Meta-analysis for evaluating the efficiency of genomic selection in cereals
- Autores
- Rueda Calderón, María Angélica; Balzarini, Monica Graciela; Bruno, Cecilia Ines
- Año de publicación
- 2020
- Idioma
- español castellano
- Tipo de recurso
- artículo
- Estado
- versión publicada
- Descripción
- La selección genómica (SG) es usada para predecir el mérito de un genotipo respecto a un carácter cuantitativo a partir de datos moleculares o genómicos. Estadísticamente, la SG requiere ajustar un modelo de regresión con múltiples variables predictoras asociadas a los estados de los marcadores moleculares (MM). El modelo se calibra en una población en la que hay datos fenotípicos y genómicos. La abundancia y la correlación de la información de los MM dificultan la estimación, y por ello existen distintas estrategias para el ajuste del modelo basadas en: mejor predictor lineal insesgado (BLUP), regresiones Bayesianas y aprendizaje automático. La correlación entre el fenotipo observado y el mérito genético predicho por el modelo ajustado, provee una medida de eficiencia (capacidad predictiva) de la SG. El objetivo de este trabajo fue realizar un meta-análisis de la eficiencia de la SG en cereales. Se realizó una revisión sistemática de estudios relacionados a SG y se llevó a cabo un meta-análisis, para obtener una medida global de la eficiencia de la SG en trigo y maíz, bajo diferentes escenarios (cantidad de MM y método estadístico usado para la SG). El metaanálisis indicó un coeficiente de correlación promedio de 0,61 entre los méritos genéticos predichos y los fenotipos observados. No se observaron diferencias significativas en la eficiencia de la SG realizada con modelos basados en BLUP (RR-BLUP y GBLUP), enfoque estadístico más comúnmente usado. El incremento de MM no cambia significativamente la eficiencia de la SG.
Genomic selection (GS) is used to predict the merit of a genotype with respect to a quantitative trait from molecular or genomic data. Statistically, GS requires fitting a regression model with multiple predictors associated with the molecular markers (MM) states. The model is calibrated in a population with phenotypic and genomic data. The abundance and correlation of MM information make model estimation challenging. For that reason there are diverse strategies to adjust the model: based on best linear unbiased predictors (BLUP), Bayesian regressions and machine learning methods. The correlation between the observed phenotype and the predicted genetic merit by the fitted model, provides a measure of the efficiency (predictive ability) of the GS. The objective of this work was to perform a meta-analysis on the efficiency of GS in cereal. A systematic review of related GS studies and a meta-analysis, in wheat and maize, was carried out to obtain a global measure of GS efficiency under different scenarios (MM quantity and statistical models used in GS). The meta-analysis indicated an average correlation coefficient of 0.61 between observed and predicted genetic merits. There were no significant differences in the efficiency of the GS based on BLUP (RR-BLUP and GBLUP), the most common statistical approach. The increase of MM data make GS efficiency do not vary widely.
Fil: Rueda Calderón, María Angélica. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Departamento de Desarrollo Rural. Area de Estadística y Biometría; Argentina
Fil: Balzarini, Monica Graciela. Instituto Nacional de Tecnologia Agropecuaria. Centro de Investigaciones Agropecuarias. Unidad de Fitopatologia y Modelizacion Agricola. Grupo Vinculado Catedra de Estadistica y Biometria de la Facultad de Ciencias Agropecuarias de la Universidad Nacional de Cordoba Al Ufyma | Consejo Nacional de Investigaciones Cientificas y Tecnicas. Centro Cientifico Tecnologico Conicet - Cordoba. Unidad de Fitopatologia y Modelizacion Agricola. Grupo Vinculado Catedra de Estadistica y Biometria de la Facultad de Ciencias Agropecuarias de la Universidad Nacional de Cordoba Al Ufyma.; Argentina
