Modelos lineales mixtos en mapeo asociativo bajo heterocedasticidad de datos fenotípicos

BRUNO, C.; PEÑA, A.; AGUATE, F.; BALZARINI, M.

Córdoba

Congreso; X Congreso Latinoamericano de Sociedades de Estadística; 2012

Sociedad Argentina de Estadística, Grupo Argentino de Biometría, Sociedad Chilena de Estadística y Sociedad Uruguaya de Estadística.

Para el mapeo asociativo, en vegetales, se analiza la asociación no aleatoria entre loci del genoma y la variación de un carácter fenotípico en una población. Los perfiles genéticos de los individuos de la población deben estar caracterizados por el genotipo molecular en múltiples sitios del genoma, el cual es observado a través de marcadores moleculares (MM). La heterogeneidad de varianza de los datos fenotípicos para las diferentes clases o estados de cada MM, podría modificar la tasa de error en la detección/no-detección de asociaciones fenotipo-genotipo. Los modelos lineales mixtos (MLM) permiten contemplar heterocedasticidades en la respuesta (fenotipo) entre los grupos de datos que se comparan. En este trabajo comparamos el desempeño de un ANOVA homocedástico vs. un MLM heterocedástico, ambos usados para evaluar diferencias fenotípicas entre clases de MM, los modelos se aplican marcador a marcador. Los datos se obtuvieron desde una población de genotipos moleculares caracterizados por 300 MM co-dominantes (10 cromosomas, 30 MM/cromosoma) usando el software QMSim. La simulación fue fundada sobre 200 individuos y se realizaron 70 generaciones de cruzamientos aleatorios. Sobre esta población se obtuvieron mediante muestreos aleatorios, 30 repeticiones de 200 individuos cada una,donde los datos genotípicos y fenotípicos estaban asociados vía 30 loci de caracteres cuantitativos (QTL). Los efectos de los QTLs así como el valor fenotípico(QTLs+Poligen+Residual) fueron simulados bajo dos distribuciones normales:normal estándar y normal de media cero con varianzas heterogéneas según el genotipo molecular. Se compararon los resultados obtenidos desde los diferentes modelos a través de la cantidad de errores en la detección de los QTL simulados. La tasa de falsos positivos fue menor con el uso de MLM heterocedásticos.