MARC

 008260126s2025        us                              c    eng  d
■001000017359680
■00520260202105157
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798297648999
■035    ▼a(MiAaPQ)AAI32243439
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a580
■1001  ▼aRebollo  Panuncio,  Maria  Ines.
■24510▼aGenetic  Covariance  Between  Populations  and  Chromosomal  Contributions  to  Genetic  Variance  in  Maize
■260    ▼a[Sl]▼bUniversity  of  Minnesota▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a109  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-04,  Section:  B.
■500    ▼aAdvisor:  Bernardo,  Rex.
■5021  ▼aThesis  (Ph.D.)--University  of  Minnesota,  2025.
■520    ▼aVariance,  a  measure  of  dispersion  of  a  variable  around  its  mean,  and  covariance,  a  measure  of  the  joint  variation  of  two  variables,  have  long  been  foundational  concepts  in  quantitative  genetics.  Models  and  simulations  often  assume  homogeneous  genetic  variances  and  covariances  between  populations  and  uniform  distributions  of  quantitative  trait  loci  across  populations.  However,  these  assumptions  are  frequently  violated  in  practical  breeding  programs  that  involve  structured  populations  with  different  pedigrees.  In  this  work,  I  first  developed  and  validated  a  framework  for  estimating  the  genetic  covariance  between  populations  via  their  molecular  marker  effects  in  a  simulated  dataset  with  known  covariances,  and  in  a  maize  (Zea  mays  L.)  dataset  from  a  commercial  breeding  program.  The  simulated  populations  confirmed  the  method's  expected  behavior,  whereas  the  maize  dataset  showed  trait-  and  population-specific  covariance  patterns.  Next,  I  evaluated  whether  modeling  heterogeneous  genetic  covariances  among  structured  populations  improves  the  accuracy  of  genomewide  prediction  compared  to  conventional  homogeneous  covariance  models.  Using  both  simulated  and  maize  data,  I  found  no  consistent  advantage  of  heterogeneous  covariance  models;  simpler  homogeneous  covariance  models  generally  provided  equal  or  better  predictive  performance.  A  theoretical  analysis  indicated  that  benefits  of  heterogeneous  models  depend  on  a  relationship  between  marker  similarity  and  genetic  covariance,  but  this  relationship  was  not  prevalent  in  the  data.  Finally,  I  evaluated  whether  the  contribution  of  each  chromosome  to  genetic  variance  is  proportional  to  its  length.  The  results  showed  that  the  genetic  variance  contributed  by  each  chromosome  was  generally  proportional  to  chromosome  size.  Exceptions  to  this  pattern  arose  from  the  preponderance  of  either  coupling  linkages,  which  produced  a  higher-than-expected  contribution,  or  repulsion  linkages,  which  produced  a  lower-than-expected  contribution.  This  result  indicated  that  for  quantitative  traits  in  elite  maize  germplasm,  genetic  gains  will  mostly  arise  from  finding  favorable  arrangements  of  alleles  on  chromosomes  rather  than  finding  chromosome  copies  that  carry  multiple  major  genes.
■590    ▼aSchool  code:  0130.
■650  4▼aPlant  sciences
■650  4▼aGenetics
■650  4▼aMicrobiology
■650  4▼aBiology
■653    ▼aGenomic  prediction
■653    ▼aQuantitative  genetics
■653    ▼aZea  mays
■653    ▼aBreeding  programs
■690    ▼a0479
■690    ▼a0369
■690    ▼a0410
■690    ▼a0306
■71020▼aUniversity  of  Minnesota▼bApplied  Plant  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g87-04B.
■790    ▼a0130
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359680▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서