ÁLLATTENYÉSZTÉSI GENETIKA

Hasonló dokumentumok
ÁLLATTENYÉSZTÉSI GENETIKA

ÁLLATTENYÉSZTÉSI GENETIKA

ÁLLATTENYÉSZTÉSI GENETIKA FERENC SZABÓ

ÁLLATTENYÉSZTÉSI GENETIKA DR. SZABÓ FERENC DR. KOMLÓSI ISTVÁN DR. POSTA JÁNOS

ÁLLATTENYÉSZTÉSI GENETIKA

Kvantitatív genetikai alapok április

2013 ŐSZ. 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét!

Matematikai geodéziai számítások 6.

Matematikai geodéziai számítások 6.

Statisztika elméleti összefoglaló

Kvantitatív genetika Nagy, István

Biomatematika 13. Varianciaanaĺızis (ANOVA)

ANOVA,MANOVA. Márkus László március 30. Márkus László ANOVA,MANOVA március / 26

Kettőnél több csoport vizsgálata. Makara B. Gábor

DNS viszgálatok, számítási módszerek

Általános állattenyésztés

[Biomatematika 2] Orvosi biometria. Visegrády Balázs

[Biomatematika 2] Orvosi biometria

A BREEDPLAN-t a nagy húsmarhatenyésztı országok széles körben használják Magyarország

Principal Component Analysis

Populációgenetika. 2. Egy populáció egyedeinek a 90%-a AA, 10%-a aa genotípusú. Mekkorák az allélgyakoriságok?

Hátterükben egyetlen gén áll, melynek általában számottevő a viselkedésre gyakorolt hatása, öröklési mintázata jellegzetes.

Line aris f uggv enyilleszt es m arcius 19.

Statisztika I. 11. előadás. Előadó: Dr. Ertsey Imre

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1

A bergengóc lakosság szemszín szerinti megoszlása a négy tartományban azonos:

Hipotézis vizsgálatok

A a normál allél (vad típus), a a mutáns allél A allél gyakorisága 50% a allél gyakorisága 50%

Módszertani hozzájárulás a Szegénység

Hátterükben egyetlen gén áll, melynek általában számottevő a viselkedésre gyakorolt hatása, öröklési mintázata jellegzetes.

Domináns-recesszív öröklődésmenet

Varianciaanalízis 4/24/12

Bevezetés a hipotézisvizsgálatokba

y ij = µ + α i + e ij STATISZTIKA Sir Ronald Aylmer Fisher Példa Elmélet A variancia-analízis alkalmazásának feltételei Lineáris modell

POPULÁCIÓGENETIKA GYAKORLAT

A maximum likelihood becslésről

Populációbecslések és monitoring 1. gyakorlat. Elvonásos módszerek az adatokat pl. a vadászok is gyűjthetik, olcsóbb

++ mm. +m +m +m +m. Hh,fF Hh,fF hh,ff hh,ff. ff Ff. Hh hh. ff ff ff ff. Hh Hh hh hh

Adatok statisztikai értékelésének főbb lehetőségei

Biomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János

Diszkrét Matematika. zöld könyv ): XIII. fejezet: 1583, 1587, 1588, 1590, Matematikai feladatgyűjtemény II. (

A PKU azért nem hal ki, mert gyógyítják, és ezzel növelik a mutáns allél gyakoriságát a Huntington kór pedig azért marad fenn, mert csak későn derül

Populációbecslések és monitoring 1. gyakorlat. Elvonásos módszerek az adatokat pl. a vadászok is gyűjthetik, olcsóbb

-Vese körüli zsír tömege (g) (12) ,68 2,18

Kettőnél több csoport vizsgálata. Makara B. Gábor MTA Kísérleti Orvostudományi Kutatóintézet

