Search

The overall aim of this research work was to explore strategies that manage genetic variation at the genomic level in the era of powerful genomic selection methods. In paper 1, the role of alternative genomic relationship matrices on the rate of genetic gain at the same rate of true inbreeding in genomic optimum contribution selection breeding schemes were assessed using a stochastic simulation study. For prediction three alternative genomic relationship matrices were calculated based on the genomic information used, i.e. QTL only, markers only, or both markers and QTL. For control of inbreeding, markers only, or both markers and QTL were used. With 7,702 QTL, all genomic relationship matrix combinations used for prediction and control of inbreeding gave similar rates of genetic gain at the same rate of true inbreeding. However, with 1,000 QTL, prediction with QTL and control of inbreeding using markers realized a 29.7% higher rate of genetic gain at a 1% rate of true inbreeding than when using markers for both prediction and control of inbreeding. Hence, the effect of alternative genomic relationship matrices on rates of genetic gain at equal rates of true inbreeding depended on the number of QTL controlling the trait. With a large number of QTL, it is not critical which genomic relationship matrices to use for both prediction and control of inbreeding. However, it is critical with small numbers of QTL, or if few genetic markers can be pinpointed that track (most of) the genetic variance. In paper 2, we evaluated the effect of different prediction methods on rates of genetic gain at equal rates of true inbreeding in genomic optimum contribution breeding schemes, and on the distribution of the genetic drift across the genome. Use of Bayesian variable selection genomic prediction (BayesP) outperformed GBLUP and realized 5.7%, 1.7% and 2.7 % more short-term genetic gain with 180, 1000 and 7702 QTL, respectively, at a short-term rate of inbreeding of 1%. BayesP also had higher accuracies of selection than GBLUP. The difference in accuracies between BayesP and GBLUP were higher with few QTL. Moreover, BayesP resulted in smaller selective sweeps around the QTL region than GBLUP. In conclusion, it is advantageous to use BayesP compared to GBLUP in genomic optimum contribution selection breeding schemes. In paper 3, we compared alternative pedigree and genomic estimators of inbreeding to estimate inbreeding depression in semen quality traits in a Large White pig population. Inbreeding coefficients were measured based on pedigree, average homozygosity (Fhomo), excess of homozygosity (FEx_homo), probability of uniting gametes (Fu), and from the diagonal of genomic relationships matrix (FGRM). Based on Runs of Homozygosity (ROH), three different genomic estimators of inbreeding were obtained: FROH< 5Mb (ROH between 1Mb and 5Mb), FROH>= 5Mb (ROH greater or equal to 5Mb), and FROH> 2Mb (ROH above 2Mb). Significant inbreeding depression effects on semen quality traits were found using FROH> 2Mb, FROH>= 5Mb, FEx_homo, and Fhomo. Moreover, FROH> 2Mb and FROH>= 5Mb showed the strongest association with inbreeding depression in semen quality traits. Hence, we recommend using the ROH based measures of genomic inbreeding to quantify inbreeding depression. Moreover, pig industries should consider implementing control of inbreeding in their breeding plan to maintain high-quality semen in sufficient quantities. In conclusion: The use of genomic prediction methods and genomic relationship matrices for EBV prediction that focus on chromosomal regions with causative effects benefit rates of genetic gain at a controlled rate of inbreeding. Genomic relationship matrices for the control of inbreeding should represent the inbreeding across the entire genome as well as possible. ROH based inbreeding coefficients were best at picking up the inbreeding depression aspect of inbreeding amongst the investigated measures of molecular inbreeding. Additional research is warranted on whether this also holds for other negative