Selección genómica basada en la teoría de la decisión.

Abstract

Los mejoradores de plantas y animales se interesan en seleccionar a los mejores individuos de un conjunto de candidatos para los siguientes ciclos de mejora. En esta investigación se propone abordar la selección genómica (SG) como un problema de decisión desde la perspectiva Bayesiana de la estadística. Se proponen tres funciones de perdida univariadas (Kullback-Leibler, KL; Continuous Ranked Probability Score, CRPS; y Lineal-Lineal, LinLin), así como sus correspondientes generalizaciones multivariadas (Kullback-Leibler multivariada, KL; Energy Score, EnergyS; y la Función de Perdida Asimétrica Multivariada, MALF). Todas las funciones de pérdida se expresan en términos de la heredabilidad y se midieron sus desempeños en un conjunto de datos reales para un ciclo de selección y en un estudio de simulación de un programa de mejora. La ganancia obtenida con cada función de pérdida se comparó con la de la forma estándar de selección que no emplea funciones de pérdida. El contraste se realizó en términos de la respuesta a la selección, así como de la reducción de la varianza gen ética en cada ciclo de selección. Los resultados obtenidos en la selección de un solo rasgo sugieren que es posible obtener mayor progreso genético a medida que el programa de mejora transcurre en el tiempo para una presión de selección del 30%de individuos, pero no cuando dicha presión fue del 10 %. En el contexto de la selección multirasgo, los resultados mostraron ganancias en las medias poblacionales en todos los rasgos bajo selección, aún en presencia de rasgos negativamente correlacionados. Así mismo, las varianzas poblacionales al fin del programa de selección no fueron menores a las que se obtuvieron por medio del método estándar (índices de selección). El uso de funciones de pérdida puede ser un criterio útil cuando se seleccionan los mejores individuos para el siguiente ciclo de mejora. _______________ GENOMIC SELECTION BASED ON DECISION THEORY. ABSTRACT: Plant and animal breeders are interested in selecting the best individuals from a candidate set for the next breeding cycle. In this research, we propose a formal method under the Bayesian decision theory framework to tackle the selection problem based on genomic selection (GS) in single- and multi-trait settings. We proposed and tested three univariate loss functions (Kullback-Leibler, KL; Continuous Ranked Probability Score, CRPS; Linear-Linear loss, LinLin) and their corresponding multivariate generalizations (Kullback-Leibler, KL; Energy Score, EnergyS; and the Multivariate Asymmetric Loss Function, MALF). We derived and expressed all the loss functions in terms of heritability and tested them on a real wheat dataset for one cycle of selection and in a simulated selection program. The performance of each univariate loss function was compared with the standard method of selection (Std) that does not use loss functions. We compared the performance in terms of the selection response and decrease of the population’s genetic variance during recurrent breeding cycles. Results suggest that it is possible to obtain better performance in a long-term breeding program in the single-trait scheme by selecting 30% of the best individuals in each cycle but not when selecting 10% of the best individuals. For the multitrait approach, results show that the population mean for all traits under consideration had positive gains, even though two of the traits were negatively correlated. The corresponding population variances were not statistically different from the different loss function during the 10th selection cycle. The use of loss function should be a useful criterion when selecting the candidates to selection for the next breeding cycle.