Lineáris regressziószámítás 1. - kétváltozós eset

Diszkriminancia-analízis

Statisztikai következtetések Nemlineáris regresszió Feladatok Vége

Animal welfare, etológia és tartástechnológia

Elemi statisztika. >> =weiszd= << december 20. Szerintem nincs sok szükségünk erre... [visszajelzés esetén azt is belerakom] x x = n

Matematikai geodéziai számítások 5.




y ij = µ + α i + e ij

[Biomatematika 2] Orvosi biometria

ELTE TáTK Közgazdaságtudományi Tanszék GAZDASÁGSTATISZTIKA. Készítette: Bíró Anikó. Szakmai felelős: Bíró Anikó június


3

Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg

Természetes szelekció és adaptáció

Többváltozós Regresszió-számítás

c adatpontok és az ismeretlen pont közötti kovariancia vektora

Hipotézis STATISZTIKA. Kétmintás hipotézisek. Munkahipotézis (H a ) Tematika. Tudományos hipotézis. 1. Előadás. Hipotézisvizsgálatok

Határozatlansági relációk származtatása az

STATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése

BIOMATEMATIKA ELŐADÁS

Hipotézisvizsgálat az Excel adatelemző eljárásaival. Dr. Nyéki Lajos 2018

Hipotézis vizsgálatok

Biostatisztika Összefoglalás

Több valószínűségi változó együttes eloszlása, korreláció

Elméleti összefoglaló a Sztochasztika alapjai kurzushoz

Többváltozós lineáris regressziós modell feltételeinek

Biostatisztika Összefoglalás

BIOLÓGIA HÁZIVERSENY 1. FORDULÓ BIOKÉMIA, GENETIKA BIOKÉMIA, GENETIKA

Johann Gregor Mendel Az olmüci (Olomouc) és bécsi egyetem diákja Brünni ágostonrendi apát (nem szovjet tudós) Tudatos és nagyon alapos kutat

Markov-láncok stacionárius eloszlása

Összetett vizsgálati tervek és kiértékelésük. Kettő és több szempontos variancia analizis modellek

6. Előadás. Vereb György, DE OEC BSI, október 12.

Geokémia gyakorlat. 1. Geokémiai adatok értelmezése: egyszerű statisztikai módszerek. Geológus szakirány (BSc) Dr. Lukács Réka

4/24/12. Regresszióanalízis. Legkisebb négyzetek elve. Regresszióanalízis

Sztochasztikus kapcsolatok

Statisztika I. 10. előadás. Előadó: Dr. Ertsey Imre

Biometria, haladó biostatisztika EA+GY biometub17vm Szerda 8:00-9:00, 9:00-11:00 Déli Tömb 0-804, Lóczy Lajos terem

Minőség-képességi index (Process capability)

Matematikai geodéziai számítások 9.

1. A kísérlet naiv fogalma. melyek közül a kísérlet minden végrehajtásakor pontosan egy következik be.

10. GYAKORLÓ FELADATSOR MEGOLDÁSA

Elméleti összefoglaló a Valószín ségszámítás kurzushoz

Evolúció. Dr. Szemethy László egyetemi docens Szent István Egyetem VadVilág Megőrzési Intézet

Kvantitatív statisztikai módszerek

Matematikai statisztika szorgalmi feladatok

Faktoranalízis az SPSS-ben

MAGYAR JUHTENYÉSZTŐK ÉS KECSKETENYÉSZTŐK SZÖVETSÉGE

Eloszlások jellemzése. Momentumok. Medián és kvantilis. Karakterisztikus függvény

Regressziós vizsgálatok

Matematikai geodéziai számítások 5.

Haladó lineáris algebra

4. A méréses ellenırzı kártyák szerkesztése

A Markowitz modell: kvadratikus programozás

Átírás:

TÁMOP-4..2-08//A-2009-000 project ÁLLATTENYÉSZTÉSI GENETIKA University of Debrecen University of West Hungary University of Pannonia The project is supported by the European Union and co-financed by European Social Found.

