Avoiding the explicit inverse of the pedigree relationship matrix among genotyped animals in approximate reliabilities of single-step genomic predictions
Diese Studie evaluiert fünf computergestützte Strategien, die die prohibitiven Speicher- und Zeitkosten der expliziten Invertierung der Pedigree-Verwandtschaftsmatrix für Single-Step-Genom-Vorhersagen erfolgreich vermeiden, wobei die Woodbury-Identität und stochastische Hutchinson-Ansätze als die effizientsten Methoden hervorgehen, um die Berechnung der approximativen Zuverlässigkeit auf große genotypisierte Populationen zu skalieren und gleichzeitig eine hohe numerische Genauigkeit beizubehalten.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
In der Welt der Tierzucht besteht das Ziel darin, Herden zu verbessern, indem die besten Eltern für die nächste Generation ausgewählt werden. Um dies effektiv zu tun, verlassen sich Züchter auf geschätzte Zuchtwerte, bei denen es sich um Vorhersagen des genetischen Potenzials eines Tieres handelt. Eine Vorhersage ist jedoch nur so gut wie ihre Zuverlässigkeit, ein Maß dafür, wie präzise diese Schätzung ist. Jahrzehntelang war die Berechnung dieser Präzision handhabbar, wenn Züchter nur mit Stammbäumen arbeiteten. Doch das Feld hat sich hin zur einstufigen genomischen Vorhersage verschoben, einer leistungsstarken Methode, die Familiengeschichte mit tatsächlichen DNA-Daten kombiniert. Diese Integration ermöglicht wesentlich genauere Zuchtentscheidungen, führt jedoch zu einer massiven rechnerischen Hürde. Die DNA-Daten verknüpfen jedes genotypisierte Tier mit jedem anderen, wodurch ein dichtes Netz von Verbindungen entsteht, das die Standard-Mathematikwerkzeuge zur Berechnung der Zuverlässigkeit zu groß macht, um in den Speicher eines Computers zu passen. Wenn eine Population über einige Zehntausend genotypisierte Tiere hinauswächst, stürzt die traditionelle Methode zur Lösung dieser Gleichungen einfach ab und lässt die Züchter ohne eine Möglichkeit zurück, zu wissen, wie sehr sie ihren besten Kandidaten vertrauen können.
Ein Forschungsteam setzte sich zum Ziel, diesen Engpass zu lösen, indem es neue Wege fand, diese Zuverlässigkeitswerte zu berechnen, ohne jemals die massive, unhandliche Matrix aufzubauen, die den Computer zum Scheitern bringt. In Zusammenarbeit mit Daten aus dem PROMEBO Angus-Zuchtprogramm in Brasilien, das fast 434.000 Tiere mit über 24.000 genotypisierten Tieren umfasste, testete das Team fünf verschiedene Strategien. Ihr Ziel war es nicht, eine neue genetische Theorie zu erfinden, sondern einen klügeren Weg für die Mathematik zu finden. Sie verglichen diese neuen Ansätze mit der traditionellen, exakten Methode, die als Goldstandard dient, aber bei solch großen Datensätzen unmöglich durchzuführen ist. Die Forscher wollten sehen, ob sie den Schritt des expliziten Erstellens der riesigen Matrix überspringen könnten, indem sie stattdessen mathematische Abkürzungen nutzen, um dasselbe Ergebnis mit viel weniger Speicher und Zeit zu erhalten.
Die Ergebnisse zeigten, dass alle fünf neuen Strategien die Ergebnisse der Goldstandard-Methode mit extremer Genauigkeit reproduzieren konnten. Als die Forscher die durch ihre neuen Methoden generierten Zuverlässigkeitswerte mit dem Benchmark verglichen, stimmten die Zahlen fast perfekt überein, mit Korrelationen von über 99 Prozent. Das bedeutet, dass die Abkürzungen nicht an Präzision einbüßten; sie umgingen lediglich die rechnerische Sackgasse. Unter den fünf Ansätzen stachen zwei durch ihre Effizienz hervor. Eine Methode, die eine spezifische mathematische Identität nutzt, um das Problem neu zu ordnen, und eine andere, die eine statistische Sampling-Technik verwendet, reduzierten beide den benötigten Speicher um etwa 80 Prozent. Anstatt fast 18 Gigabyte Arbeitsspeicher für die Berechnung zu benötigen, benötigten diese Methoden nur etwa 3,5 Gigabyte. Diese Reduzierung ist entscheidend, da sie bedeutet, dass die Berechnung auf Standard-Servern durchgeführt werden kann, anstatt spezialisierte, teure Supercomputing-Hardware zu erfordern.
Die Geschwindigkeit dieser Methoden variierte, aber einer der Sampling-basierten Ansätze war besonders beeindruckend. Er schloss die Berechnungen in etwa der gleichen Zeit wie die traditionelle Methode ab, jedoch ohne den Speicherabsturz. Dies ist eine bedeutende Erkenntnis, da sie darauf hindeutet, dass die traditionelle Methode unbrauchbar wird, sobald Zuchtprogramme auf Hunderttausende oder gar Millionen genotypisierte Tiere anwachsen, während diese neuen Strategien praktikabel bleiben werden. Die Forscher fanden heraus, dass für kleinere Populationen die alte Methode immer noch die schnellste ist, aber sobald die Anzahl der genotypisierten Tiere einen bestimmten Schwellenwert überschreitet, werden die neuen Methoden zur einzig praktikablen Option. Die Studie bestätigt, dass Züchter die fortschrittlichsten genomischen Werkzeuge weiterhin nutzen können, ohne gegen eine Wand aus rechnerischen Grenzen zu stoßen, wodurch sichergestellt wird, dass die Präzision ihrer genetischen Bewertungen mit der Größe ihrer Daten Schritt hält.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.