Fil: Bruno, Cecilia Ines. Instituto Nacional de Tecnologia Agropecuaria. Centro de Investigaciones Agropecuarias. Unidad de Fitopatologia y Modelizacion Agricola. Grupo Vinculado Catedra de Estadistica y Biometria de la Facultad de Ciencias Agropecuarias de la Universidad Nacional de Cordoba Al Ufyma | Consejo Nacional de Investigaciones Cientificas y Tecnicas. Centro Cientifico Tecnologico Conicet - Cordoba. Unidad de Fitopatologia y Modelizacion Agricola. Grupo Vinculado Catedra de Estadistica y Biometria de la Facultad de Ciencias Agropecuarias de la Universidad Nacional de Cordoba Al Ufyma.; Argentina. Instituto Nacional de Tecnología Agropecuaria. Centro de Investigaciones Agropecuarias. Unidad de Fitopatología y Modelización Agrícola - Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Unidad de Fitopatología y Modelización Agrícola; Argentina - Materia
-
REVISIÓN SISTEMÁTICA
MODELOS DE EFECTOS ALEATORIOS
FORESTPLOT
CAPACIDAD PREDICTIVA - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
- Repositorio
- Institución
- Consejo Nacional de Investigaciones Científicas y Técnicas
- OAI Identificador
- oai:ri.conicet.gov.ar:11336/145881
Ver los metadatos del registro completo
id |
CONICETDig_ac65a74bc3ddb2489abbfb8f7ebdadab |
---|---|
oai_identifier_str |
oai:ri.conicet.gov.ar:11336/145881 |
network_acronym_str |
CONICETDig |
repository_id_str |
3498 |
network_name_str |
CONICET Digital (CONICET) |
spelling |
Meta-analysis for evaluating the efficiency of genomic selection in cerealsMeta-análisis para evaluar eficiencia de selección genómica en cerealesRueda Calderón, María AngélicaBalzarini, Monica GracielaBruno, Cecilia InesREVISIÓN SISTEMÁTICAMODELOS DE EFECTOS ALEATORIOSFORESTPLOTCAPACIDAD PREDICTIVAhttps://purl.org/becyt/ford/1.1https://purl.org/becyt/ford/1La selección genómica (SG) es usada para predecir el mérito de un genotipo respecto a un carácter cuantitativo a partir de datos moleculares o genómicos. Estadísticamente, la SG requiere ajustar un modelo de regresión con múltiples variables predictoras asociadas a los estados de los marcadores moleculares (MM). El modelo se calibra en una población en la que hay datos fenotípicos y genómicos. La abundancia y la correlación de la información de los MM dificultan la estimación, y por ello existen distintas estrategias para el ajuste del modelo basadas en: mejor predictor lineal insesgado (BLUP), regresiones Bayesianas y aprendizaje automático. La correlación entre el fenotipo observado y el mérito genético predicho por el modelo ajustado, provee una medida de eficiencia (capacidad predictiva) de la SG. El objetivo de este trabajo fue realizar un meta-análisis de la eficiencia de la SG en cereales. Se realizó una revisión sistemática de estudios relacionados a SG y se llevó a cabo un meta-análisis, para obtener una medida global de la eficiencia de la SG en trigo y maíz, bajo diferentes escenarios (cantidad de MM y método estadístico usado para la SG). El metaanálisis indicó un coeficiente de correlación promedio de 0,61 entre los méritos genéticos predichos y los fenotipos observados. No se observaron diferencias significativas en la eficiencia de la SG realizada con modelos basados en BLUP (RR-BLUP y GBLUP), enfoque estadístico más comúnmente usado. El incremento de MM no cambia significativamente la eficiencia de la SG.Genomic selection (GS) is used to predict the merit of a genotype with respect to a quantitative trait from molecular or genomic data. Statistically, GS requires fitting a regression model with multiple predictors associated with the molecular markers (MM) states. The model is calibrated in a population with phenotypic and genomic data. The abundance and correlation of MM information make model estimation challenging. For that reason there are diverse strategies to adjust the model: based on best linear unbiased predictors (BLUP), Bayesian regressions and machine learning methods. The correlation between the observed phenotype and the predicted genetic merit by the fitted model, provides a measure of the efficiency (predictive ability) of the GS. The objective of this work was to perform a meta-analysis on the efficiency of GS in cereal. A systematic review of related GS studies and a meta-analysis, in wheat and maize, was carried out to obtain a global measure of GS efficiency under different scenarios (MM quantity and statistical models used in GS). The meta-analysis indicated an average correlation coefficient of 0.61 between observed and predicted genetic merits. There were no significant differences in the efficiency of the GS based on BLUP (RR-BLUP and GBLUP), the most common statistical approach. The increase of MM data make GS efficiency do not vary widely.Fil: Rueda Calderón, María Angélica. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Departamento de Desarrollo Rural. Area de Estadística y Biometría; ArgentinaFil: Balzarini, Monica Graciela. Instituto Nacional de Tecnologia Agropecuaria. Centro de Investigaciones Agropecuarias. Unidad de Fitopatologia y Modelizacion Agricola. Grupo Vinculado Catedra de Estadistica y Biometria de la Facultad de Ciencias Agropecuarias de la Universidad Nacional de Cordoba Al Ufyma | Consejo Nacional de Investigaciones Cientificas y Tecnicas. Centro Cientifico Tecnologico Conicet - Cordoba. Unidad de Fitopatologia y Modelizacion Agricola. Grupo Vinculado Catedra de Estadistica y Biometria de la Facultad de Ciencias Agropecuarias de la Universidad Nacional de Cordoba Al Ufyma.; ArgentinaFil: Bruno, Cecilia Ines. Instituto Nacional de Tecnologia Agropecuaria. Centro de Investigaciones Agropecuarias. Unidad de Fitopatologia y Modelizacion Agricola. Grupo Vinculado Catedra de Estadistica y Biometria de la Facultad de Ciencias Agropecuarias de la Universidad Nacional de Cordoba Al Ufyma | Consejo Nacional de Investigaciones Cientificas y Tecnicas. Centro Cientifico Tecnologico Conicet - Cordoba. Unidad de Fitopatologia y Modelizacion Agricola. Grupo Vinculado Catedra de Estadistica y Biometria de la Facultad de Ciencias Agropecuarias de la Universidad Nacional de Cordoba Al Ufyma.; Argentina. Instituto Nacional de Tecnología Agropecuaria. Centro de Investigaciones Agropecuarias. Unidad de Fitopatología y Modelización Agrícola - Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Unidad de Fitopatología y Modelización Agrícola; ArgentinaAsociación Geológica Argentina2020-07info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdfapplication/pdfhttp://hdl.handle.net/11336/145881Rueda Calderón, María Angélica; Balzarini, Monica Graciela; Bruno, Cecilia Ines; Meta-analysis for evaluating the efficiency of genomic selection in cereals; Asociación Geológica Argentina; Journal of Basic and Applied Genetics; XXXI; 1; 7-2020; 23-321853-71381852-6233CONICET DigitalCONICETspainfo:eu-repo/semantics/altIdentifier/doi/10.35407/bag.2020.31.01.03info:eu-repo/semantics/altIdentifier/url/https://sag.org.ar/jbag/project/vol-xxxi-issue-1/info:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/ar/reponame:CONICET Digital (CONICET)instname:Consejo Nacional de Investigaciones Científicas y Técnicas2025-09-29T10:45:02Zoai:ri.conicet.gov.ar:11336/145881instacron:CONICETInstitucionalhttp://ri.conicet.gov.ar/Organismo científico-tecnológicoNo correspondehttp://ri.conicet.gov.ar/oai/requestdasensio@conicet.gov.ar; lcarlino@conicet.gov.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:34982025-09-29 10:45:02.957CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicasfalse |
dc.title.none.fl_str_mv |
Meta-analysis for evaluating the efficiency of genomic selection in cereals Meta-análisis para evaluar eficiencia de selección genómica en cereales |
title |
Meta-analysis for evaluating the efficiency of genomic selection in cereals |
spellingShingle |
Meta-analysis for evaluating the efficiency of genomic selection in cereals Rueda Calderón, María Angélica REVISIÓN SISTEMÁTICA MODELOS DE EFECTOS ALEATORIOS FORESTPLOT CAPACIDAD PREDICTIVA |
title_short |
Meta-analysis for evaluating the efficiency of genomic selection in cereals |
title_full |
Meta-analysis for evaluating the efficiency of genomic selection in cereals |
title_fullStr |
Meta-analysis for evaluating the efficiency of genomic selection in cereals |
title_full_unstemmed |
Meta-analysis for evaluating the efficiency of genomic selection in cereals |
title_sort |
Meta-analysis for evaluating the efficiency of genomic selection in cereals |
dc.creator.none.fl_str_mv |
Rueda Calderón, María Angélica Balzarini, Monica Graciela Bruno, Cecilia Ines |
author |
Rueda Calderón, María Angélica |
author_facet |
Rueda Calderón, María Angélica Balzarini, Monica Graciela Bruno, Cecilia Ines |
author_role |
author |
author2 |
Balzarini, Monica Graciela Bruno, Cecilia Ines |
author2_role |
