Optimización del desempeño predictivo de modelos de selección genómica en el contexto del mejoramiento genético forestal

La selección genómica (SG) es relevante para el mejoramiento genético forestal debido a que permite reducir la duración de los ciclos de mejora con el consiguiente incremento de la ganancia genética. Sin embargo, el éxito de la SG depende del desempeño predictivo del modelo estadístico de evaluación genética. En esta tesis se evaluaron diferentes modelos de SG con el objetivo de incrementar su desempeño predictivo. En particular, se investigó: 1) el impacto del ajuste de matrices de relaciones genómicas basadas en la noción de Identidad por Descendencia (IBD) contrastadas con aquellas construidas usando el enfoque de Identidad por Estado (IBS); 2) la utilización de caracteres ampliamente medidos para mejorar la exactitud de caracteres escasamente medidos mediante modelos multi-carácter (MT) en comparación con modelos uni-carácter (ST); y 3) la aplicación de dos nuevos modelos genómicos causales. Todas las metodologías propuestas se compararon con el modelo convencional de evaluación genética basado en información de pedigrí. Los métodos propuestos fueron ilustrados con datos reales de programas de mejoramiento de especies de Eucalyptus. Se logró una mayor precisión de las relaciones genómicas y una mayor exactitud de los valores de mejora (BVs), aunque con menor heredabilidad, mediante el enfoque IBD comparado con el enfoque IBS. Por otro lado, los modelos MT permitieron incrementar la exactitud de los BVs correspondientes a dos de los cuatro caracteres escasamente medidos analizados, en comparación con los modelos ST. Por último, los nuevos modelos genómicos causales demostraron ser alternativas fiables a los modelos genómicos comúnmente empleados en las evaluaciones genéticas forestales. Las metodologías propuestas constituyen enfoques útiles para incrementar el desempeño predictivo de diferentes modelos de SG en árboles forestales.

Doctorado en Ciencias Agropecuarias

185 p. : tbls., grafs.