Resumo
Este estudo teve como objetivo avaliar o impacto na acurácia e viés das predições genômicas por incluir e ponderar diferencialmente regiões genômicas candidatas para as características de produção em bovinos da raça Nelore. Foram utilizados dados de 244.254 animais nascidos entre 1977 e 2016, com aproximadamente 176.000 registros fenotípicos para as características peso ajustado aos 450 dias de idade (P450), área de olho de lombo (AOL), marmoreio (MARB) espessura da gordura subcutânea (EGS) e espessura da gordura da garupa (EGP8). 7.769 animais foram genotipados com o painel de baixa densidade (30k - CLARIFIDE® Nelore 3.0) e os genótipos foram imputados a um painel contendo 735.044 marcadores. Para todas as características um modelo animal linear foi considerado para obter as estimativas de parâmetros genéticos e executar o GWAS. Foram incluídos no modelo os efeitos genéticos aditivos diretos e residuais como efeitos aleatórios, os efeitos fixos para as características de carcaça foram grupos contemporâneos (GC) e idade do animal (covariável) e para característica de crescimento os grupos contemporâneos (GC). Para todas as características, um procedimento BLUP genômico de etapa única (ssGBLUP) foi realizado, sendo que a matriz G foi construída usando diferentes combinações de SNPs e pesos. Para avaliar a capacidade de predição do GEBV dos modelos para cada conjunto de dados, a mesma foi mensurada por meio da correlação de Pearson entre o valor genético genômico estimado (GEBV) e o fenótipo ajustado para efeitos fixos (Yc), dividido pela raiz quadrada da herdabilidade da característica avaliada. O viés das predições genômicas foi avaliado utilizando o coeficiente de regressão do fenótipo ajustado (Yc) sobre o GEBV. Verificou-se um maior efeito sobre o viés das predições ao incluir QTLs e ponderações no ssGLBUP do que nas habilidades de predição. Maiores ganhos na habilidade preditiva foram obtidos para P450 ao ponderar a matriz G e incluir QTLs provenientes de ssGWAS. A incorporação de QTLs candidatos previamente relatados na literatura e ponderá-los de forma diferenciada, pode apresentar um sucesso limitado para características de carcaça. Para características com pouca informação e baixa herdabilidade, as estimativas de habilidade preditiva foram baixas, visto que possivelmente o número de observações limita os benefícios da incorporação da informação genômica.
This study aimed to evaluate the impact on the accuracy and bias of genomic predictions by including and differentiately weighting candidate genomic regions for production characteristics in Nelore cattle. We used 244,254 animals born between 1977 and 2016. The data comprise approximately 176,000 phenotypic records for adjusted weight at 450 (P450) days of age, loin eye area (AOL), marbling (MARB) subcutaneous fat thickness (EGS) and croup fat thickness (EGP8). A total of 7,769 animals were genotyped with the low density panel (30k). All genotypes were imputed to a panel containing 735,044 markers. For all traits a linear animal model was considered to obtain the genetic parameter estimates and run GWAS. Direct and residual additive genetic effects were included in the model as random effects, the fixed effects for carcass traits were contemporary groups (CG) and animal age (covariate) and for growth trait the contemporary groups (CG). For all characteristics a single-step genomic BLUP procedure (ssGBLUP) was used. The G Matrix was constructed using different combinations of SNPs and weights. To evaluate the GEBV prediction capability of the models for each data set, it was measured by Pearson's correlation between the estimated genetic genetic value (GEBV) and the fixed effect adjusted phenotype (Yc), divided by the square root of the heritability of the evaluated characteristic. The inflation of the genomic predictions was evaluated using the regression coefficient of the adjusted phenotype (Yc) on GEBV. There was a greater effect on bias of predictions by including candidate QTLs and weights in ssGLBUP than in prediction abilities. More gains in predictive ability were obtained for P450 by weighting the G matrix and including candidate QTLs from ssGWAS. Incorporating QTLs previously reported in the literature and weighting them differently may have limited success for carcass traits. For traits with little information and low heritability, predictive ability estimates were low, as possibly the number of observations limits the benefits of incorporating genomic information.