Mapping quantitative trait loci (QTLs) using a multivariate approach. Cien. Inv. Agr. 35(2):137-145.

Abstract

Statistical procedures for mapping quantitative trait loci (QTL) have been extensively studied because they are the essential for improving the accuracy of genetic analyses. The objective of the present study was to examine QTL using multivariate methods, considering the principle of simple interval mapping. A microsatellite marker data set from a F2   population was simulated. It was assumed that the QTL control binomial and normal traits. In the normal case, five QTL mapping models were evaluated that had the following residual covariance structures: variance components (VC), compound symmetry (CS), unstructured (UN), banded main diagonal (UN1) and heterogeneous toeplitz. Akaike’s information criterion (AIC) was used to select the appropriate structure. In the binary case, the Generalized Estimating Equations (GEE) procedure was used. UN structure minimized the AIC value on the interval that indicated a higher probability of the QTL. In the binomial case, a non-independent working correlation matrix (WCM) was fitted (ρ = 0.47). In both cases, the additive effect of QTL was significant (p < 0.01), but dominance effects were not (p > 0.05). Thus, QTL mapping using a multivariate approach may be a useful tool for breeding programs that aim to improve quantitative traits that have phenotypic values that change over time.

Los procedimientos usados en el mapeo de loci de característica cuantitativa (QTL) son continuamente estudiados ya que son fundamentales para mejorar la precisión del análisis genético. El presente estudio tuvo como objetivo examinar QTLs a través de métodos multivariados, considerando el principio de mapeo por intervalo simple. Se simuló un conjunto de datos de marcadores moleculares microsatélites provenientes de una población
F2. Al mismo tiempo se consideró que los QTLs controlan características de distribución normal y binomial. En el caso normal se consideraron cinco modelos con las siguientes estructuras de covarianzas residuales: Componentes de varianza (VC), simetría compuesta (CS), no estructurada (UN), diagonal principal (Banded Main Diagonal; UN1) y toeplitz heterogénea (TOEPH). El criterio de información de Akaike (AIC) se usó para seleccionar la estructura apropiada. En el caso binomial se usó el procedimiento de ecuaciones generalizadas (GEE). La estructura tipo UN minimizó el valor de AIC dentro del intervalo de mayor probabilidad de presencia del QTL. En el caso binario, una matriz de correlación
dependiente fue la más adecuada (ρ = 0,47).
En ambos casos el efecto aditivo del QTL fue altamente significativo (p < 0,01) opuestamente al efecto de dominancia (p > 0,05). Según los resultados obtenidos, se concluyó que el mapeo de QTLs usando un enfoque multivariado es una herramienta útil para los programas genéticos que buscan mejorar características cuantitativas cuyos valores fenotípicos cambian en el tiempo.