author author |
dc.subject.none.fl_str_mv |
REVISIÓN SISTEMÁTICA MODELOS DE EFECTOS ALEATORIOS FORESTPLOT CAPACIDAD PREDICTIVA |
topic |
REVISIÓN SISTEMÁTICA MODELOS DE EFECTOS ALEATORIOS FORESTPLOT CAPACIDAD PREDICTIVA |
purl_subject.fl_str_mv |
https://purl.org/becyt/ford/1.1 https://purl.org/becyt/ford/1 |
dc.description.none.fl_txt_mv |
La selección genómica (SG) es usada para predecir el mérito de un genotipo respecto a un carácter cuantitativo a partir de datos moleculares o genómicos. Estadísticamente, la SG requiere ajustar un modelo de regresión con múltiples variables predictoras asociadas a los estados de los marcadores moleculares (MM). El modelo se calibra en una población en la que hay datos fenotípicos y genómicos. La abundancia y la correlación de la información de los MM dificultan la estimación, y por ello existen distintas estrategias para el ajuste del modelo basadas en: mejor predictor lineal insesgado (BLUP), regresiones Bayesianas y aprendizaje automático. La correlación entre el fenotipo observado y el mérito genético predicho por el modelo ajustado, provee una medida de eficiencia (capacidad predictiva) de la SG. El objetivo de este trabajo fue realizar un meta-análisis de la eficiencia de la SG en cereales. Se realizó una revisión sistemática de estudios relacionados a SG y se llevó a cabo un meta-análisis, para obtener una medida global de la eficiencia de la SG en trigo y maíz, bajo diferentes escenarios (cantidad de MM y método estadístico usado para la SG). El metaanálisis indicó un coeficiente de correlación promedio de 0,61 entre los méritos genéticos predichos y los fenotipos observados. No se observaron diferencias significativas en la eficiencia de la SG realizada con modelos basados en BLUP (RR-BLUP y GBLUP), enfoque estadístico más comúnmente usado. El incremento de MM no cambia significativamente la eficiencia de la SG. Genomic selection (GS) is used to predict the merit of a genotype with respect to a quantitative trait from molecular or genomic data. Statistically, GS requires fitting a regression model with multiple predictors associated with the molecular markers (MM) states. The model is calibrated in a population with phenotypic and genomic data. The abundance and correlation of MM information make model estimation challenging. For that reason there are diverse strategies to adjust the model: based on best linear unbiased predictors (BLUP), Bayesian regressions and machine learning methods. The correlation between the observed phenotype and the predicted genetic merit by the fitted model, provides a measure of the efficiency (predictive ability) of the GS. The objective of this work was to perform a meta-analysis on the efficiency of GS in cereal. A systematic review of related GS studies and a meta-analysis, in wheat and maize, was carried out to obtain a global measure of GS efficiency under different scenarios (MM quantity and statistical models used in GS). The meta-analysis indicated an average correlation coefficient of 0.61 between observed and predicted genetic merits. There were no significant differences in the efficiency of the GS based on BLUP (RR-BLUP and GBLUP), the most common statistical approach. The increase of MM data make GS efficiency do not vary widely. Fil: Rueda Calderón, María Angélica. Universidad Nacional de Córdoba. Facultad de Ciencias Agropecuarias. Departamento de Desarrollo Rural. Area de Estadística y Biometría; Argentina Fil: Balzarini, Monica Graciela. Instituto Nacional de Tecnologia Agropecuaria. Centro de Investigaciones Agropecuarias. Unidad de Fitopatologia y Modelizacion Agricola. Grupo Vinculado Catedra de Estadistica y Biometria de la Facultad de Ciencias Agropecuarias de la Universidad Nacional de Cordoba Al Ufyma | Consejo Nacional de Investigaciones Cientificas y Tecnicas. Centro Cientifico Tecnologico Conicet - Cordoba. Unidad de Fitopatologia y Modelizacion Agricola. Grupo Vinculado Catedra de Estadistica y Biometria de la Facultad de Ciencias Agropecuarias de la Universidad Nacional de Cordoba Al Ufyma.; Argentina Fil: Bruno, Cecilia Ines. Instituto Nacional de Tecnologia Agropecuaria. Centro de Investigaciones Agropecuarias. Unidad de Fitopatologia y Modelizacion Agricola. Grupo Vinculado Catedra