Estimação de componentes de variância sob influência de genes de efeito principal, comparando-se metodologias Bayesiana e clássica sob diferentes cenários Estimation of variance components under major genes influence, comparing Bayesian and classical methodologies under different scenarios

Abstract

Quatro diferentes tipos de população foram simulados com o objetivo de verificar a influência de genes de efeito principal e do tamanho da população na estimação de componentes de variância sob seleção. A estimação foi realizada por meio da utilização e comparação das metodologias clássica e Bayesiana (a Bayesiana com três níveis de informação a priori). As metodologias REML e Bayesiana com prior não-informativo, em geral, produziram resultados bastante semelhantes. Em populações cuja característica é governada por genes de efeito principal, as estimativas dos componentes de variância genética aditiva foram pouco acuradas, exceto quando se utilizou metodologia Bayesiana com prior informativo. A inclusão das informações de parentesco e dos registros de todos os indivíduos até a população-base mostrou-se necessária, exceto para populações grandes cuja característica é governada por elevado número de genes.This study aimed to evaluate the effects of major genes and population size on variance components estimation using four different types of selected populations. Variance components were estimated by classical and Bayesian methodologies, with three a priori information levels. In general, results from REML and Bayesian analyses with flat priors were similar. Except for Bayesian analysis with an informative prior, additive genetic variance estimates were not accurate in populations in which the trait is controlled by major genes. The use of pedigree information and records of all individuals back to the base-population was necessary to improve accuracy of variance component estimates, except for large populations in which the trait is controlled by a large number of genes.

Keywords

• amostragem de Gibbs
• modelo infinitesimal
• modelos mistos
• REML
• simulação computacional
• viés da seleção
• computational simulation
• Gibbs sampling
• infinitesimal model
• mixed models
• REML
• selection bias