Etude de l’origine et l’impact des biais dans les évaluations génétiques et génomiques nationales : les cas des ovins laitiers

Study of the origin and impact of bias in national genetic and genomic evaluations : the case of dairy sheep

• Auteur / Autrice : Fernando Macedo Fajardo
• Direction : Andrés Legarra
• Type : Thèse de doctorat
• Discipline(s) : Pathologie, Toxicologie, Génétique et Nutrition
• Date : Soutenance le 17/03/2021
• Etablissement(s) : Toulouse, INPT
• Ecole(s) doctorale(s) : École doctorale Sciences écologiques, vétérinaires, agronomiques et bioingénieries (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Génétique Physiologie et Systèmes d'Élevage (Castanet-Tolosan, Haute-Garonne ; 2014-....)
• Jury : Président / Présidente : Didier Boichard
• Jury : Examinateurs / Examinatrices : Andrés Legarra, Didier Boichard, Elly Navajas, Flavie Tortereau
• Jury : Rapporteurs / Rapporteuses : Ismo Stranden

Mots clés

Mots clés contrôlés

Mouton -- Élevage

Thèses et écrits académiques

Amélioration génétique

Mots clés libres

Genomique

Biais

Evaluation

Genomic

Bias

Evaluation

Résumé

L'objectif de cette thèse était d'évaluer le biais dans les évaluations des brebis laitières françaises, en considérant l'effet de la sélection, en utilisant la méthode LR. Notre première étude a consisté à vérifier la capacité de la méthode LR à détecter le biais dans des scénarios simulés. Nous avons simulé un schéma d’amélioration génétique d’une espèce laitière pour des héritabilités faibles (0,10) et modérées (0,30). Dans les deux cas, nous avons vérifié le comportement de la méthode LR pour 3 scénarios : évaluations génétiques (1) avec un modèle correct, (2) lorsque le modèle d'évaluation utilise une héritabilité incorrecte, et (3) lorsque les données incluent une tendance environnementale. Pour les scénarios dans lesquels le modèle d'évaluation était correct, la méthode LR était capable d'estimer correctement le biais, la pente et les précisions. Dans les cas d'héritabilités incorrectes dans le modèle d'évaluation, le biais a été correctement estimé en direction mais pas en magnitude. De même, les amplitudes du biais et de la pente ont été correctement estimées dans les scénarios avec des tendances environnementales dans les données, sauf dans les cas où le modèle n'était pas capable d'estimer correctement cette tendance environnementale. En général, les précisions ont été bien estimées dans tous les scénarios. Dans cette première étude, nous avons démontré que la méthode LR pouvait estimer le biais et la précision dans tous les cas si le modèle d'évaluation est correct ou robuste. La deuxième étude visait à vérifier le biais par rapport aux données réelles. Nous avons utilisé l'évaluation génétique du rendement laitier de Manech Tête Rousse. Nous avons comparé les modèles BLUP et BLUP génomique à une étape (SSGBLUP). Pour tenir compte du pedigree manquant, nous avons utilisé des groupes de parents inconnus (UPG), UPG avec transformation QP dans la matrice H (EUPG), et des méta-fondateurs (MF) pour gérer le pedigree manquant. Nous avons appliqué la méthode LR en utilisant les (G)EBV des béliers nés en 2005 jusqu'en 2014, avec leurs (G)EBV des évaluations génétiques ultérieures. Nous avons donc obtenu plusieurs estimateurs pour le même modèle. Nous avons également comparé plusieurs modèles : en utilisant les EBV de la première évaluation avec BLUP et les GEBV ultérieures de SSGBLUP et en comparant les EBV à la naissance avec et sans information génomique. À l'intérieur des modèles, en général, le biais et la surdispersion étaient faibles (biais : 0,20 à 0,40 écart-type génétique ; pente : 0,95 à 0,99). Les estimations des précisions ont confirmé que l'ajout d'informations génomiques augmente la précision de l'EBV chez les jeunes béliers. Lorsque nous avons estimé la dispersion en comparant un modèle sans marqueurs à des modèles avec marqueurs, SSGBLUP-MF a montré une valeur proche de 1. En revanche, SSGBLUP-EUPG et SSGBLUP-UPG ont montré une sous-dispersion significative. Une autre observation importante a été le comportement hétérogène des estimations dans le temps, ce qui suggère qu'une seule vérification pourrait être insuffisante pour faire une bonne analyse des évaluations génétiques/génomiques. Dans la troisième étude, nous avons analysé l'évolution de la variance génétique chez Manech Tête Rousse pour les mâles élite et pour toutes les femelles (plus représentatives de la population) nées chaque année entre 1981 et 2014. Nous avons distingué la perte de variance génétique due à la dérive (augmentation de la parenté) et à la sélection (principalement due à l'effet Bulmer). Dans les deux groupes, la variance génétique a diminué depuis le milieu des années 90 jusqu'à une stabilisation vers 2005. Cependant, en raison des changements dans les objectifs de sélection, il est impossible de conclure sur la cause réelle de la stabilisation observée. L'effet Bulmer a eu un impact sur la perte de variance génétique d'environ 10 %, tandis que l'accumulation de la parenté était d'environ 3 %.

