PREDIÇÃO DE VALORES FENOTÍPICOS E GENOTÍPICOS VIA RR-BLUP/GWS E REDES NEURAIS

Autores

DOI:

https://doi.org/10.1590/1983-21252018v31n301rc

Palavras-chave:

Melhoramento genético. Correlação. Marcadores moleculares.

Resumo

A seleção genômica ampla (Genome Wide Selection - GWS) utiliza simultaneamente o efeito de milhares de marcadores cobrindo todo o genoma para predizer o valor genético genômico dos indivíduos no processo de seleção. Os possíveis benefícios de seu uso são a redução do ciclo de melhoramento, propiciando maior ganho por unidade de tempo e diminuição de custos. O sucesso da GWS está atrelado a escolha do método de predição dos efeitos dos marcadores. Assim, neste trabalho, visou-se aplicar as redes neurais artificiais (Artificial Neural Networks - ANNs), com a finalidade de predizer os valores genéticos genômicos (Genomic Breeding Values - GEBVs) baseado na estimação dos efeitos dos marcadores comparados a regressão de cumeeira – melhor preditor não viesado/seleção genômica ampla (Ridge Regression – Best Linear Unbiased Predictor/Genome Wide Selection – RR-BLUP/GWS). Foram efetuadas simulações por meio do software R, fornecendo as correlações referentes às ANNs e a RR-BLUP/GWS. Os métodos de predição foram avaliados utilizando correlações entre o valor fenotípico e valor genotípico com o valor genético genômico predito. Os resultados demonstraram superioridade das ANNs na predição dos GEBVs nos cenários com maior e menor densidade de marcadores, paralelo a níveis mais altos de desequilíbrio de ligação e maior herdabilidade.

Referências

BARBOSA, C. D. et al. G. Artificial neural network analysis of genetic diversity in Carica papaya L. Crop Breeding and Applied Biotechnology, Viçosa, v. 11, n. 3, p. 224-231, 2011.

BERGMEIR, C.; BENITEZ, J. M. Neural Networks in R Using the Stuttgart Neural Network Simulator: RSNNS. Journal of Statistical Software, Innsbruck v. 46, n. 7, p. 1-26, 2012.

BERNARDO, R. Genomewide Selection for Rapid Introgression of Exotic Germplasm in Maize. Crop Science, Madison, v. 49, n. 2, p. 419-425, 2009.

CLARK, S. A.; HICKEY, J. M.; VAN DER WERF, J. H. Different models of genetic variation and their effect on genomic evaluation. Genetics Selection Evolution, Nova Gales do Sul, v. 43, n. 1, p. 18, 2011.

EHRET, A. et al. Application of neural networks with back-propagation to genome-enabled prediction of complex traits in Holstein-Friesian and German Fleckvieh cattle. Genetics, Selection, Evolution: GSE, Nova Gales do Sul, v. 47, n. 1, p. 22-30, 2015.

ENDELMAN, J. B. Ridge Regression and Other Kernels for Genomic Selection with R Package rrBLUP. Plant Genome, Madison, v. 4, n. 3, p. 250-255, 2011.

GIANOLA, D. et al. Predicting complex quantitative traits with Bayesian neural networks: a case study with Jersey cows and wheat. BMC Genetics, London, v. 12, n. 1, p. 87-103, 2011.

GUO, Z. et al. Evaluation of genome-wide selection efficiency in maize nested association mapping populations. Theoretical and Applied Genetics, Stuttgart, v. 124, n. 2, p. 261-275, 2012.

HABIER, D.; FERNANDO, R. L.; DEKKERS, J. C. M. The impact of genetic relationship information on genome-assisted breeding values. Genetics, Colorado, v. 177, n. 4, p. 2389-2397, 2007.

HAYES, B. J. et al. Invited review: Genomic selection in dairy cattle: progress and challenges. Journal of Dairy Science, Champaign, v. 92, n. 2, p. 433–443, 2009.

HENDERSON, C. R. Best linear unbiased estimation and prediction under a selection model. Biometrics, New York, v. 31, n. 2, p. 423-447, 1975.

HESLOT, N. et al. Genomic Selection in Plant Breeding: A Comparison of Models. Crop Science, Madison, v. 52, n. 1, p. 146-160, 2012.

JANSEN, R. C. Quantitative Trait Loci in Inbred Lines. In: BALDING, D. J. et al. (Eds.). Handbook of statistical genetics. 3. ed. London: Wiley, 2007. v. 1, cap. 18, p. 589-618.

KAUL, M.; HILL, R. L.; WALTHALL, C. Artificial neural networks for corn and soybean yield prediction. Agricultural Systems, California, v. 85, n. 1, p. 1-18, 2005.

LENZ, P. R. N. et al. Factors affecting the accuracy of genomic selection for growth and wood quality traits in an advanced-breeding population of black spruce (Picea mariana). BMC Genomics, Carbondale, v. 18, n. 1, p. 335, 2017.

LORENZANA, R.; BERNARDO, R. Accuracy of genotypic value predictions for marker-based selection in biparental plant populations. Theoretical and Applied Genetics, Stuttgart, v. 120, n. 1, p. 151-161, 2009.

