Optimización del desempeño predictivo de modelos de selección genómica en el contexto del mejoramiento genético forestal

Abstract

La selección genómica (SG) es relevante para el mejoramiento genético forestal debido a que permite reducir la duración de los ciclos de mejora con el consiguiente incremento de la ganancia genética. Sin embargo, el éxito de la SG depende del desempeño predictivo del modelo estadístico de evaluación genética. En esta tesis se evaluaron diferentes modelos de SG con el objetivo de incrementar su desempeño predictivo. En particular, se investigó: 1) el impacto del ajuste de matrices de relaciones genómicas basadas en la noción de Identidad por Descendencia (IBD) contrastadas con aquellas construidas usando el enfoque de Identidad por Estado (IBS); 2) la utilización de caracteres ampliamente medidos para mejorar la exactitud de caracteres escasamente medidos mediante modelos multi-carácter (MT) en comparación con modelos uni-carácter (ST); y 3) la aplicación de dos nuevos modelos genómicos causales. Todas las metodologías propuestas se compararon con el modelo convencional de evaluación genética basado en información de pedigrí. Los métodos propuestos fueron ilustrados con datos reales de programas de mejoramiento de especies de Eucalyptus. Se logró una mayor precisión de las relaciones genómicas y una mayor exactitud de los valores de mejora (BVs), aunque con menor heredabilidad, mediante el enfoque IBD comparado con el enfoque IBS. Por otro lado, los modelos MT permitieron incrementar la exactitud de los BVs correspondientes a dos de los cuatro caracteres escasamente medidos analizados, en comparación con los modelos ST. Por último, los nuevos modelos genómicos causales demostraron ser alternativas fiables a los modelos genómicos comúnmente empleados en las evaluaciones genéticas forestales. Las metodologías propuestas constituyen enfoques útiles para incrementar el desempeño predictivo de diferentes modelos de SG en árboles forestales.

Genomic selection (GS) is relevant for forest genetic improvement as it allows reducing breeding cycles' duration with a consequent increase in genetic gain. However, the success of GS depends on the predictive performance of the statistical genetic evaluation model. This thesis evaluated different GS models aiming to increase their predictive performance. In particular, the following aspects were investigated: 1) the impact of adjusting genomic relationship matrices based on the concept of Identity-by-Descent (IBD) contrasted with those constructed using Identity-by-State (IBS) approach; 2) the use of widely recorded traits to enhance the accuracy of scarcely recorded traits through multi-trait (MT) models compared to single-trait (ST) models; and 3) the application of two novel genomic causal models. All proposed methodologies were compared with the conventional genetic evaluation model based on pedigree information. The proposed methods were illustrated using real data from Eucalyptus species breeding programs. Higher precision of genomic relationships and accuracy of BVs, albeit with lower heritability, were achieved using the IBD approach compared to the IBS approach. On the other hand, MT models allowed for increased accuracy of BVs corresponding to two out of the four scarcely recorded traits analysed, compared to ST models. Finally, the new genomic causal models proved to be reliable alternatives to commonly employed genomic models in forest genetic evaluations. The proposed methodologies constitute useful approaches to increase the predictive performance of different GS models in forest trees.