6 Selección genómica en poblaciones de tamaño mediano y pequeño. Luis Varona

Selecci贸n Gen贸mica en poblaciones de tama帽o reducido Luis Varona Universidad de Zaragoza

Polimorfismo genético. Valores Genotípicos

Polimorfismo Causal Polimorfismo en Desequilibrio de Ligamiento con la mutación causal

AA +g

Aa

aa

0

-g

Selecci贸n asistida por genes y marcadores

AA

y1

Aa

y2

aa

y3

=

b

=

=

+

a1

+

g

b

+

a2

+

0

b

+

a3

-

g

e1

+

+

+

e2

e3

Selecci贸n asistida por genes y marcadores

AA

y1

=

b

+

a1 + ga -

gb

+

e1

bb

Aa

y2

=

b

a2 +

+

gb

0 +

+

e2

BB

aa Bb

y3

=

b

+

a3 - ga

+

0

+

e3

SelecciĂłn asistida por genes y marcadores Caracteres difĂ­ciles de medir Resistencia a enfermedades

Caracteres con baja heredabilidad Reproductivos

Caracteres expresados en un solo sexo Prolificidad

Medibles en la madurez del individuo Longevidad, reproductivos

Medibles despuĂŠs del sacrificio Calidad de carne

Selecciรณn asistida por genes y marcadores

-

Exige conocer los genes o los marcadores

- El desequilibrio de ligamiento se rompe por recombinaciรณn - El polimorfismo causal se fija rรกpidamente - Cada carรกcter estรก asociado a genes o marcadores diferentes - A largo plazo, la respuesta es menor

Selecci贸n Gen贸mica

SNP (Single Nucleotide Polymorphisms) Bovine 3K GoldenGate BeadChip, 3,072 SNP BovineLD BeadChip. 7,931 SNP BovineSNP50 v2 BeadChip. 54,609 SNP BovineHD BeadChip. 777,000 SNP GeneSeek Genomic Profiles, 78,000 SNP

Selección genómica

y1

=

b

+

a1 +

å genot

1j

* gj +

e1

j

y2

=

b

a2 +

+

å genot

2i

* gj + e2

j

y3

=

b

+

a3 -

å genot j

3i

* gj +

e3

Selección genómica

y1

=

b

å genot

+

1j

* gj +

e1

j

y2

=

b

+

å genot

2i

* gj + e2

j

y3

=

b

+

å genot j

3i

* gj +

e3

Distribuciones a-priori • • • • •

Normal. Gaussian Blup.

T-student: Bayes A T-student: Bayes B, Bayes C(Pi) Doble Exponencial: Bayesian Lasso Métodos no paramétricos: – – – –

Boosting Bagging Redes Neuronales Etc, etc

Resultados • Depende de la arquitectura del carácter • El modelo gaussiano funciona razonablemente bien para caracteres poligénicos • Los modelos no gaussiano ofrecen ligeras ventajas en presencia de genes mayores.

BLUP Genómico 1

y = Xb+ Zu+ e

X' Z  X' y bˆ  X' X 2    Z' X Z' Z  A1  e2  Z' y  uˆ   u   

1

- G: PARENTESCO REALIZADO - A: PARENTESCO ESPERADO

X' Z  X' y bˆ  X' X 2    Z' X Z' Z  G 1  e2  Z' y  uˆ   u   

G vs A

G vs A a = 0, g = 0

a = 0.5, g = 0.5

a = 0.5, g = 0.5

a = 0.5, g = 0.5

G vs A a = 0, g = 0

a = 0.5, g = 0.5

a = 0.5, g = 0.5

a = 0.5, g = 0.5

G vs A

a = 0.5, g = 0.67

a = 0.5, g = 0.33

a = 0.5, g = 0.00

GBLUP VENTAJAS - Se puede implementar con el software de BLUP - REML, CARACTERES MULTIPLES INCONVENIENTES - Calculo de G - No tiene en cuenta la presencia de genes mayores

