This document discusses the history of animal breeding evaluations from Henderson to multi-breed evaluations. It covers key historical figures and concepts including Sewall Wright, R.A. Fisher, J.B.S. Haldane, and C.R. Henderson. It also discusses modern paradigms for evaluation including genomic selection using whole genome regressions, genomic prediction across breeds using genomic correlations, and machine learning approaches. The potential benefits of multi-breed evaluations for related breeds like Angus and Hereford cattle are also described.

1. University of Wisconsin
Madison, USA
Daniel Gianola
Sewall Wright Professor Emeritus
of Animal Breeding and Genetics
Historia de las evaluaciones genéticas:
desde Henderson hasta
las multi-raciales

2. CONTENIDO
•OVERTURA
•ASPECTOS HISTORICOS Y CONCEPTUALES
•CASO: GANADO DE LECHE BAJO SELECCION
GENOMICA
•SINERGISMO MULTI-RACIAL

5. THE HISTORY OF THE SCIENCE OF ANIMAL BREEDING IS LARGELY ONE OF STATISTICAL ABSTRACTIONS

6. QUE ES LA EVALUACION GENETICA?
APRENDER (ESTIMAR, PREDECIR) MUCHOS:
𝐺1, 𝐺2, 𝐺3, … … … … … … … … … … … …, 𝐺𝑝−2, 𝐺𝑝−1, 𝐺𝑝
A PARTIR DE
𝑌1, 𝑌2, 𝑌3, … … … … … … … … … … … … …, 𝑌𝑁−2, 𝑌𝑁−1, 𝑌𝑁


7. THE VICTORIANS
(pre-Mendel)

8. GALTON’S (1822-1911) REGRESSION OF OFFSPRING
ON PARENT:
impetus for linear models

9. FOUNDATIONS
OF MODERN ANIMAL AND
PLANT BREEDING
(in a post-Mendelian sense)

10. Sewall Wright R. A. Fisher J. B. S. Haldane
Jay L. Lush, Iowa State University
(animal breeding)
SCIENTIFIC FOUNDATIONS
OF
ANIMAL (PLANT) BREEDING
FOUNDERS OF MODERN QUANTITATIVE
AND POPULATION GENETICS
10

12. G
ADITIVIDAD
EFECTOS DE ALELOS EN VARIAS PARTES DEL GENOMA
SE ADICIONAN, Y LOS EFECTOS PERMANEN INTACTOS
DE GENERACION EN GENERACION.

13. CONCEPTO CENTRAL DEL MEJORAMIENTO GENETICO

15. PARADIGM 1
(variance components, indexing, BLUP)
Fisher’s infinitesimal model
(extended vectorially by C. R. Henderson)

16. Fixed Random
⸟1948-1973: C. R. HENDERSON
BLUP=Best linear unbiased predictor
MME: an algorithm

17. 17
BAYESIAN INFERENCE AND
THE NEO-BAYES-LAPLACE REVOLUTION
(James-Stein, Lindley, Box, Zellner…)
Rev. Thomas Bayes
1702 London, England
1761 Tunbridge Wells, Kent, England
1763. “An essay towards solving a problem in the doctrine of chances”.
Philosophical Transactions of the Royal Society of London 53, 370-418.
Pierre-Simon Laplace
1749 Beaumont-en-Auge, France
1827 Paris, France
1774. "Mémoire sur la probabilité des causes par les événements“.
Savants étranges 6, 621-656. Oeuvres 8, 27-65

18. THE GENOMIC ERA

19. MASSIVE NUMBERS OF MOLECULAR MARKERS AVAILABLE: DNA sequences
(cattle: 𝟑 𝐆𝐛; maize: 2500 Mb)

20. PARADIGM 2: GWAS
(search for genomic region-trait association)
• Pervasive in human, plant, animal genetics
• First GWAS in humans: 100,000 SNPs macular
degeneration (50 controls, 96 cases; 2005)
• NHGRIH-EBI (2017): 47,681 SNP representing 2185
traits (p<10-5)
• Traits included hand-shake strength, propensity to cry.
• Large human data sets now (UK BIOBANK)

21. THROMBO-EMBOLISM

22. PARADIGM 3: WHOLE-GENOME REGRESSIONS
GENOMIC SELECTION: A DOMINANT RESEARCH AND DEVELOPMENT THEME
Bayes A, B, C, C-pi, D, Fast-B, L, R, RC, RS, TA, TB, TC, GBLUP,
RKHS, NN, DEEP LEARNING…

23. COMO FUNCIONA LA PREDICCION GENOMICA
• Densidad panel SNP (p): lo mas grande posible (captura de variabilidad)
• Asociacion estadistica entre marcadores y variantes estructurales (menos
importante de lo que se cree)
• Similitud entre individuos via marcadores, mayoritariamente neutrales
• Similitud es en “estado molecular real” en oposicion a valor esperado
(promedio) derivado de genealogia
• Similitud real: medios hermanos se parecen mas (o menos) al
1
4
indicado por
genealogia
• Poblacion de entrenamiento (𝑛𝑇𝑟𝑎𝑖𝑛) grande, especialmente para capitalizar
inversion en p
• Poblacion de validacion (𝑛𝑇𝑒𝑠𝑡) : grande (“ACURACIA” no mide calidad
predictiva real)