aspects of inbreeding, such as genetic drift of detrimental alleles to high frequency, and loss of genetic variation. Det overordna målet for denne avhandlinga var å utforska strategiar som forvaltar genetisk variasjon på genomnivå i vår tid når effektive genomiske seleksjonsmetodar er tilgjengelege. I Paper 1 blir effekten av bruk av ulike genomiske slektskapsmatriser på genetisk framgang ved same sanne innavlsrate samanlikna. Avlsprogram med genomisk optimal seleksjon blei simulerte stokastisk. Tre typar genomiske slektskapsmatriser blei laga for genomisk prediksjon: enten med bare QTL (kvantitativ-eigenskaps-loci), med bare genetiske markørar, eller med både markørar og QTL. For å kontrollera innavl brukte ein enten bare genetiske markørar, eller både markørar og QTL . Med 7702 QTL fekk vi om lag same avlsframgang gitt same sanne innavlsgrad for alle dei tre genomiske slektskapsmatrisene vi prøvde. Men med 1000 QTL ga prediksjon med QTL-slektskap og innavlskontroll med markørar 27,9% større genetisk framgang når det var 1% sann innavlsauke, samanlikna med bruk av markørar for både prediksjon og innavlskontroll. Så avhengig av kor mange QTL som eigenskapen er styrt av kan det spelar ei rolle kva type genomiske slektskapsmatriser ein bruker til genomisk avlsverdiprediksjon av eigenskapen. Når det er mange QTL som styrer eigenskapen spelar det liten rolle kva slag genomisk slektskap ein bruker for prediksjon og innavlskontroll. Men når få QTL styrer eigenskapen, eller når (mesteparten av) den genetiske variansen til eigenskapen kan forklarast av få markørar, blir det viktig kva slag genomiske matriser ein bruker for prediksjon og innavlskontroll. I Paper 2 samanlikna vi ulike avlsverdiprediksjonsmetodar når det gjaldt genetisk framgang og genetisk drift i ulike delar av genomet. Samanlikningane blei gjorde ved lik sann innavlsgrad og med genomisk optimal seleksjon. Bruk av Bayes’ variabelseleksjon genomisk prediksjon (BayesP) var betre enn GBLUP og ga 5,7%, 1,7% og 2,7% høgare kortvarig genetisk framgang med 180, 1000 og 7702 QTL. Den kortvarige innavlsgraden var 1%. Og BayesP ga sikrare seleksjon enn GBLUP, spesielt når det var få QTL. Dessutan ga BayesP kortare seleksjonssveip i QTL-områda enn GBLUP. Konklusjonen er at det svarer seg å bruka BayesP framfor GBLUP i genomisk optimale seleksjonsprogram. I Paper 3 samanlikna vi genomiske og anetavle-estimatorar til å detektera innavlsdepresjon for sædkvalitet hos rånar i ein yorkshire-populasjon. Innavlskoeffisientane blei rekna ut enten med anetavle, gjennomsnittleg homosygoti (Fhomo), overskotshomosygoti (FEx_homo), korelasjonen til foreldregametar (FU), eller frå diagonalane i genomiske slektskapsmatriser (FGRM). Avhengig av homosygositetslengder (ROH) valde ein tre genomiske innavlsestimatorar: FROH< 5Mb (ROH frå 500kb til 5Mb), FROH>= 5Mb (ROH større eller lik 5Mb), og FROH> 2Mb (ROH over 2Mb). Signifikante innavlsdepresjonseffektar på sædkvalitet blei funne med FROH> 2Mb, FROH>= 5Mb, FEx_homo og Fhomo. FROH> 2Mb og FROH>= 5Mb ga høgare assosiasjon med genomisk innavlsdepresjon for sædkvalitet enn dei andre måla. Difor anbefaler vi bruk av ROH-baserte mål for genomisk innavl for kvantifisering av innavlsdepresjon. Elles bør svineproduksjonsselskap vurdera å nytta innavlskontroll i avlsplanane sine for å halda fram med å ha nok høgkvalitets-sæd i framtida. Til konklusjon: Avlsverdiprediksjon med bruk av genomiske prediksjonsmetodar og genomiske slektskapsmatriser som fokuserer på kromosomområde som har effekt på eigenskapen det blir avla for gir høgare avlsframgang ved kontrollert innavslgrad. Genomiske slektskapsmatriser til kontroll av innavl bør visa innavl over heile genomet så godt som muleg. Blant måla for innavl var ROH-baserte best til å måla innavlsdepresjon av dei som blei testa. Det krevst meir forsking for å få veta om dette også gjeld for andre negative effektar av innavl, slik som genetisk drift for øydeleggjande allel til høge genfrekvensar, og tap av genetisk variasjon. The Center for Genomic selection in Animals and Plants (GenSAP)