Genomska selekcija

Rodica, 2009

GENOMSKA SELEKCIJA

(ang. genomic/genom-wide selection)

Gregor Gorjanc

Vir informacij

� Literatura – članki

� Enotedenski tečaj + delavnica v Salzburgu

(Ben Hayes)http://www.nas.boku.ac.at/12100.html

� Interbull Genomic Workshophttp://www.interbull.org/bulletins/bulletin39/paermen.html

Kazalo

1. Pregled “klasične” in genomske selekcije

2. Pregled po vrstah� pes

� konj

� kokoš

� prašič

3. Stanje pri govedu

Rodica, 2009

Pregled “klasične” in genomske selekcije

R koda za porazdelitevmu <- 100; sigma <- 12; k <- 0.05

x <- (seq(-3.5, 3.5, 0.01) * sigma) + mu

y <- dnorm(x=x, mean=mu, sd=sigma)

t <- qnorm(p=1-k, mean=mu, sd=sigma)

plot(y ~ x, type="l", axes=FALSE, xlab="", ylab="", lwd=8)

abline(h=0, lwd=6)

abline(v=mu, lwd=6, lty=2)

testK <- x >= t

yK <- y[testK]

xK <- x[testK]

polygon(x=c(xK, rev(xK)), y=c(yK, rep(0, times=length(xK))),

col="black", border=NA)

Selekcija

� “Izbor (odbira) najboljših posameznikov z namenom, da spremenimo populacijo”

� Merimo fenotip – fenotipska vrednost

Napredek

Fenotip = ???

Fenotip

Genotip Okolje

OkoljeOkolje

Fenotip

Genotip

Fenotipska vrednost

Genotipska vr. Odstopanjezaradi okolja

V praksi poznamo le …

Identični po izvoru ali funkciji?

� različna barva ali nadpisane črke označujejo izvor

� podpisane črke označujejo vrsto/funkcijo alela

A11A

21 A3

1A41

Rodovniki nam nudijo del informacije o genotipu –pričakovan delež genov (alelov), ki so identični

po izvoru � koeficienti sorodstva

Rodovniki

Koeficienti sorodstva - RXY

Mama Oče

Hči BHči A

Koeficienti sorodstva

• RMO = 0 (predpostavka)

• RMA = RMB = ½ (točno)

• ROA = ROB = ½ (točno)

• RAB = ½ (v povprečju!)

Koeficienti sorodstva II

� Genotip mame: A1A2

� Genotip očeta: A3A4

� Genotipi potomcev

A2A4A1A4A4

A2A3A1A3A3

A2A1

Aleli od mameA

leli

od o

četa

Koeficienti sorodstva III

� Primer: starš in potomci

� Genotip mame: A1A2

� Genotip hčera/sinov: A1A3, A1A4, A2A3, A2A4

Pričakovan koef. sorodstva

ROA = (½ + ½ + ½ + ½ ) / 4 = = ½ (točno!)

½½½½A1A2

A2A4A2A3A1A4A1A3

Koeficienti sorodstva IV

Pričakovan koef. sorodstvaRAB = (1 + ½ + … + 1) / 16 = ½ (v povprečju!)

1½½0A2A4

½10½A2A3

½01½A1A4

0½½1A1A3

A2A4A2A3A1A4A1A3

� Primer: pravi bratje in prave sestre

Fenotip. vrednosti + rodovniki

� Osnova za biometrično/kvantitativno genetikoFisher 1918, Wright …

Fenotipska vrednost

Genotipska vrednost

Plemenska vrednost (PV)

Odstopanje zaradi

dominance

Odstopanje zaradi epistaze

Biometrični (kvantitativni)

genetiki se ukvarjajo z genetiko brez da bi se direktno ukvarjali

z geni!

R koda za potice## Določim nekaj barv

cols <- c(rgb(red=204, blue=0, green=0, max=255),

rgb(red=0, blue=153, green=0, max=255),


rgb(red=204, blue=0, green=153, max=255))

## Samo fenotip

x <- 100

pie(x, col="gray", labels="", init.angle=90, lty=0, border=0, clockwise=TRUE)

## e + g

x <- c(3/5, 2/5) * 100

pie(x, col=c("gray", cols[1]), labels="", init.angle=90, lty=0, border=0, clockwise=TRUE)

## e + i + d + a

x <- c(3/5, c(0.1, 0.3, 0.6) * 2/5) * 100

pie(x, col=c("gray", cols[4:2]), labels="", init.angle=90, lty=0, border=0, clockwise=TRUE)

Kako poteka izračun?