BLUP Univariante Genómico SUBPOB 2 GENOTIPADOS

SUBPOB 1 NO GENOTIPADOS

X' Z X' X  ' ˆ     b X y 2   1  e     '  Z ' X Z ' Z  H 2  u  ˆ  Z y   u   A12A221GA221A21  A12A221A21 A12A221G H  1 GA22A21 G   0 0  H A  1 1  0 G  A 22   1

1

A vs H

?

a = 0.5, h = 0.50

a = 0.5, h = 0.50

a = 0.5, g = 0.00

Selección Genómica • Genotipado en un número suficiente de individuos valorados con alta precisión para superar la precisión de la valoración clásica.

– Poblaciones pequeñas: • Escasos individuos a genotipar • Poca implantación de la inseminación artificial

• Single Step – Combina la valoración clásica con la información genómica – ¿Qué ocurre cuando se genotipa un número reducido de individuos?

Single Step en poblaciones reducidas • PIRENAICA – Pedigree hasta 2013 (55.000 individuos aprox).

– 25000 fenotipos aprox.

– 600 individuos nacidos en 2014.

– Capacidad predictiva sobre el valor genético de los individuos jóvenes

Single Step en Poblaciones Reducidas 8000 4000 2000 1000 500 250

Individuos Hist贸ricos

Padres

Madres

Candidatos

0.47

0.48

PRECISION

0.49

0.50

0.51

Caso 1. Candidatos No Genotipados

Sires

Sires_Dam

Sires+8000

Sires+4000

Sires+2000

Sires+1000

Sires+500

Sires+250

Sires+2000

Sires+1000

Sires+500

Sires+250

8000

4000

2000

1000

500

250

1.06 1.04 1.02 1.00

RATIO

1.08

1.10

Ped

Ped

Sires

Sires_Dam

Sires+8000

Sires+4000

8000

4000

2000

1000

500

250

0.54 0.52 0.46

0.48

0.50

PRECISION

0.56

0.58

Caso 2. Candidatos Genotipados

Sires

Sires_Dam

Sires+8000

Sires+4000

Sires+2000

Ped

Sires

Sires_Dam

Sires+8000

Sires+4000

Sires+2000

Sires+1000

Sires+500

Sires+250

8000

4000

2000

1000

500

250

1.15 1.10 1.05 1.00

RATIO

1.20

1.25

Ped

Sires+1000

Sires+500

Sires+250

8000

4000

2000

1000

500

250

Metapoblación • Aporta información la información procedente de poblaciones relacionadas • 7 poblaciones – – – – – – –

Asturiana de los Valles Avileña Negra Ibérica Bruna dels Pirineus Morucha Pirenaica Retinta Rubia Gallega

3000 genotipados 429 por población

Selecci贸n gen贸mica: Metapoblaci贸n

Conclusiones • La información genómica siempre incrementa la precisión usando Single Step.

• Si los candidatos son genotipados este incremento es relevante.

• La información de otras poblaciones aumenta la precisión, sobre todo en los individuos no genotipados.

Optimate Francisco CantĂ­n, Luis Varona Universidad de Zaragoza

Optimate • Inputs – Genealogía o información molecular (Formato PLINK) – Valores genéticos estimados – Lista de machos y hembras candidatos

• Outputs – Contribuciones optimas (machos y hembras) – Recomendación de apareamiento

Optimate Parámetros y Ficheros

Minimiza Parentesco Medio Genealógico o Molecular

Respuesta: Incremento de Parentesco

Variabilidad Maximiza Mérito Genético

Minimiza Consanguinidad

Optimo Intermedio: MATE SELECTION

Recomendación de Apareamientos Contribuciones optimas de machos y hembras

Ejemplos • Caso 1. Información genealógica. Maximización de la variabilidad.

• Caso 2. Información genealógica. Maximización de la respuesta.

• Caso 3. Información genealógica. Optimo Intermedio • Caso 4. Información molecular. Maximización de la variabilidad.

• Caso 5. Información molecular. Maximización de la respuesta.