Redirigiendo al acceso original de articulo en 21 segundos...
ARTÍCULO
TITULO

Generalized composite interval mapping offers improved efficiency in the analysis of loci influencing non-normal continuous traits.

Freddy Mora    
Carlos Alberto Scapim    
Adam Baharum    
Antonio Teixeira Amaral Júnior    

Resumen

In genetic studies, most Quantitative Trait Loci (QTL) mapping methods presuppose that the continuous trait of interest follows a normal (Gaussian) distribution. However, many economically important traits of agricultural crops have a non-normal distribution. Composite interval mapping (CIM) has been successfully applied to the detection of QTL in animal and plant breeding. In this study we report a generalized CIM (GCIM) method that permits QTL analysis of non-normally distributed variables. GCIM was based on the classic Generalized Linear Model method. We applied the GCIM method to a F2 population with co-dominant molecular markers and the existence of a QTL controlling a trait with Gamma distribution. Computer simulations indicated that the GCIM method has superior performance in its ability to map QTL, compared with CIM. QTL position differed by 5 cM and was located at different marker intervals. The Likelihood Ratio Test values ranged from 52 (GCIM) to 76 (CIM). Thus, wrongly assuming CIM may overestimate the effect of the QTL by about 47%. The usage of GCIM methodology can offer improved efficiency in the analysis of QTLs controlling continuous traits of non-Gaussian distribution. En estudios genéticos, la mayoría de los métodos de mapeo de Loci de Característica Cuantitativa (LCC) presupone que la característica de interés (continua) sigue una distribución Normal (Gaussiana). Sin embargo, muchas de las características económicamente importantes de cultivos agrícolas tienen una distribución no-normal. Mapeo por intervalos compuestos (MIC) ha sido aplicado exitosamente para la detección de LCC en el mejoramiento de plantas y animales. En este estudio se investigó el método generalizado de MIC (MICG) que permite el análisis de LCC de variables distribuidas no normalmente. MICG fue basado en el método clásico de los Modelos Lineales Generalizados. Se aplicó el MICG a una población F2 con marcadores moleculares codominantes y la existencia de un LCC que controla una característica con distribución Gamma. Simulaciones de computador indicaron que el método MICG tiene un poder superior en su habilidad para mapear LCC, en comparación con MIC. La posición del LCC difirió en 5 cM, y fue localizado en diferentes intervalos de marcadores. Los valores de la prueba de la Razón de Verosimilitud variaron de 52 (MICG) a 76 (MIC). Por lo tanto, asumiendo erróneamente MIC, se podría sobreestimar el efecto del LCC en alrededor de 47%. El uso de MICG puede ofrecer una mejorada eficiencia en el análisis de LCC que controlan características de distribución diferente a la Gaussiana.