Optimale Nutzung von Sequenzdaten zur Aufklärung der genetischen Architektur komplexer Merkmale
Zusammenfassung der Projektergebnisse
Der Grad der Erblichkeit von Merkmalen ist entscheidend sowohl für die Behandlung von Krankheiten als auch für Fortschritte, die in der Tier- und Pflanzenzüchtung erreicht werden können. Somit ist die genaue Schätzung der Erblichkeit eine vornehmliche Aufgabe der Genetik. Wir haben gezeigt, dass die traditionellen Schätzer durchweg einen Bias, also einen systematischen Fehler, besitzen und haben im Gegensatz dazu einen Schätzer entwickelt, der im Wesentlichen biasfrei ist. Unser Schätzer ist mit dem jüngst entwickelten Bayesschen Schätzer von Lehermeier nahezu identisch, jedoch sowohl numerisch genauer, als auch um ein Vielfaches schneller berechenbar. Die Auswertung an einzelnen, realen Datensätzen hat gezeigt, dass der Unterschied zwischen einer traditionellen und einer biasfreien Schätzung durchaus 40 Prozentpunkte betragen kann. Somit muss auch bei anderen Datensätzen damit gerechnet werden, dass erhebliche Abweichungen bei der Einschätzung der Erblichkeit aufgrund der unterschiedlichen Schätzer vorliegen können. Unser Schätzer ermöglicht auch, dass einem Chromosom oder einem Gen eine Relevanz im Hinblick auf die Vererblichkeit zugeordnet wird. Die Relevanz ist ein quantitativer Wert, der sich über alle Chromosomen (oder alle Gene innerhalb eines Chromosoms) zu 100 % aufsummiert. Eine solche Zuordnung ist mit Hilfe tradtioneller Schätzer nicht möglich. Unsere Arbeit trägt auch zum Problem der missing heritability bei, also der beobachteten Diskrepanz zwischen Schätzwerten, die ausschließlich auf genetischen Daten beruhen, und mutmaßlich genaueren Schätzwerten, die auf direkte Beobachtungen beruhen: durch die Verwendung eines biasfreien Schätzers kann ein Teil der in der Literatur diskutierten Ursachen behoben oder ausgeschlossen werden.
Projektbezogene Publikationen (Auswahl)
-
(2018) From estimation to prediction of genomic variances allowing for linkage disequilibrium and unbiasedness. PhD thesis. Univ. Mannheim
Schreck, N.M.
-
(2019). Best prediction of the additive genomic variance in random-effects models. Genetics, 213(2), 379-394
Schreck, N.M., Piepho, H. P., & Schlather, M.
-
(2019). Empirical decomposition of the explained variation in the variance components form of the mixed model
Schreck, N.M.