2. témakör Rokonok közötti hasonlóság

Örökölhetőség Alapvető a kvantitatív genetikában A genetikai (additív) variancia hányada (Tenyészérték) h 2 = V A /V P A fenotípus (V P )közvetlenül mérhető A tenyészérték (additív genetikai variancia V A ) csak becsülhető A genetikai variancia (V A ) becsléséhez a rokonok ismeretére van szükség

Származási rokonság (szülő-ivadék) X X 2 2 X 3 3 o o o o 2 o. 3 o k o 2 o. 3 o k o 2 o. 3 o k

Oldalági rokonság (testvér, féltestvér) X X 2 2 X 3 3 o o o o 2 o. 3 o k o 2 o. 3 o k o 2 o. 3 o k

Teljes testvérek n 2 n 2 n * * *... * * * o 2. 3 k o 2. 3 k o 2. 3 k o 2. 3 k o 2. 3 k o 2. 3 k

Féltestvérek n 2 n 2 n * * *... * * * o 2. 3 k o 2. 3 k o 2. 3 k o 2. 3 k o 2. 3 k o 2. 3 k

Alapelvek A rokonok közötti fenotípusos hasonlóság adott tulajdonságban lehetőséget nyújt a tulajdonság genetikai varianciájának becslésére. Ha a tulajdonság varianciája genetikai eredetű, minél közelebbiek a rokonok, annál jobban hasonlítanak egymásra.

Geneikai kovariancia a rokonok között A genetikai kovariancia abból ered, hogy a rokon egyedek nagyobb valószinűséggel hordozzák ugyanazokat az alléleket, mint a nem rokonok. Vagyis az allélek származásilag azonosak (identical by descent (IBD), másolatai a közös ős alléljainak.

Genetikai kovariancia a rokonok között Father Mother Nincs közös allél (0 IBD) Mindkét allél közos (2 IBD) Egy allél közös ( IBD)

Regresszió- és Vaianciaanalizis (ANOVA) Szülő- ivadék regresszió Egy szűlő-,vagy két szülő átlag - ivadék regresszió. Szülő-ivadék (intraclass, ivadék csoportok közötti) kovariancia. Testvérek regressziója Testvérek közötti kovariancia (interclass, (ivadékcsoporton belüli) kovariancia.

Varianciaanalízis (ANOVA) A hasonlóság vizsgálatának alapelvei Teljes (total =T) variancia = rokoni csoportok közötti (between-group=b) variancia + rokoni csoporton belüli (within-group=w) variancia. Var(T) = Var(B) + Var(W) Variancia a rokoni csoportok között = kovariancia a rokoni csoportokon belül. Rokoni csoporton belüli korreláció t = Var(B)/Var(T)

. példa 2. példa 2 3 4 Var(B) = 2.5 Var(W) = 0.2 Var(T) = 2.7 t = 2.5/2.7 = 0.93 Var(B) = 0 Var(W) = 2.7 Var(T) = 2.7 t = 0

Szülő-ivadék genetikai kovariancia Cov(G p, G o ) --- A szülőnek és ivadéknak egy közs (IBD) allélja van A közös allél az A G p = A p + D p = α + α 2 + σ 2 G o = A o + D o = α + α 3 + σ 3 Van közös allél Nincs közös allél

) Cov (G o,g p ) =Cov (α,α 2 ) + Cov (α,α 3 ) + Cov (α,σ 3 ) + Cov (α 2,α ) + Cov (α 2,α 3 ) + Cov (α 2,σ 3 ) + Cov (σ 2 α ) + Cov (σ 2 α 3 ) + Cov (σ 2 σ 3 ) A vörös színűek kovarianciája nulla. Tehát az és a D are nem állnak kapcsolatban.

