Upload
api-3835698
View
584
Download
2
Embed Size (px)
Citation preview
ESTIMADO DEL VALOR GENÉTICO:
PREDICCIÓN GENÉTICA
Índices de Selección
Mejor predictor lineal insesgado(BLUP)
Conocimientos de estadística y matemática matricial
Cuando utilizarlos y de qué son capaces
ÍNDICES DE SELECCIÓN
Combinación lineal de información fenotípica y factores de ponderación
Datos de desempeño provienen de grupos contemporáneos genéticamente similares.
I = b1x1 + b2x2 + ......+ bnxn
I = Valor del índice de selección (predicción genética)
bi = factor de ponderación
xi = dato de información fenotípica
n = número total de datos con información fenotípica
Fuentes de información:
Desempeño propio del individuo
Registros de desempeño de los ancestros(datos de pedigree)
Registros de desempeño de los descendientes(datos de progenie)
Datos de pedigree
Información sobre el genotipo o desempeñode los ancestros y/o parientes colateralesde un individuo.
Datos de progenie:
Información sobre el genotipo o desempeñode los descendientes de un individuo.
Cantidad de información es variable
Antes del nacimiento o muy jóvenes = pedigree
A medida crecen = datos de ellos mismos
Si se seleccionan = datos de progenie
Cada dato expresado como desviacióndel grupo contemporáneo
Asume similaridad genética
Puede provocar sesgo
Solo con grupos G similares
Predicción utilizando Regresión
Predicción de un valor = coeficiente de regresión x evidencia
I = b1x1 + b2x2 + ......+ bnxn
Predicción utilizando una sola fuente de información
I = bx
Ejemplos de fórmulas:
Fuente de CoeficientePredicción información regresión Precisión
EBV un dato (no re-petido) de desem- h2 hpeño del individuo
EBV promedio de re-gistros de proge- 2lkh2 lkh2
nie de l camadas 4+(k-1)(2h2+4c2fs)+(l-1)kh2 4+(k-1)(2h2+4c2
fs)+(l-1)kh2
de tamaño k
MPPA promedio de nregistros del nr nrindividuo 1 + (n-1)r 1 + (n-1)r
Ejemplo:Cálculo de MPPA para una vacaFuente de información: información de la propia vacaPromedio 5 lactaciones, 1072 lbs sobre grupo contemp.
b = 5 (0.5) 1 + (5-1)0.5
b = 0.833
nr
1 + (n-1)r
b =
I = bx
MPPA = 0.833(1072)
MPPA = +893 libras
nr
1 + (n-1)r
5(0.5)
1 + (5-1)0.5
Precisión =
=
= 0.91
Regresión por cantidad de información
Predicción genética “conservativa”(cercana a la media),
dependiendo de la cantidad de información
utilizada en el cálculo.
Ejemplo: Vaca No.2Dos lactaciones con prom. 1024 lbs sobre la media
nr
1 + (n-1)rb =
2(0.5)
1 + (2-1)0.5b = = 0.667
I = 0.667(1024)
= +803
nr
1 + (n-1)r
2(0.5)1 + (2-1)0.5
Precisión =
=
= 0.82
Ejemplo: Vaca No. 3Sólo una lactancia, 918 lbs menos que la media
nr
1 + (n-1)rb =
1(0.5)
1 + (1-1)0.5b = = 0.5
I = 0.5(-918)
= -459
nr1 + (n-1)r
1(0.5)1 + (1-1)0.5
Precisión =
=
= 0.71
-918 -459 0 803 893 1072 1204
PA3 PA3 PA2 PA1 PA1 PA2
Factores que afectan la precisión de la predicción
1. Heredabilidad
heredabilidad precisión
2. Número de registros
Número de registros precisión
3. Relaciones de pedigree
Parentesco Precisión
Precisión de la predicción del BV con una fuente de información
Fuente de Relaciones de No. de heredabilidadInformación Pedigree Registros .05 .30 .70
Individuo 1.00 1 .22 .55 .84
Medios hermanos .25 1 .06 .14 .21 10 .17 .33 .41 20 .22 .39 .45 100 .37 .47 .49 1,000 .48 .49+ .49+
Progenie .50 1 .11 .27 .42 10 .34 .67 .82 20 .45 .79 .90 100 .75 .94 .98 1,000 .96 .99 .99+
Índice de selección de primerizas
I.S.=300+(3*Peso21días kg) - (Días 90kg) - (30*G.Dorsal pul.)
Ejemplos:
Primeriza 1= 300+(3*6.2)-180-(30*0.8) = 114.6
Primeriza 2= 300+(3*4.8)-210-(30*1.2) = 43.8
Primeriza 3= 300+(3*7.0)-158-(30*0.7) = 142.0
Indice de camada (OHIO)
I.C. = 6.5*No.Nacidos vivos+Peso 21 días ajustado
Ajuste Primerizas = 9 libras x lechón - 10 Adultas = 10 libras x lechón - 10
Comparación de animales utilizando información de
Grupos genéticamente diversos
Mejor Predictor Lineal Insesgado (BLUP)
Método de predicción genética que es particularmente apropiado cuando los
registros de desempeño provienen de grupos contemporáneos genéticamente diversos.