Statistični model(metoda BLUP)

Plemenske vrednosti + točnosti

Fenotipske vrednosti

Rodovniki

1900 1920 1940 1960 1980 2000

05

1015

2025

30

Leto

Vse

bnos

t (%

)

BeljakovineMaščoba

Dosežki v kmetijstvu – koruza (Illinois)http://www.ideals.uiuc.edu/handle/2142/3526

R koda za graf za koruzopodatki <- read.table(file="koruza.txt", na.strings=".", header=TRUE)





par(bty="l", pty="m", mar=c(2.5, 2.5, 1, 1), mgp=c(1.5, 0.5, 0))

matplot(x=podatki$YR, y=podatki[, c("IHP", "ILP", "IHO", "ILO")], type="l", lty=1,

xlab="Leto", ylab="Vsebnost (%)", col=cols[c(1, 1, 2, 2)], lwd=6)

legend("topleft", c("Beljakovine", "Maščoba"), lty=1,

lwd=6, col=cols[c(1, 2)], bty="n")

1990 1995 2000 2005

9510

010

511

0

Leto

Sta

ndar

dizi

rana

PV

Laktacija 305 dni

Mleko, kgBeljakovine, kgMaščoba, kgBeljakovine, %Maščoba, %

Dosežki v kmetijstvu – LI govedo (SLO)

R koda za graf za govedopodatki <- read.table(file="govedo_pv.txt", header=TRUE)

podatki <- podatki[podatki$leto != "2006", ]






par(bty="l", pty="m", cex=2.2, mar=c(2.5, 2.5, 1, 1), mgp=c(1.5, 0.5, 0))

matplot(x=podatki$leto, y= podatki[, c("ml", "pr", "ma", "prp", "map")], type="l",

lty=c(1, 1, 1, 2, 2), lwd=c(6, 6, 6, 3, 3),

xlab="Leto", ylab="Standardizirana PV", col=cols)

legend("topleft", c("Mleko, kg", "Beljakovine, kg", "Maščoba, kg", "Beljakovine, %",

"Maščoba, %"), title="Laktacija 305 dni",

lty=c(1, 1, 1, 2, 2), lwd=c(6, 6, 6, 3, 3), col=cols, bty="n")

Genetski napredek

∆G = (i × r × σa) / g

� i – intenzivnost selekcije� 50 % odbranih � i ~ 0,8

� 5 % odbranih � i ~ 2,0

� r – točnost plemenskih vrednosti (h2 ~ 0,25???)� na podlagi staršev � r ~ 35 %

� test na potomcih � r ~ 80 % in več

� σa – varianca plemenskih vrednosti

� g – generacijski interval

Shema selekcije pri govedu

Genetski napredek - govedo

� Večja intenzivnost selekcije po moški strani

∆G = (i♂ × r♂ + i♀ × r♀) / (g♂ + g♀)

� Test na potomcih – progeni test

∆G = (2 × 0,8 + ~ 0) / (6 + 2) = 0,20

� Mladi biki

∆G = (2 × 0,35 + ~ 0) / (2 + 2) = 0,18

“QTL obdobje”� Odkrivanje genov z velikim učinkom ali vsaj

približnih lokacij/regij genov v genomu� Molekularna genetika je vnesla veliko napredka,

še več pa navdušenja in pričakovanj

� V živinoreji smo v praksi doživeli manj rešitev od pričakovanj; bolje v humani genetiki in …???

� Razlogi� drago (vrednost posamezne živali ni velika)� zamudno� nekaj QTL-ov pojasni le del variabilnosti

Genotipska vr.

