Инструменты статистической генетики для принятия эффективных решений на основе данных
Statistical genetics tools for empowered data-driven decisions
Dias, Kaio Olimpio das Graças, Chaves, Saulo Fabrício da Silva, Dias, Luiz Antônio dos Santos, Alves, Rodrigo Silva, http://lattes.cnpq.br/7323802421710943
genética quantitativa
Аннотация (перевод)
Необходимость ускорения получения результатов в программах селекции растений возрастает. В то же время наблюдается вызывающее обеспокоенность снижение генетического разнообразия основных сельскохозяйственных культур, что все больше затрудняет получение генетического выигрыша. Следовательно, эффективное распределение ресурсов в рамках селекционных программ требует стратегического внедрения инструментов статистической генетики. Этот сдвиг требует принятия решений на основе данных, предоставляя специалистам, владеющим этим набором инструментов, значительное преимущество при решении как традиционных, так и новых задач. Данная диссертация представляет собой практическую демонстрацию использования статистической генетики в различных направлениях селекции растений. Работа, разделенная на шесть глав с индивидуальными целями, демонстрирует широкий спектр практических применений. В главе 1 мы определили оптимальное количество сборов урожая для отбора в селекции какао с учетом как рекомендаций, так и рекомбинации. В главе 2 исследуется применение моделирования структуры ковариации в двух распространенных сценариях селекции многолетних растений: анализ данных многократных сборов урожая и испытаний в нескольких локациях. В главе 3 демонстрируется использование факторно-аналитических смешанных моделей в селекции кукурузы, включая интеграцию инструментов отбора для оптимизации принятия решений. В частности, в этой главе подчеркивается преимущество сезонного отбора для достижения большего генетического выигрыша по сравнению с комбинированным подходом. В главе 4 мы оценили эффективность схемы реципрокного рекуррентного отбора (RRS) в рамках программы селекции эвкалипта. В этой главе признаются увеличенные временные рамки, связанные с RRS, но также демонстрируется ее успешность в улучшении гибридной популяции. Кроме того, в главе подчеркивается важность учета эффектов доминирования в процессе отбора. Глава 5 содержит подробное руководство по проведению анализа с использованием линейных смешанных моделей в селекции многолетних растений. Глава охватывает различные виды анализа, включая индивидуальные испытания, многосредовые испытания, пространственный анализ и анализ конкуренции. Наконец, в главе 6 представлен R-пакет ProbBreed, который использует байесовские принципы и вероятностные концепции для поддержки отбора в многосредовых испытаниях. ProbBreed оценивает риск, связанный с отбором кандидатов, способствуя принятию более обоснованных решений. В этой главе также представлена новая модель с учетом нескольких локаций и лет и проводится сравнение результатов ProbBreed и ASReml-R с использованием симулированных данных. Демонстрируя применение инструментов статистической генетики и способствуя обмену знаниями посредством открытого исходного кода и воспроизводимых примеров, эта диссертация подчеркивает универсальность и важность данной области для решения разнообразных задач в динамичной сфере селекции растений. Ключевые слова: Анализ данных. Линейные смешанные модели. Байесовские модели. Взаимодействие генотип-среда. Пространственный анализ. Реципрокный рекуррентный отбор
Оригинальная аннотация
The pressure to accelerate results in plant breeding programs is intensifying. Conversely, there is a concerning decline in the genetic diversity of staple crops, making it increasingly difficult to achieve genetic gains. Consequently, efficient resource allocation within breeding programs requires the strategic implementation of statistical genetics tools. This shift necessitates data-driven decision-making, placing professionals proficient in this toolkit at a significant advantage for addressing both traditional and emerging challenges. This thesis serves as a practical demonstration of utilizing statistical genetics in various plant breeding endeavours. Divided into six chapters, each with distinct objectives, the work showcases a range of applications. In Chapter 1, we determined the optimal number of harvests for selection in cacao breeding, considering both recommendation and recombination. Chapter 2 explores the application of covariance structure modelling in two common scenarios of perennial plant breeding: multi-harvest and multi-site data analysis. Chapter 3 demonstrates the use of factor analytic mixed models in maize breeding, including the incorporation of selection tools for streamlined decision-making. Notably, this chapter highlights the advantage of seasonal selection for achieving greater genetic gains compared to a combined approach. In Chapter 4, we evaluated the efficacy of the reciprocal recurrent selection (RRS) scheme within a eucalyptus breeding program. This chapter acknowledges the extended timeframe associated with RRS but also demonstrates its success in enhancing the hybrid population. Additionally, the chapter emphasizes the importance of considering dominance effects during the selection process. Chapter 5 offers a comprehensive tutorial on conducting linear mixed model analyses in perennial plant breeding. The chapter covers various analyses, including individual trials, multi- environment trials, spatial analysis, and competition analysis. Finally, Chapter 6 introduces the R package ProbBreed, which utilizes Bayesian principles and probabilistic concepts to support selection in multi-environment trials. ProbBreed estimates the risk associated with selecting candidates, empowering more informed decision-making. This chapter also introduces a novel multi-location-year model and compares the outcomes of ProbBreed and ASReml-R using simulated data. By showcasing the applications of statistical genetics tools and facilitating knowledge sharing through open-source code and reproducible examples, this thesis emphasizes the versatility and importance of this field in tackling diverse challenges within the dynamic field of plant breeding. Keywords: Data Analysis. Linear Mixed Models. Bayesian models. Genotype-by-Environment interaction. Spatial Analysis. Reciprocal Recurrent Selection
Идентификаторы
Canonical: https://research.holos.house/w/e923dabc-ea3d-4f53-b748-0deff2b06db1
DOI: 10.47328/ufvbbt.2024.122