In 2018 a new method called LR method was described to estimate bias in genetic evaluations. The method is based on comparing successive EBVs of a group of individuals, incrementing the information each time. It has estimators for bias, slope, and accuracies. The objective of this thesis were to evaluate bias in French dairy sheep evaluations, considering the effect of selection, using the LR method. Our first study was to check the capability of method LR to detect bias under simulated scenarios. We simulated a dairy species breeding scheme for low (0.10) and moderate (0.30) heritabilities. In both cases, we checked behavior of method LR for 3 scenarios: genetic evaluations (1) with a correct model, (2) when the evaluation model uses an incorrect heritability, and (3) when the data includes an environmental trend. For scenarios in which the evaluation model was correct, the LR method was capable of correctly estimating bias, slope, and accuracies. In cases of incorrect heritabilities in the evaluation model, the bias was correctly estimated in direction but not in magnitude. Similarly, the magnitudes of bias and slope were correctly estimated in scenarios with environmental trends in data, except for cases in which the model was unable to correctly estimate this environmental trend. In general, accuracies were well estimated in all scenarios. In this first study, we demonstrated that the LR method could estimate bias and accuracy in all cases if the evaluation model is correct or robust. The second study was to check the bias over real data. We used the genetic evaluation of milk yield in Manech Tête Rousse. We compared BLUP and single-step genomic BLUP (SSGBLUP) models. To account for missing pedigree, we used unknown parent groups (UPG), UPG with QP transformation in the H matrix (EUPG), and metafounders (MF) to manage the missing pedigree. We applied the LR method using the (G)EBVs of rams born in 2005 until 2014, with their (G)EBVs of the subsequent genetic evaluations. So, we obtained multiple estimators for the same model. We also compared across models: using EBVs of the first evaluation with BLUP and the subsequent GEBVs from SSGBLUP and comparing EBVs at birth with and without genomic information. Within models, in general, bias and overdispersion were small (bias: 0.20 to 0.40 genetic standard deviations; slope: 0.95 to 0.99). The estimates of accuracies confirmed that the addition of genomic information increases the accuracy of EBV in young rams. When we estimated dispersion by comparing a model with no markers to models with markers, SSGBLUPMF showed a value close to 1. In contrast, SSGBLUP-EUPG and SSGBLUP-UPG showed a significant underdispersion. Another important observation was the heterogeneous behavior of the estimates over time, which suggests that a single check could be insufficient to make a good analysis of genetic/genomic evaluations. In the third study, we analyzed the evolution of the genetic variance in Manech Tête Rousse for elite males and for all females (more representative of the population) born in each year from 1981 to 2014. We distinguished the loss of genetic variance due to drift (build-up of coancestry) and selection (mainly due to Bulmer effect). In both groups, the genetic variance decreased from the middle '90s until it reaches a stabilization around 2005. However, due to changes in the breeding objectives, it is impossible to conclude the real cause of the observed stabilization. The Bulmer effect impacted the loss of genetic variance of about 10%, while the build up of coancestry was about 3%.