LIU, H. et al. The impact of genetic relationship and linkage disequilibrium on genomic selection. PloS one, San Francisco, v. 10, n. 7, p. e0132379, 2015.

MARENDA, T. A. L. et al. Desenvolvimento de um sistema para classificação do mel em floral e melato por parâmetros físico químicos combinados com redes neurais artificiais. Evidência, Joaçaba, v. 11, n. 1, p. 61-74, 2011.

MARINI, F.; ZUPAN, J.; MAGRÌ, A. L. On the use of counterpropagation artificial neural networks to characterize Italian rice varieties. Analytica chimica acta, Virginia, v. 510, n. 2, p. 231-240, 2004.

MEUWISSEN, T. H. E.; HAYES, B. J.; GODDARD, M. E. Prediction of total genetic value using genome-wide dense marker maps. Genetics, Colorado, v. 157, n. 4, p. 1819-1829, 2001.

MUIR, W. M. Comparison of genomic and traditional BLUP-estimated breeding value accuracy and selection response under alternative trait and genomic parameters: Journal of Animal Breeding and Genetics, Medford, v. 124, n. 6, p. 342–355, 2007.

OKUT, H. et al. Predicting expected progeny difference for marbling score in Angus cattle using artificial neural networks and Bayesian regression models. Genetics, Selection, Evolution: GSE, Nova Gales do Sul, v. 45, n. 1, p. 34-47, 2013.

R CORE TEAM. R: A language language and environment for statistical computing. R Foundation for Statistical Computing. Disponível em: <https://www.R-project.org/>. Acesso em: 10 jan. 2015.

RESENDE JÚNIOR, M. F. R. Seleçâo genômica ampla no melhoramento vegetal. 2010. 78 f. Tese (Doutorado em Genética e Melhoramento de Plantas) – Universidade Federal de Viçosa, Viçosa, 2010.

RESENDE, M. D. V. et al. Seleção genômica ampla (GWS) e maximização da eficiência do melhoramento genético. Pesquisa Florestal Brasileira, Colombo, v. Sup, n. 56, p. 63-78, 2008.

RESENDE, M. D. V. et al. Documentos/Embrapa Florestas. Métodos estatísticos na seleção genômica ampla. 2011. Disponível em: <https://www.infoteca.cnptia.embrapa.br/infoteca/bitstream/doc/921002/1/Doc.219finalizado.pdf>. Acesso em: 25 abr. 2017.

RESENDE, M. D. V. et al. Genomic selection for growth and wood quality in Eucalyptus: capturing the missing heritability and accelerating breeding for complex traits in forest trees. New Phytologist, Lancaster, v. 194, n. 1, p. 116-128, 2012.

SCHAPER, E. et al. Linkage disequilibrium under recurrent bottlenecks. Genetics, Heidelberg, v. 190, n. 1, p. 217-229, 2012.

SCHULZ-STREECK, OGUTU, J. O.; PIEPHO, H. P. Pre-selection of markers for genomic selection. BMC Proceedings, London, v. 5, n. 3, p. S12, 2011.

SILVA, G. N. et al. Neural networks for predicting breeding values and genetic gains. Scientia Agricola, Piracicaba, v. 71, n. 6, p. 494-498, 2014.

SINGH, B.; SINGH, A. K. Marker-Assisted Selection. In: SINGH, B.; SINGH, A. K. (Eds.). Marker-Assisted Plant Breeding: Principles and Practices. New Delhi: Springer, 2015. cap. 9, p. 259-293.

SOLBERG, T.; SONESSON, A.; WOOLLIAMS, J. Genomic selection using different marker types and densities. Journal of Animal Science, Champaign, v. 86, n. 10, p. 2447-2454, 2008.

TUSELL, L. et al. Genome-enabled methods for predicting litter size in pigs: a comparison. Animal, Clermont-Ferrand, v. 7, n. 11, p. 1739-1749, 2013.

WONG, C. K.; BERNARDO, R. Genomewide selection in oil palm: increasing selection gain per unit time and cost with small populations. Theoretical and Applied Genetics, Stuttgart, v. 116, n. 6, p. 815-824, 2008.

ZHAO, Y. et al. Accuracy of genomic selection in European maize elite breeding populations. Theoretical and Applied Genetics, Stuttgart, v. 124, n. 4, p. 769-776, 2012.

ZHONG, S. et al. Factors affecting accuracy from genomic selection in populations derived from multiple inbred lines: a barley case study. Genetics, Colorado, v. 182, n. 1, p. 355-364, 2009.

Downloads

Publicado

28-05-2018

Edição

v. 31 n. 3 (2018)

Seção

Agronomia

Licença

Os Autores que publicam na Revista Caatinga concordam com os seguintes termos:

 

a)      Os Autores mantêm os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons  do tipo atribuição CC-BY, para todo o conteúdo do periódico, exceto onde estiver identificado, que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista, sem fins comerciais.

 b)     Os  Autores têm autorização para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.

 c)     Os  Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).