) Cov (G o,g p ) =Cov (α,α 2 ) + Cov (α,α 3 ) + Cov (α,σ 3 ) + Cov (α 2,α ) + Cov (α 2,α 3 ) + Cov (α 2,σ 3 ) + Cov (σ 2 α ) + Cov (σ 2 α 3 ) + Cov (σ 2 σ 3 ) A vörös színűek kovarianciája nulla. Az a nem hordoz közös allélt, nics kapcsolat.

) Cov (G o,g p ) =Cov (α,α 2 ) + Cov (α,α 3 ) + Cov (α,σ 3 ) + Cov (α 2,α ) + Cov (α 2,α 3 ) + Cov (α 2,σ 3 ) + Cov (σ 2 α ) + Cov (σ 2 α 3 ) + Cov (σ 2 σ 3 ) A vörös színűek kovarianciája nulla. A D értékek között nincs kapcsolat.

Cov( x y ) 0 ha Var( A) / x 2 y ha x y Var(A) = Var(α + α 2 ) = 2 Var(α ) Var(α ) = Cov(α, α ) = Var(A)/2 Mivel a rokonok egy közös alléllal rendelkeznek a genetikai kovariancia = Var(A)/2 Végeredményben a szülő-ivadék genetikai kovariancia Cov(G p,g o ) = Var(A)/2

Féltestvérek Minden féltestvérnek van egy közös allélja a közös apától, és különböző alléljai a különböző anyáktól. o o 2 2 Annak a valószínűsége, hogy féltestvérek egy közös alléllal rendelkeznek /2

Féltestvérek Minden féltestvérnek van egy közös allélja a közös apától, és különböző alléljai a különböző anyáktól. o o 2 2 Annak a valószínűsége, hogy a féltestvéreknek nincs közös allélja /2

Féltestvérek Minden féltestvérnek van egy közös allélja a közös apától, és különböző alléljai a különböző anyáktól. o o 2 2 Ennélfogva a genetikai kovariancia a féltestvérek között (/2)Var(A)/2 = Var(A)/4

Teljes testvérek Father Mother Mindegyik testvér kap egy allélt mindegyik szülőtől. Full Sibs Apai allél nem közös [ Valószínűség = /2 ] Anyai allél nem közös [ Valószínűség = /2 ] -> Annak a valószínűsége, hogy nincs közös alléljuk = /2*/2 = /4

Teljes testvérek Father Mother Mindegyik testvér kap egy allélt mindegyik szülőtől. Full Sibs Közös apai allél [ valószínűség = /2 ] Közös anyai allél [ Prob = /2 ] -> Annak a valószínűsége, hogy mindkét allél közös = /2*/2 = /4

Teljes testvérek Father Mother Mindegyik testvér kap egy allélt mindegyik szülőtől. Full Sibs Annak a valószínűsége, hogy egy allél közös = /2 = - val. nincs közös allél - val. két közös allél

Rokonok közötti kovariancia általában Legyen r = (/2)val. közös allél + val. 2 közös allél Legyen u = val. mindkét allél közös Általános genetikai kovariancia a rokonok között Cov(G) = rvar(a) + uvar(d) Ha episztázis is van, a képlet kiegészül r 2 Var(AA) + ruvar(ad) + u 2 Var(DD) + r 3 Var(AAA) +

A környezeti variancia komponensei E = E c + E s Tejes környezeti érték

A környezeti variancia komponensei E = E c + E s Közös környezeti érték, amely a család minden tagjában megjelenik (pl. közös anyai hatás).

A környezeti variancia komponensei E = E c + E s Specifikus környezeti érték, amely egyes állatoknál jelentkezik

A környezeti variancia komponensei E = E c + E s Tehát a környezeti variancia formulája az alábbi: V E = V Ec + V Es Mindegyiket továbbiakra lehet bontani. Pl. a növénytermesztők használják a parcella, az év varianciáját és a kettő kovarianciáját.