24. Genome-enabled selection

25. DAIRY CATTLE BREEDING
Prediction of progeny performance
Classical progeny testing scheme

26. TWO ISSUES:
1) Generation interval drastically reduced.
2) Genome-enabled predictions (GEBV) may be more accurate than EBV

27. CROSS-VALIDATION (CV)
• Data: genotypes, phenotyes
• Data generated by unknown process (model is abstract)
• Split into training- testing (predictand) sets
• How to split? Random not always possible…
• Use training process to make statement about yet-to-be
observed data (testing set)
• Distribution of prediction errors: interval estimate. CV
must be replicated or pseudo-replicated
27

28. SITUACION IDEALIZADA [NO ES TAN ASI]: WIENTJES et al. 2013
SIMULACION POR COMPUTADORAS, H2=0.60
[CASI SIEMPRE DA “LINDO”]
Cinco maneras
de construir
“referencias”

29. GARCIA-RUIZ, 2016. PNAS
RECENT ESTIMATES OF GENOMIC BREEDING VALUE TRENDS

30. PARADIGM 4:
MINE AND INTERROGATEDATA
”HYPOTHESIS-FREE DISCOVERY”,
CLASSIFY, PREDICT!
(machine learning: largely non-parametric)

31. The return of the multi-layer
neural networks…

34. hA
H
N
G

37. ...

39. Variancias-Covariancias
entre razas
Similitudes genomicas entre razas

41. EJEMPLO HIPOTETICO:
DOS RAZAS DE CARNE
Aberdeen Angus-Hereford

42. • SIMILITUD A NIVEL MOLECULAR ENTRE ANGUS Y HEREFORD:
RAZAS EVOLUTIVAMENTE EMPARENTADAS
• ESA SIMILITUD SE TRADUCIRIAA SIMILITUD ENTRE INDIVIDUOS A y H
• SIMILITUD EVALUABLE: CORRELACION GENOMICA (𝜌𝐻𝐴) ENTRE RAZAS
• MISMO CONCEPTO QUE CORRELACION GENETICA ENTRE PAISESINTERBULL
COMPARACION INTERNACIONAL GANADO LECHERO (0.80-0.98 EN HOLSTEINS)
• SI (𝜌𝐻𝐴 ≫ 0), HEREFORD PUEDE APORTAR INFORMACION A LAS EVALUACIONES GENETICAS DE
ANGUS Y VICEVERSA. APORTE ES PROPORCIONAL A (𝜌𝐻𝐴)
• SI ESO SE CORROBORAESCENARIO “WIN-WIN”

43. Cluster: AH juntos Sub-cluster AH juntos Sub-sub-cluster: AH separados

46. IDEA BASICA
PERFORMANCE
Correlacion genetica
entre razas
Similtud genomica entre razas
HH

47. REGRESION DEL VALOR GENOMICO ANGUS SOBRE SU VALOR GENOMICO DE HEREFORD
(Y VICE-VERSA)

48. Si se pudieran observar
fenotipos A Y H en
un mismo animal
H2=0.5
H2=0.3

49. Evaluacion basada en promedios (modelo “padre”)
H2=0.3 n=100
H2=0.3 n=20
H2=0.1 n=10

51. MATRICES DE RELACIONES GENOMICAS ESCALADAS ENTRE -1 Y 1
AA HH
AH

55. Elementos basicos
• POBLACION DE ENTRENAMIENTO CONJUNTA DE A Y H
• USAR CHIP DENSO, COMPATIBLE CON ECONOMIA
• INPUTARSECUENCIAS
• ESTIMAR CORRELACIONES ENTRE RAZAS, DESARROLLAR Y EVALUAR MODELOS PREDICTIVOS
• IMPLEMENTAR SS-MT-BLUP, POR EJEMPLO, A ESCALA NACIONAL
• HEREFORD SEGUIRA SIENDO HEREFORD, PERO TENDRAN VALOR DE CRIA PARA ANGUS
• ANGUS SEGUIRA SIENDO ANGUS Y TAMBIEN TENDRAN VALOR DE CRIA PARA HEREFORD
• USAR INFORMACION PARA PLANEAR CRUZAMIENTOS SIN TENER QUE MEDIR ANIMALES CRUZA
• VALIDAR CALIDAD DE PREDICCION DE CRUZAS EMPIRICAMENTE

56. Se podria considerar el
concepto en Brasil?

60. MI RESPUESTA A MI PROPIA
PREGUNTA ES:
SI!!!!!
Obrigado!!!!!!!!!