Marker selection using posterior inclusion probability in genomic prediction models for rice data
Begnami, Vinicius Silva Azevedo, Camila Ferreira Nascimento, Moysés Nascimento, Ana Carolina Campana Lima, Leísa Pires Barroso, Laís Mayara Azevedo
Marker selection using posterior inclusion probability in genomic prediction models for rice data
Summaries (En, Pt); 31 ref.; 3 illus.; 1 table
Abstract – The objective of this work was to evaluate the performance of the combination of the BayesDπ model for marker selection based on posterior inclusion probability (PIP) and of BayesA in assessing the predictive ability, heritability, and predictive bias for a set of rice phenotypic traits. The Markov chain Monte Carlo algorithm was used for the data analysis. For the calculation of PIP, marker effects were estimated using the BayesDπ method. Subsequently, the ratio between the number of iterations in which each marker had a non-zero effect and the total number of iterations was calculated. The markers were allocated into groups of 2,000, 4,000, 6,000, ..., and 36,901 (entire data set), in descending order of importance. The BayesA method was used to re-estimate the effect of the markers in each group. For omparison purposes, marker effects were also calculated using the BayesA and BayesDπ methods separately. In the proposed model, the PIP proved to be effective in understanding genetic architecture, resulting in a higher predictive ability, as well as in a higher heritability and a lower bias in the selection of the most important markers for genomic prediction compared with the other methods without prior marker selection. Index terms: Oryza sativa, Bayesian inference, genetic breeding, genomic selection. Resumo – O objetivo deste trabalho foi avaliar o desempenho da combinação do modelo BayesDπ para seleção de marcadores com base na probabilidade de inclusão a posteriori (PIP) e do BayesA na avaliação da capacidade preditiva, da herdabilidade e do viés preditivo de um conjunto de características fenotípicas de arroz. O algoritmo Markov chain Monte Carlo foi utilizado para a análise de dados. Para o cálculo da PIP, os efeitos dos marcadores foram estimados com uso do método BayesDπ. Posteriormente, foi calculada a razão entre o número de iterações em que cada marcador apresentou efeito diferente de zero e o número total de iterações. Os marcadores foram distribuídos em grupos de 2.000, 4.000, 6.000, ..., e 36.901 (conjunto de dados inteiro), em ordem decrescente de importância. Utilizou-se o método
BayesA para reestimar o efeito dos marcadores em cada grupo. Para fins de comparação, os efeitos dos marcadores também foram calculados com uso dos métodos BayesA e BayesDπ separadamente. No modelo proposto, a PIP se mostrou eficaz na compreensão da arquitetura genética, tendo resultado em maior capacidade preditiva, bem como em maior herdabilidade e menor viés na seleção dos marcadores mais importantes para predição genômica, em comparação a outros métodos sem seleção prévia de marcadores. Termos para indexação: Oryza sativa, inferência bayesiana, melhoramento genético, seleção genômica.
ARROZ
ORYZA SATIVA
MELHORAMENTO GENÉTICO VEGETAL
MÉTODO ESTATÍSTICO
Marker selection using posterior inclusion probability in genomic prediction models for rice data
Summaries (En, Pt); 31 ref.; 3 illus.; 1 table
Abstract – The objective of this work was to evaluate the performance of the combination of the BayesDπ model for marker selection based on posterior inclusion probability (PIP) and of BayesA in assessing the predictive ability, heritability, and predictive bias for a set of rice phenotypic traits. The Markov chain Monte Carlo algorithm was used for the data analysis. For the calculation of PIP, marker effects were estimated using the BayesDπ method. Subsequently, the ratio between the number of iterations in which each marker had a non-zero effect and the total number of iterations was calculated. The markers were allocated into groups of 2,000, 4,000, 6,000, ..., and 36,901 (entire data set), in descending order of importance. The BayesA method was used to re-estimate the effect of the markers in each group. For omparison purposes, marker effects were also calculated using the BayesA and BayesDπ methods separately. In the proposed model, the PIP proved to be effective in understanding genetic architecture, resulting in a higher predictive ability, as well as in a higher heritability and a lower bias in the selection of the most important markers for genomic prediction compared with the other methods without prior marker selection. Index terms: Oryza sativa, Bayesian inference, genetic breeding, genomic selection. Resumo – O objetivo deste trabalho foi avaliar o desempenho da combinação do modelo BayesDπ para seleção de marcadores com base na probabilidade de inclusão a posteriori (PIP) e do BayesA na avaliação da capacidade preditiva, da herdabilidade e do viés preditivo de um conjunto de características fenotípicas de arroz. O algoritmo Markov chain Monte Carlo foi utilizado para a análise de dados. Para o cálculo da PIP, os efeitos dos marcadores foram estimados com uso do método BayesDπ. Posteriormente, foi calculada a razão entre o número de iterações em que cada marcador apresentou efeito diferente de zero e o número total de iterações. Os marcadores foram distribuídos em grupos de 2.000, 4.000, 6.000, ..., e 36.901 (conjunto de dados inteiro), em ordem decrescente de importância. Utilizou-se o método
BayesA para reestimar o efeito dos marcadores em cada grupo. Para fins de comparação, os efeitos dos marcadores também foram calculados com uso dos métodos BayesA e BayesDπ separadamente. No modelo proposto, a PIP se mostrou eficaz na compreensão da arquitetura genética, tendo resultado em maior capacidade preditiva, bem como em maior herdabilidade e menor viés na seleção dos marcadores mais importantes para predição genômica, em comparação a outros métodos sem seleção prévia de marcadores. Termos para indexação: Oryza sativa, inferência bayesiana, melhoramento genético, seleção genômica.
ARROZ
ORYZA SATIVA
MELHORAMENTO GENÉTICO VEGETAL
MÉTODO ESTATÍSTICO
BINAGRI