• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Tese de Doutorado
DOI
10.11606/T.11.2018.tde-25072018-180027
Documento
Autor
Nome completo
Renan Mercuri Pinto
E-mail
Unidade da USP
Área do Conhecimento
Data de Defesa
Imprenta
Piracicaba, 2018
Orientador
Banca examinadora
Leandro, Roseli Aparecida (Presidente)
Govone, José Silvio
Lopes, Fernando Brito
Maia, Rafael Pimentel
Savian, Taciana Villela
Título em inglês
Using graphical models to investigate phenotypic networks involving polygenic traits
Palavras-chave em inglês
Bayesian networks
Causal networks
Structural equation models
Resumo em inglês
Understanding the causal architecture underlying complex systems biology has a great value in agriculture production for the development of optimal management strategies and selective breeding. So far, most studies in this area use only prior knowledge to propose causal networks and/or do not consider the possible genetic confounding factors on the structure search, which may hide important relationships among phenotypes and also bias the resulting inferred causal network. In this dissertation, we explore many structural learning algorithms and present a new one, called PolyMaGNet (Polygenic traits with Major Genes Network analysis), to search for recursive causal structures involving complex phenotypic traits with polygenic inheritance and also allowing the possibility of major genes affecting the traits. Briefly, a multiple-trait animal mixed model is fitted using a Bayesian approach considering major genes as covariates. Next, posterior samples of the residual covariance matrix are used as input for the Inductive Causation algorithm to search for putative causal structures, which are compared to each other using the Akaike information criterion. The performance of PolyMaGNet was evaluated and compared with another widely used approach in a simulated study considering a QTL mapping population. Results showed that, in the presence of major genes, our method recovered the true skeleton structure as well as the causal directions with a higher rate of true positives. The PolyMaGNet approach was also applied to a real dataset of an F2 Duroc × Pietrain pig resource population to recover the causal structure underlying on carcass, meat quality and chemical composition traits. Results corroborated with the literature regarding the cause-effect relationships between these traits and also provided new insights about phenotypic causal networks and its genetic architectures in complex systems biology.
Título em português
O uso de modelos gráficos para investigar redes fenotípicas envolvendo características poligênicas
Palavras-chave em português
Modelos de equações estruturais
Redes Bayesianas
Redes causais
Resumo em português
Compreender a arquitetura causal subjacente à sistemas biológicos complexos é de grande valia na produção agrícola para o desenvolvimento de estratégias de manejo e seleção genética. Até o momento, a maior parte dos estudos neste contexto utiliza apenas conhecimento prévio para propor redes causais e/ou não considera fatores de confundimento genético na busca de estruturas, fato que pode ocultar relações importantes entre os fenótipos e viesar inferências sobre a rede causal. Nesta tese, exploramos alguns algoritmos de aprendizagem de estruturas e apresentamos um novo, chamado PolyMaGNet (do inglês, Polygenic traits with Major Genes Network analysis), para buscar estruturas causais recursivas entre características fenotípicas poligênicas complexas e permitindo, também, a possibilidade de efeitos de genes maiores que as afetam. Resumidamente, um modelo misto de múltiplas características é ajustado usando abordagem Bayesiana considerando os genes maiores como covariáveis no modelo. Em seguida, amostras posteriores da matriz de covariância residual são usadas como entrada para o algoritmo de causação indutiva para pesquisar estruturas causais putativas, as quais são comparadas usando o critério de informação de Akaike. O desempenho do PolyMaGNet foi avaliado e comparado com outra abordagem bastante utilizada por meio de um estudo simulado considerando uma população de mapeamento de QTL. Os resultados mostraram que, na presença de genes maiores, o método PolyMaGNet recuperou a verdadeira estrutura do esqueleto, bem como as direções causais, com uma taxa de efetividade maior. O método é ilustrado também utilizando-se um conjunto de dados reais de uma população de suínos F2 Duroc × Pietrain para recuperar a estrutura causal subjacente à características fenotípicas relacionadas a qualidade da carcaça, carne e composição química. Os resultados corroboraram com a literatura sobre as relações de causa-efeito entre os fenótipos e também forneceram novos conhecimentos sobre a rede fenotípica e sua arquitetura genética.
 
AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange a todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome da pessoa autora do trabalho.
Há arquivos retidos devido a solicitação (publicação de dados, patentes ou diretos autorais).
Data de Liberação
2020-07-26
Data de Publicação
2018-08-02
 
AVISO: Saiba o que são os trabalhos decorrentes clicando aqui.
Todos os direitos da tese/dissertação são de seus autores
CeTI-SC/STI
Biblioteca Digital de Teses e Dissertações da USP. Copyright © 2001-2018. Todos os direitos reservados.