de Estadistica y Biometria de la Facultad de Ciencias Agropecuarias de la Universidad Nacional de Cordoba Al Ufyma | Consejo Nacional de Investigaciones Cientificas y Tecnicas. Centro Cientifico Tecnologico Conicet - Cordoba. Unidad de Fitopatologia y Modelizacion Agricola. Grupo Vinculado Catedra de Estadistica y Biometria de la Facultad de Ciencias Agropecuarias de la Universidad Nacional de Cordoba Al Ufyma.; Argentina. Instituto Nacional de Tecnología Agropecuaria. Centro de Investigaciones Agropecuarias. Unidad de Fitopatología y Modelización Agrícola - Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Córdoba. Unidad de Fitopatología y Modelización Agrícola; Argentina |
description |
La selección genómica (SG) es usada para predecir el mérito de un genotipo respecto a un carácter cuantitativo a partir de datos moleculares o genómicos. Estadísticamente, la SG requiere ajustar un modelo de regresión con múltiples variables predictoras asociadas a los estados de los marcadores moleculares (MM). El modelo se calibra en una población en la que hay datos fenotípicos y genómicos. La abundancia y la correlación de la información de los MM dificultan la estimación, y por ello existen distintas estrategias para el ajuste del modelo basadas en: mejor predictor lineal insesgado (BLUP), regresiones Bayesianas y aprendizaje automático. La correlación entre el fenotipo observado y el mérito genético predicho por el modelo ajustado, provee una medida de eficiencia (capacidad predictiva) de la SG. El objetivo de este trabajo fue realizar un meta-análisis de la eficiencia de la SG en cereales. Se realizó una revisión sistemática de estudios relacionados a SG y se llevó a cabo un meta-análisis, para obtener una medida global de la eficiencia de la SG en trigo y maíz, bajo diferentes escenarios (cantidad de MM y método estadístico usado para la SG). El metaanálisis indicó un coeficiente de correlación promedio de 0,61 entre los méritos genéticos predichos y los fenotipos observados. No se observaron diferencias significativas en la eficiencia de la SG realizada con modelos basados en BLUP (RR-BLUP y GBLUP), enfoque estadístico más comúnmente usado. El incremento de MM no cambia significativamente la eficiencia de la SG. |
publishDate |
2020 |
dc.date.none.fl_str_mv |
2020-07 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion http://purl.org/coar/resource_type/c_6501 info:ar-repo/semantics/articulo |
format |
article |
status_str |
publishedVersion |
dc.identifier.none.fl_str_mv |
http://hdl.handle.net/11336/145881 Rueda Calderón, María Angélica; Balzarini, Monica Graciela; Bruno, Cecilia Ines; Meta-analysis for evaluating the efficiency of genomic selection in cereals; Asociación Geológica Argentina; Journal of Basic and Applied Genetics; XXXI; 1; 7-2020; 23-32 1853-7138 1852-6233 CONICET Digital CONICET |
url |
http://hdl.handle.net/11336/145881 |
identifier_str_mv |
Rueda Calderón, María Angélica; Balzarini, Monica Graciela; Bruno, Cecilia Ines; Meta-analysis for evaluating the efficiency of genomic selection in cereals; Asociación Geológica Argentina; Journal of Basic and Applied Genetics; XXXI; 1; 7-2020; 23-32 1853-7138 1852-6233 CONICET Digital CONICET |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.relation.none.fl_str_mv |
info:eu-repo/semantics/altIdentifier/doi/10.35407/bag.2020.31.01.03 info:eu-repo/semantics/altIdentifier/url/https://sag.org.ar/jbag/project/vol-xxxi-issue-1/ |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-sa/2.5/ar/ |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/ |
dc.format.none.fl_str_mv |
application/pdf application/pdf |
dc.publisher.none.fl_str_mv |
Asociación Geológica Argentina |
publisher.none.fl_str_mv |
Asociación Geológica Argentina |
dc.source.none.fl_str_mv |
reponame:CONICET Digital (CONICET) instname:Consejo Nacional de Investigaciones Científicas y Técnicas |
reponame_str |
CONICET Digital (CONICET) |
collection |
CONICET Digital (CONICET) |
instname_str |
Consejo Nacional de Investigaciones Científicas y Técnicas |
repository.name.fl_str_mv |
CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicas |
repository.mail.fl_str_mv |
dasensio@conicet.gov.ar; lcarlino@conicet.gov.ar |
_version_ |
1844614489098420224 |
score |
13.070432 |