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
CONICET Digital (CONICET)
Institución
Consejo Nacional de Investigaciones Científicas y Técnicas
OAI Identificador
oai:ri.conicet.gov.ar:11336/145881

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