Fenotip

Genotip OkoljeOkolje

QTL

Fenotipska vrednost


Odstopanjezaradi okolja

“MAS”

Statistični model(metoda BLUP)

Plemenske vrednosti+ točnosti


Rodovniki Označevalci

Francija – Guillaume in sod. (2008)http://jds.fass.org/cgi/content/abstract/91/6/2520

� MAS od leta 2001

� Za pred izbor bikov za progeni test

� Podatki� ~17,000 genotipiziranih živali

� 14 QTL regij z 2-5 mikrosatelitov

� ~10,000 na novo genotipiziranih živali vsako leto

� Točnost PV se je v povprečju povečala za 0,043 (od 0,001 za kg belj. do 0,103 za % mašč.)

� Precejšni stroški!

“Galton” – Aulchenko in sod. (2009)http://dx.doi.org/10.1038/ejhg.2009.5

� Galton (1886) “za napoved telesne višine otrok rabimo le povprečno telesno višino staršev”

� Heritabiliteta za telesno višino ~0,80� Primerjava metod:

� 5748 posameznikov, 54 lokusov (povezanih s telesno višino) je pojasnilo 4-6 % variance in imelo slabo napovedno moč (65 %) za ločitev 5 % najvišjih posameznikov

� 550 družin, povprečje staršev je pojasnilo 40 % variance in imelo boljšo napovedno moč (84 %) za ločitev 5 % najvišjih posameznikov

� 270 družin, povprečje staršev + 54 lokusov � ~41 % variancein napovedna moč ~ 84%

� � za napovedno moč ~80 % moramo z lokusi pojasniti vsaj 25 % variance

� � pri heritabiliteti ~0,3 je napovedna moč dokaj podobna

Genomski projektihttp://www.ncbi.nlm.nih.gov/genome/guide/

� 2000 človek

� 2004 govedo http://www.ncbi.nlm.nih.gov/genome/guide/cow/

� 2004 kokoš http://www.ncbi.../chicken

� 2005 pes http://www.ncbi.../dog

� 2006 čebela http://www.ncbi.../bee

� 2007 konj http://www.ncbi.../horse

� 2009 prašič http://www.ncbi.../pig

� 20?? ovca http://www.ncbi.../sheep

� 20?? kunec http://www.ncbi.../rabbit

Kromosom od očeta

Kromosom od mame

Genom

SNP – “snip”

Meuwissen in sod. 2001http://www.genetics.org/cgi/content/abstract/157/4/1819

� Ideja� število poznanih označevalcev raste� cena genotipizacije pada� uporabiti veliko ozn. za oceno plemenske vrednosti

� Simulacija� poznali so alele/genotipe posameznikov in njihove učinke� genom: 1000 genov, 1010 označevalcev (po dva v haplotip)

� tekom simulacije se je v populaciji “nabralo” ~ 50.000 različnih haplotipov

QTLM1 M2

1 cM

……

Meuwissen in sod. 2001

� Simulacija 1000 generacij N = 100:� 1001. generacija 1002. generacija

� N = 200 (100 ♀, 100 ♂) N = 2000 (20 x hsib100 )

� meritve meritve

� genotipizacija genotipizacija

� 1003. generacija� N = 2000 (20 x hsib100 )

� meritve

� genotipizacija

� Ocena parametrov z različnimi metodami

R koda za porazdelitvemu <- 100; sigma <- 12; k <- 0.05

x <- (seq(-3.5, 3.5, 0.01) * sigma) + mu

y <- dnorm(x=x, mean=mu, sd=sigma)

par(bty="l", pty="m", mar=c(1, 1, 0, 0))

plot(y ~ x, type="l", axes=FALSE, xlab="", ylab="", lwd=10)

axis(1, labels=NA, lwd=4)

box(lwd=4)


plot(dnorm(x=x, mean=mu, sd=sigma/4) ~ x, type="l", axes=FALSE, xlab="", ylab="", lwd=10)

lines(dnorm(x=x, mean=mu, sd=sigma/2) ~ x, lwd=10, col="red")

lines(dnorm(x=x, mean=mu, sd=sigma) ~ x, lwd=10, col="blue")


box(lwd=4)


plot(dnorm(x=x, mean=mu, sd=sigma/4) ~ x, type="l", axes=FALSE, xlab="", ylab="", lwd=10)

lines(dnorm(x=x, mean=mu, sd=sigma/2) ~ x, lwd=10, col="red")

lines(dnorm(x=x, mean=mu, sd=sigma) ~ x, lwd=10, col="blue")

abline(v=mu, lwd=10, col="green")


box(lwd=4)

