Impacto de la sumarización de covariables ambientales en la capacidad predictiva en la selección genómica

Área de la Ciencia:

• Mejora vegetal
• genética cuantitativa
• predicción genómica

Sus antecedentes:

• Los modelos de predicción genómica pueden mejorarse integrando información ambiental.
• Es crucial tener en cuenta las interacciones genotipo-ambiente para mejorar la precisión de la predicción.

Objetivo del estudio:

• Comparar diferentes métodos de incorporación de covariables ambientales (EC) en modelos de predicción genómica.
• Evaluar el impacto de las EC en la capacidad predictiva en varios escenarios de validación cruzada.

Principales métodos:

• Se utilizó el conjunto de datos SoyNAM con 1379 genotipos y 4611 marcadores SNP en cuatro entornos.
• Se compararon cuatro enfoques de incorporación de EC: promediación (AVG), filtrado (FILT), segmentación (STG) y toda la información disponible (ALL).
• Se evaluó la capacidad predictiva utilizando la correlación de Pearson en tres esquemas de validación cruzada (CV2, CV1, CV0).

Principales resultados:

• La incorporación de información de EC aumentó la capacidad predictiva promedio de 0.42 a 0.56 para CV1 y CV2.
• El promedio de las EC resultó en una menor capacidad predictiva en comparación con otros métodos.
• Para predecir en entornos novedosos (CV0), los modelos con solo interacción genotipo-ambiente tuvieron un mejor rendimiento (0.33).

Conclusiones:

• El enfoque ingenuo (ALL) que utiliza toda la información de EC es una estrategia prometedora para mejorar la precisión de la predicción genómica.
• La integración de las EC mejora la capacidad predictiva, pero el método de integración es crítico.
• Se justifica una mayor investigación sobre los métodos óptimos de incorporación de EC.