Modèls d simulation n génétiqu quantitativ t ds populations Apha Niango,Hélèn Muranty Léopoldo Sanchz
Modèl d simulation n génétiqu Contxt Dans l procssus d amélioration, l éfcacité d la sélction dépnd n grand parti d la précision d l stimation ds valurs génétiqus ds candidats. Plusiurs approchs possibls pour idntifr ls méthods d sélction ls miux adaptés aux spècs : Approch ntièrmnt analytiqu Approchs par simulations Simulation n modèl alléliqu ou à nombr d locus fni (s intérss au dvnir ds allèls aux différnts locus)
Modèl d simulation n génétiqu Simulations Mont-Carlo : qu'st-c qu c'st? Simulation : méthod d'analys visant à imitr un systèm d la "vrai vi" (quand d'autrs analyss sont trop complxs ou difcil à rproduir) Mont-Carlo : Utilisation d xpérincs répétés pour évalur un quantité ou résoudr un systèm détrminist (casino t jux d hasard) Etudir l'évolution d'un systèm à partir d l'échantillonnag répété ds variabls incrtains slon un loi d distribution.
Modèl d simulation n génétiqu Modèl alléliqu ou à nombr d locus fini Individus Allèl C : Vrsion d un gèn Locus: Emplacmnt physiqu Concptullmnt: D nombruss hypothèss défnissnt ls mécanisms sous-jacnts En pratiqu: programmation complx t tmps d calcul importants Basé sur ds gèns simulés individullmnt, avc ds fts génétiqus donnés, dans un architctur génétiqu prédéfni t organisés dans un génom virtul.
Modèl d simulation n génétiqu Echantillonnag aléatoir L'échantillonnag/Simulation aléatoir st appliqué à diférnts phass du procssus simulé: Construction d génoms virtuls à partir ds gèns individuls (échantillonag aléatoir ds fréquncs, fts t allèls) pour défnir ds individus opérationnls (prêts à êtr sélctionnés t croisés) Modélisation du dvnir d chaqu gèn (par rcombinaison t ségrégation virtulls pour obtnir d nouvaux individus opérationnls)
Modèl d simulation n génétiqu Echantillonnag aléatoir (Construction d génoms virtuls) Echantillonnag ds allèls Slon ds fréquncs alléliqus défnis n ntré tirés dans un distribution uniform [a,b] Hasard Loc_ Loc_2 Loc_3 Tirags dans d'autrs distributions. Plus rprésntatif d la réalité. Loc_n Génom ds fondaturs
Procssus à modélisr Sélcti on indx multicaractèr, nivaux indépndnts consanguinité slon pdigré, proximité slon marquurs fréquncs cart alléliqus génétiqu Fondaturs + t stratég i Croism nts Méios Gamétogén ès Dscnda nts Evaluation indx individu-famill, génétiqu BLUP, MA-BLUP architctur génétiqu (fts génétiqus, corrélations, héritabilités) Phénotyps/ Caractèrs
Procssus à modélisr Sélcti on indx multicaractèr, nivaux indépndnts consanguinité slon pdigré, proximité slon marquurs fréquncs cart alléliqus génétiqu Fondaturs + t stratég i Croism nts Méios Gamétogén ès Dscnda nts Evaluation indx individu-famill, génétiqu BLUP, MA-BLUP architctur génétiqu (fts génétiqus, corrélations, héritabilités) Phénotyps/ Caractèrs
Modèl d simulation n génétiqu Typ d architctur génétiqu
Modèl d simulation n génétiqu Typ d architctur génétiqu pour l'étud d la plasticité Plasticité: Capacité d un génotyp à produir diférnts phénotyps n fonction d l nvironnmnt. L modèl d bas qui xpliqu la «gnès» d un prformanc ou phénotyp st sous form linéair: P = G + E Prformanc Efft du génotyp Efft du miliu Résau non structuré E = Eft nvironnmnt Allèl non plas tiqu non plas tiqu non plas tiqu plas tiqu plas tiqu non plas tiqu non plas tiqu ai :Eft moyns d l allèl i Caractèr(s) P = Ʃ(ai) + ξ Caractèr(s) P = Ʃ(ai) + Ʃ(ai x ) + + ξ
Modèl d simulation n génétiqu Typ d architctur génétiqu pour l'étud d la plasticité Epistasi: Intraction ntr gèns dans l contrôl d un caractèr. Résau faiblmnt structuré épistatiq u Résau fortmnt structuré épistatiqu épistatiqu épistatiqu plas tiqu pla sti qu no n pla sti qu Caractèr(s) no n pla sti qu épistatiqu épistatiqu épistatiqu plastiqu non plastiqu non plastiqu Caractèr(s) P = Ʃ(ai) + Ʃ(ai,au)+ Ʃ(ai,) + + ξ