Requiere proceso de cálculo intensivos
Involucra la solución simultánea de un número de ecuaciones
Provee predicciones para una población entera
Es el método preferido para evaluaciones genéticas a gran escala
Modelos (Tipos) de BLUP
Modelos estadísticos
Modelos de padres
Modelos de Abuelos Maternos del padre
Modelo Animal
Modelo para medidas repetidas
Capacidades de modelos BLUP avanzados
BLUP-modelo animal1. Niveles genéticos de grupos contemporáneos
Diferencias en la media del BV de gruposcontemporáneos.
Efectos del grupo contemporáneo
Índices de selección no consideran esta diferencia
2. Dirección genética
Población con selección efectiva por períodos largos
Problema con los índices de selección
BLUP puede comparar diferentes grupos
3. Uso de todos los datos
Índices de selección = registros de pocas fuentes
BLUP = registros de todos los animales
Que tan beneficioso incluir tanta información?
X Abuelo 1
Padre 1
Y Abuela
Madre
Abuelo 2
Z Padre 2
BLUP - modelo animal
Ìndice de Selección, modelo del padre
X Abuelo 1
Padre 1
Y
Abuelo 2
Z Padre 2
4. Montas No-al azar
Los machos no se asignan al azar a las hembras
BLUP ajusta predicciones de animales por el mérito de sus montas
Evita que se vea un individuo superior a lo que es
RESPUESTA CORRELACIONADA
A LA SELECCIÓN
¿QUÉ CAUSA LA RESPUESTA CORRELACIONADA?
Mecanismos Genéticos
1. Ligamiento
Causa temporal
2. Pleiotropía
Un gen afecta más de una característica
Gen del halotano
HYYP en caballos
Características poligénicas relacionadas
Genes pleiotrópicos
Carac. X Carac. Y
Correlación Genética
Relación entre BV de una característicay el BV de otra característica.
Importancia relativa de los efectospleiotrópicos sobre dos características
Ejemplo:
Largo de la quilla y peso corporal en pavoscorr. 0.5
Peso corporal y número de huevos0.05
Producción de leche y % de grasa-0.3
Días a 230 libras e ICA en cerdos+0.7
Ganancia diaria de peso e ICA-0.7
Factores que afectan la respuesta correlacionada
1. Respuesta directa a la selección
Cambio genético en la característicaresultado de la selección para esa caract.
PrecisiónIntensidad de selecciónIntervalo generacional
2. Correlación genética entre las características (X y Y) y la variación genética en Y
Correlación alta o baja?
Variación alta o baja?
Selección por respuesta correlacionada
Selección indirecta
1. Mediciones difíciles o muy caras
Conversión alimenticia
2. Precisión de selección mayor en carac. correlacionada que en la caract. de interés
3. Intensidad de selección
Carac. correlacionada = continuaCarac. de interés = umbral
Peso al nacimiento y dificultad de parto
“Característica Indicadora”
SELECCIÓN PARA
MÚLTIPLES CARACTERÍSTICAS
Valor de cría agregado
El valor de cría de un individuo para una combinación de características.
“mérito neto”
¿Cuál es el mejor animal?
Métodos de selección para múltiples características
Categorías de selección
• Selección “tandem”
• Niveles de descarte independientes
• Índices de selección económicos
1. Selección “tandem”
Selección en orden cronológico
“Objetivo (blanco) de la selección”
Efectividad depende de Gr
2. Niveles de descarte independientes
Estándares mínimos en las característicasa seleccionar.
+4
+33
EPD Peso al nacimiento
EPD Peso
al año
0-4
+17
+49
Muy popular (atractivo por la intuición)
Conveniente cuando se selecciona adiferentes edades
Dificultades:
Determinar el nivel adecuado
Pueden descartarse animales buenos
Índices de selección económicos
I = b1x1 + b2x2 + .... + bn xn
I = valor del índice o predicción genética
b1 = factor de ponderación
x1 = pieza de información o evidencia
n = número total de piezas de información
Índices de selección fenotípica
Ej. Peso al año y peso al nacimiento
H = 1.1PA – 6.52PN
I = PA – 5.8PN
Grupo contemporáneo de toretes
Peso al año Peso nac. Valor Índice Orden
1,125 80 661 1 1,066 77 619 2 1,050 79 592 3 1,202 108 576 4 1,058 84 571 5 1,100 94 555 6 980 75 545 7 922 68 528 8 976 87 471 9 1,034 102 442 10
+4
+33
EPD Peso al nacimiento
EPD Peso
al año
0-4
+17
+49