A közös környezeti hatás hozzájárulása a rokonok fenotípusos kovarianciájához Cov(P,P 2 ) = Cov(G +E,G 2 +E 2 ) = Cov(G,G 2 ) + Cov(E,E 2 ) Közös környezeti hatás, ha az anya közös a cov(teljes testvér) és a cov(anyai féltestvérek) nemcsak genetikai kovarianciát, hanem környezeti kovarianciát is tartalmaznak, V Ec

Rokonsági koefficiens Feltételezzük, hogy véletlenszerűen egy allél két rokonéval közös. Annak a valószínűségét, hogy az alélok közösek, rokonsági koefficiensnek nevezzük. xy az X és a Y rokonsági koefficiense Feltételezzünk egy z ivadékot az X és Y szülők keresztezésből xy = f z, a z beltenyésztési koefficiense

: Egy egyed rokonsági xx koefficiense önmagával Egyed x, mekkora az ivadéka rokonsági koiefficiense? xx, az x két allélja az az A től és A 2 től A A A 2 közös f x A 2 f x közös Így, a nem beltenyésztett egyed xx = 2/4 = /2 Ha az x beltenyésztett, f x = annak a valószínűsége, hogy A és A 2 közös, xx = (+ f x )/2

op = Szülő-ivadék Beltenyésztett szülő Anya Ivadék f p Belt. ivadék f o Szülői allél µ po = 4 µ po = + f p 4 µ po = + 2f o 4

op = Szülő-ivadék /2 = a valószínűsége, hogy az allél az apától származik Qmf = f o, ( f o /2), Annak valószínűsége, hogy az anyától kapott allé közös f o /2 µ po = 4 ( + f p + 2f o ) mf

Teljes testvérek (x és y) m és f szülőktől = /8 + /8 = /4 /2 /2 (+f m )/2 (2+f m +f f )/8 (+f f )/2 (2+f m +f f +4 mf mf)/8 m f m f m f (/2)(/2)(/2) (/2)(/2)(/2) [( +f f )/2] (/2)(/2) mf (/2)(/2) mf /4 [( +f m )/2] (/2)(/2)

Teljes testvérek (x és y) m és f szülőktől xy = (2 + f m + f f + 4 mf )/8 f f = sf,df f m = sm,dm xy = (2 + sm,dm + sf,df + 4 mf )/8

xy értéke xy i ii 2 ni n jk 2 jk j j k 2 Az egyedek száma ( beleértve x és y) x és y kapcsolata i-vel Az egyik közös ős (i) elérése mind az x mind az y ágról

xy értéke xy i ii 2 ni n jk 2 jk j j k 2 Az i rokonsági koefficiense A j és k ős közötti távolság

xy értéke xy i ii 2 ni n jk 2 jk j j k 2 Az egyedek száma (beleértve x és y), amelyek két, rokon szülőtől (j és k) származnak

xy értéke xy i ii 2 ni n jk 2 jk j j k 2 A j és k rokonsági koefficiense

xy, Testvérek rokonsági koefficiense xy = annak a valószínűsége, hogy a két allél közös fxfy fxmy mxmy f x m x f y m y mxfy x y xy = mxmy fxfy + mxfy fxmy

Példa a testvér rokonsági koefficiensre xy xy = mxmy fxfy + mxfy fxmy () x és y édestestvérek: m x = m y = m, f x = f y = f xy = mm ff + mf 2 Ha a szülők nem rokonok, mf = 0 xy = /4 Ha a szülők nem beltenyésztettek, mm = ff = /2 (2) x és y apai féltestvérek: f x = f y = f xy = mxmy ff + mxf myf Ha a szülők nem rokonok, mxf = myf = mxmy = 0 xy = 0

A rokonok közötti hasonlóság általános kifejezése 2Θ xy = r xy u xy =Δ xy Cov(G x,g y ) = 2Θ xy V A + Δ xy V D Cov( G x, G y ) r xy V A u xy V D r 2 xy V AA r xy u xy V AD u 2 xy V DD...