OPTIMIZACIÓN DE LA POBLACIÓN DE ENTRENAMIENTO PARA SELECCIÓN GENÓMICA EN TRIGO

La Selección Genómica (GS) tiene como objetivo mejorar la precisión de la selección de individuos a través de la estimación de los valores de cría genéticos (GEBV) para caracteres fenotípicos usando información de marcadores moleculares. A través de un modelo estadístico estimado a partir de información fenotípica y genotípica de una población de entrenamiento se pueden predecir los GEBVs de líneas que solo cuentan con información genotípica. La precisión de las predicciones de la GS en los programas de mejoramiento se ve afectada por el modelo de predicción empleado, por el número y tipo de marcadores moleculares, por la arquitectura de la variable y por el número y la estructura de los individuos de la población de entrenamiento y su relación con la población a predecir. Estos factores han sido escasamente estudiados en plantas, y no existen estudios a nivel nacional de estrategias óptimas de utilización de esta metodología. El objetivo de este trabajo es comparar en términos de precisión diferentes estrategias para la construcción de la población de entrenamiento en modelos de predicción genomica para el programa de mejoramiento genético de Trigo en Uruguay. La población consta de 1477 líneas avanzadas en las últimas etapas de evaluación, con 82000 SNP obtenidos mediante genotipado por secuenciación (GBS). Se entrenarán modelos Ridge Regression blup, utilizando la biblioteca rrBLUP en R. Por un lado, se entrenará un modelo general con diferentes tamaños de población de entrenamiento y se comparará con modelos entrenados con grupos de líneas agrupados según sus distancias genéticas. Se espera que las predicciones de los modelos con líneas emparentadas sean más precisas que las del modelo general. Por otro lado, se comprará el modelo general con modelos entrenados según el grado de avance del programa. Finalmente, se compararan diferentes estrategias en la elección de los individuos de la población de entrenamiento teniendo en cuenta únicamente el relacionamiento con la población a predecir. En todos los casos la comparación entre las diferentes estrategias se realizará mediante la capacidad predictiva del modelo, calculada a través de validación cruzada.