Modélisation spatiale hiérarchique bayésienne de l'apparentement génétique et de l'héritabilité en milieu naturel à l'aide de marqueurs moléculaires

Spatial hierrachical bayesian model for genetic relatedness and heritability based on molecular markers

• Auteur / Autrice : Ciré Elimane Sall
• Direction : Ali Gannoun, Frédéric Mortier
• Type : Thèse de doctorat
• Discipline(s) : Biostatistique
• Date : Soutenance en 2009
• Etablissement(s) : Montpellier 2

Mots clés

Mots clés contrôlés

Statistique bayésienne

Sondes moléculaires

Génétique des populations

Mots clés libres

Bayésien hiérarchique

Mcmc

Vraisemblance composite

Apparentement

Héritabilité

Spatial

Marqueurs moléculaires

Karité

Résumé

La connaissance de l'apparentement génétique entre individus permet d'estimer l'héritabilité des caractères d'intérêt. La possibilité d'estimer l'héritabilité en milieu naturel suscite un intérêt croissant pour l'amélioration génétique des populations. Mais en milieu naturel, le pedigree n'est pas connu. L'utilisation des marqueurs moléculaires permet d'estimer l'apparentement puis d'estimer l'héritabilité. Néanmoins, les approches classiques ne permettent pas d'introduire une information exogène comme l'information spatiale. Or, nous pouvons supposer que deux individus proches géographiquement sont proches génétiquement. L'objectif de ce travail est de développer des modèles statistiques pour l'estimation de l'apparentement et de l'héritabilité à l'aide des marqueurs moléculaires en prenant en compte l'information spatiale. Premièrement, nous construisons un modèle spatial hiérarchique bayésien de l'apparentement. Comme la vraisemblance des observations, modes d'identité par état entre génotypes, est complexe, le modèle statistique pour l'apparentement considéré est celui de la vraisemblance composite. Le lien entre le mode d'identité par descendance et la distance spatiale se fait par l'intermédiaire d'un GLM probit ordinal. Deuxièmement, nous proposons une modélisation simultanée de l'apparentement et de l'héritabilité. Dans la troisième partie, nous proposons différents algorithmes MCMC pour l'inférence des paramètres des modèles. Finalement, l'intérêt du modèle spatial pour l'apparentement est illustré par une application à des données sur le karité (Vitellaria paradoxa).

Knowledge of genetic relatedness between individuals combined with phenotypic information allows estimating the heritability of character of interest. Estimate the heritability in natural populations remains an actual challenge. But, in natural populations, pedigree is unknown. The use of molecular markers allows estimating first relatedness and then the heritability. However, classical approaches do not allow introducing exogeneous information such as geographical information. Nevertheless, we can assume that more two individuals are spatially closed more they are genetically closed. The aim of this study was to develop statistical models allowing the estimation of the relatedness and the heritability simultaneously using molecular markers as well as the spatial information. In the first part, we developed a hierarchical spatial bayesian model for relatedness taking into account spatial information. As the likelihood of data given by the identity-by-state mode of pairs of genotypes, is not tractable, we proposed the use of the composite likelihood approaches. The link between identity-by-descent mode and spatial distance is made using ordinal Probit models belonging to the generalized linear models. In the second part, we proposed to model relatedness and heritability simultaneously. We gave, in the third part, different MCMC algorithms for model inference. Finally, the spatial model for relatedness interest is emphasized by an application on Shea tree (Vitellaria paradoxa) data.