Pregled metod

� LS� ločena ocena vsakega haplotipa

� BLUP� ocena vseh haplotipov hkrati� porazdelitev učinkov

� BayesA� ocena vseh haplotipov hkrati� porazdelitev učinkov

� BayesB� ocena vseh haplotipov hkrati� porazdelitev učinkov


Gen Gen



� Korelacija med pravimi in ocenjenimi PV (točnost) v 1003. generaciji (znani genotipi a neznani fenotipi)

0,80 ± 0./ 1BayesA

0,85 ± 0,01BayesB

0,73 ± 0,03BLUP

0,32 ± 0,02LS

KorelacijaMetoda

Čipi

� leta 2001 se je ideja Meuwissen in sod. zdela nora, saj je bil takrat cilj čim manj stroškov z genotipizacijo za nekaj označevalcev

� vpeljava čipov in padec cene (~200 $) danes omogočata uporabo velikega števila (50 k in več) označevalcev tudi v živinoreji

Čipi� Konj

� http://www.illumina.com/pages.ilmn?ID=285

� Pes� http://www.illumina.com/pages.ilmn?ID=249� http://www.affymetrix.com/products_services/arrays/specific/canine_2.affx

� Govedo� http://www.illumina.com/pages.ilmn?ID=256� http://www.affymetrix.com/products_services/arrays/specific/bovine.affx

� Prašič� http://www.illumina.com/pages.ilmn?ID=320� http://www.affymetrix.com/products_services/arrays/specific/porcine.affx

� Ovce� http://www.illumina.com/pages.ilmn?ID=319

� Razvoj teče dalje� 1000 k za človeka� celotni genomi

Fenotip

Genotip OkoljeOkolje

Fenotipska vrednost

Odstopanjezaradi okolja

Genotipska vr.QTL


SNP


Statistične metode se intenzivno razvijajo� “standarda” še ni


Statistični model(metoda BLUP ali …)

Enačba


SNP

EnačbaSNP

Plemenske vrednosti+ točnosti


� Združevanje/spajanje (ang. blended) plemenskih vrednosti iz različnih virov

� genomska plemenska vrednost (ocenjena na podlagi SNP-jev)

� “klasična” plemenska vrednost(ocenjena na podlagi fen. vrednosti in rodovnikov)


Statistični model(metoda BLUP ali …)


SNP

Plemenske vrednosti + točnosti

Rodovniki

“Potrebni” pogoji!

� Zanesljiv fenotip � “povprečje” potomcev

� Za oceno vpliva velikega števila SNP-jev in zadostno točnost potrebujemo veliko živali� Avstralija

� 640 bikov (beljakovine, kg) � točnost 0,67 (klasika 0,53)

� 332 bikov (“plodnost”) � točnost 0,42 (klasika 0,40)

� Nova Zelandija� 4.500 bikov � točnost od 0,71 do 0,82

� ZDA� 3.576 bikov � povprečna točnost 0,71

Prednosti genomske selekcije I

� Večji genetski napredek ~ 1-2x� Test na potomcih – progeni test

∆G = (2 × 0,8 + ~ 0) / (6 + 2) = 0,20� Mladi biki

∆G = (2 × 0,35 + ~ 0) / (2 + 2) = 0,18� GS mladi biki

∆G = (2 × 0,60 + ~ 0) / (2 + 2) = 0,30� GS mladi biki + “bikovske” matere

∆G = (2 × 0,60 + 0,8 × 0,6) / (2 + 2) = 0,42

� Podrobnejšo analizo je opravil Schaeffer (2006)

Prednosti genomske selekcije I

× 29 somatski + × 1 spolni

� Še vedno veliko možnosti za selekcijo � težko bo “sestaviti” genom idealne živali!

� Primer kromosomskega para

Prednosti genomske selekcije II� Večja kontrola nad inbridingom, saj poznamo

dejanski genotip – identičnost po funkciji!

Identičnost po izvoru vs. funkciji

Hayes in Goddard (2008)http://jas.fass.org/cgi/content/full/86/9/2089

Genomska selekcija

Documents