Voi métaboliqu ds anthocyanins chz la vign Modèl d simulation n génétiqu T yp d architctur génétiqu complx ENZYMES RÉGULAT EUR S résau d régulation d la biosynthès ds lignins d'après JC Lplé d'après Matus t al (2009)
Modèl d simulation n génétiqu Architctur génétiqu complx pour l'étud d la plasticité Evolution ds valurs nvironnmntals dans l tmps pour un caractèr. défavorabl favorabl amplitud favorabl défavorabl Tndanc (moynn t/ou varianc n fonction d t) défavorabl Aléatoir sans tndanc t Hasar d défavorabl Aléatoir avc tndanc, ou dépndanc ntr valurs succssivs t Tirag aléatoir ds valurs d un distribution normal, moynn t varianc connus
Modèl d simulation n génétiqu Evaluation génétiqu Un candidat à la rproduction st choisi slon crtains critèrs. L approch d sélction st fondé sur ds indx d valur génétiqu construits à partir d diférnt(s) information(s) v Prformanc(s) individull(s) v Prformanc(s) ds parnts v Prformanc moynn d un ptit échantillon ds dscndants v Prformanc moynn ds frèrs t sœurs (plins FS t dmi HS) Indx individu-famill Phénotyp Y = µ + HS + FS/HS + ind/fs/hs +ε Utilis sulmnt la structur n famills d la drnièr génération Pu fabl n cas d ft d nvironnmnt commun Pu précis résidus
Modèl d simulation n génétiqu Evaluation génétiqu modèl animal "classiqu" : BLUP ft "animal" Y = µ + Zu +ε Var(u) = A σ2a matric d'apparntmnt calculé à partir du pdigr (généalogis ou connaissanc ds fliations) calcul d la matric d'apparntmnt résolution du modèl mixt par REML (maximum d vraismblanc résidul) pour stimr la composant d la varianc σ2a û millur prédictur linéair sans biais (BLUP) d u. û st la valur génétiqu ou indx d valur génétiqu prédit Logicils d référnc BLUPF90 (Misztal) WOMBAT (Myr) ASRML P rogramm d simulation alléliqu Adaptation au programm
Modèl d simulation n génétiqu Evaluation génétiqu : MA-BLUP Modèl SAM ft +ε "animal" Y = µ + Zu + Wv ft QTL Var(u) = A σ2a Var(v) = G σ2qtl matric d'idntité par dscndanc au QTL calculé à partir ds marquurs (t du pdigr) calcul d la matric d'apparntmnt résolution du modèl mixt par REML u + v st la valur génétiqu ou indx d valur génétiqu prédit Logicil d référnc Rtools (Pong-Wong) P rogramm d simulation alléliqu Adaptation au programm
Modèl d simulation n génétiqu Optimisation: Sélction n tnant compt d la divrsité approchs utilisant sulmnt l pédigré List ds candidats - valurs génétiqus stimés gi - matric d'apparntmnt (aij) Optimisati on (boît noir) List d'individus sélctionnés pour maximisr H = Σi gi λσij aij
Modèl d simulation n génétiqu Optimisation Simulations d'un grand nombr d générations jusqu'à un équilibr Solutions multipls généralité Dscripturs d bas d la population (composants d la varianc, fréquncs alléliqus, distribution ds ffts alléliqus, tc.) Boit noir d'optimisation Construction d modèls alléliqus obéissant aux paramètrs d'ntré Optimisation modèls bin ajustés
Optimisation pour obtnir un corrélation initial donné 3 Echantillonag au hasard d'un allèl par individu 3 2 Echantillonag au hasard d'un locus 7 7 6 Locus C 2 5 Echang ds allèls choisis 7 7 2 3 optimisatio n 6 4 5 Proximité d la valur cibl & critèr d convrgnc 2 2 3 4 9 Individu j 2 8 3 7 4 9 5 4 Evaluation du changmnt d la corrélation génétiqu (dû au DL) 2 8 3 4 5 Individu i 2 9 3 4 9 Echantillonag au hasard d'un A L I M E N T A T I coupl O N d'individus
PERSPECTIVES Optimisation «rssourc systèm (parallélisation d crtains étaps du procssus)» Grand quantité d donnés alléliqus, répétition d la simulation alléliqu Ré-optimisr a parti optimisation pour avoir un gain n tmps. Approch Bayésinn approch Chain d Markov par Mont Carlo pour l calcul d la matric IBD Résau physiologist t résau génétiqu Passag d un résau physiologist à clui génétiqu, Prédiction d un phénotyp connaissant du résau
Mrci d votr attntion