputação de genótipos. Em bovinos da raça Nelore, ainda não há consenso quanto à densidade dos painéis a serem utilizados e quanto à estratégia de genotipagem e imputação. Assim, objetivou-se com o presente projeto avaliar a habilidade de predição da seleção genômica utilizando painéis de marcadores moleculares de diferentes densidades, assim como o efeito da utilização de genótipos imputados na habilidade de predição da seleção genômica, em bovinos da raça Nelore. A característica considerada foi precocidade de terminação. Um total de 2035 animais geneticamente avaliados para essa característica e genotipados com o chip Ilumina ® HD Bovina (780k) foram utilizados nas análises, simulando uma situação em que os animais teriam sido genotipados com chips de densidade mais baixa. Análises de seleção genômica também foram executadas utilizando parte dos marcadores do painel de 780k , disponibilizando apenas os SNPs em comum com as seguintes painéis: Illumina® BovineLD (7K), Illumina® BovineSNP50 v2 (50K) e GeneSeek® Genomic Profiler 20K e 75K para Bos indicus. A imputação dos genótipos foi feita com o uso do programa FImpute e as predições genômicas foram conduzidas utilizando os métodos GBLUP e LASSO Bayesiano. Ambas análises, de imputação e de predição genômica, foram conduzidas de forma repetida, seguindo um esquema de validação cruzada, com a formação ... === Genomic selection has been considered as a technique that will allow significant increase in the genetic progress of animal breeding programs. A constrain for genomic selection application is the cost of genotyping several animals with high density chips in order to obtain a good prediction equation. An alternative to reduce costs is to genotype part of the animals with a lower density chip and to impute the unobserved genotypes. In Nelore cattle, there is no consensus about which chip and genotyping strategy should be adopted. Therefore, the aim of the present study was to evaluate the predictive ability of genomic selection in Nelore cattle using chips with different densities, and also to assess the effect of using imputed genotypes. The trait considered was finishing precocity. A total of 2,035 animals genetically evaluated for this trait and genotyped with the Illumina® Bovine HD chip (780K) were used in the analyses, mimicking a situation where the animals would have been genotyped with lower density chips. Genomic selection analyses were also run masking part of the 780K genotypes, making available just the SNPs in common with the following chips: Illumina® BovineLD (7K), Illumina® BovineSNP50 v2 (50K), GeneSeek® Genomic Profiler 20K and 75K for Bos indicus. Genomic prediction analyses were run with or without imputing the masked genotypes, using the software FImpute, and under the GBLUP and Bayesian LASSO methods. A 5- fold cross-validation scheme was adopted to perform the analyses, randomly assigning the groups. Results showed that the 50K and 75K chips presented the same predictive ability as the 780K chip. The results also indicated that if the 780K was considered as the target chip for applying genomic selection in the Nelore breed, its cost effectiveness could be improved with the strategy of genotyping part of the animals with a lower density chip (7K or 20K) and imputing their 780K missing genotypes. Further studies ...
|
|---|
