The success of genomic selection depends on the potential to predict genome-assisted breeding values (GEBVs) with high accuracy over several generations without additional phenotyping after estimating marker effects. Results from both simulations and practical applications have to be evaluated for this potential, which requires linkage disequilibrium (LD) between markers and QTL. This study shows that markers can capture genetic relationships among genotyped animals, thereby affecting accuracies of GEBVs. Strategies to validate the accuracy of GEBVs due to LD are given. Simulations were used to show that accuracies of GEBVs obtained by fixed regression-least squares (FR-LS), random regression-best linear unbiased prediction (RR-BLUP), and Bayes-B are nonzero even without LD. When LD was present, accuracies decrease rapidly in generations after estimation due to the decay of genetic relationships. However, there is a persistent accuracy due to LD, which can be estimated by modeling the decay of genetic relationships and the decay of LD. The impact of genetic relationships was greatest for RR-BLUP. The accuracy of GEBVs can result entirely from genetic relationships captured by markers, and to validate the potential of genomic selection, several generations have to be analyzed to estimate the accuracy due to LD. The method of choice was Bayes-B; FR-LS should be investigated further, whereas RR-BLUP cannot be recommended.

Abstract We compared the accuracies of four genomic-selection prediction methods as affected by marker density, level of linkage disequilibrium (LD), quantitative trait locus (QTL) number, sample size, and level of replication in populations generated from multiple inbred lines. Marker data on 42 two-row spring barley inbred lines were used to simulate high and low LD populations from multiple inbred line crosses: the first included many small full-sib families and the second was derived from five generations of random mating. True breeding values (TBV) were simulated on the basis of 20 or 80 additive QTL. Methods used to derive genomic estimated breeding values (GEBV) were random regression best linear unbiased prediction (RR–BLUP), Bayes-B, a Bayesian shrinkage regression method, and BLUP from a mixed model analysis using a relationship matrix calculated from marker data. Using the best methods, accuracies of GEBV were comparable to accuracies from phenotype for predicting TBV without requiring the time and expense of field evaluation. We identified a trade-off between a method's ability to capture marker-QTL LD vs. marker-based relatedness of individuals. The Bayesian shrinkage regression method primarily captured LD, the BLUP methods captured relationships, while Bayes-B captured both. Under most of the study scenarios, mixed-model analysis using a marker-derived relationship matrix (BLUP) was more accurate than methods that directly estimated marker effects, suggesting that relationship information was more valuable than LD information. When markers were in strong LD with large-effect QTL, or when predictions were made on individuals several generations removed from the training data set, however, the ranking of method performance was reversed and BLUP had the lowest accuracy.

Establishing relationships among specific quality traits is important if significant progress toward developing improved pork quality is to be realized. As part of a study to examine the individual effects of genes on meat quality traits in pigs, a three-generation resource family was developed. Two Berkshire sires and nine Yorkshire dams were used to produce nine F1 litters. Sixty-five matings were made from the F1 litters to produce four sets of F2 offspring, for a total of 525 F2 animals used in the study. These F2 animals were slaughtered at a commercial facility upon reaching approximately 110 kg. Carcass composition traits, pH measurements, and subjective quality scores were made at 24 h postmortem. Loin samples (n = 525) were collected at 48 h postmortem, and meat quality traits were evaluated. These traits included pH (48 h), Hunter L-values, drip loss, glycolytic potential, ratio of type IIa/IIb myosin heavy chains (IIa/IIb), total lipid, instrumental measures of tenderness using the Star Probe attachment of the Instron, cook loss measurements, and sensory evaluations. Significant phenotypic correlations were found between many carcass, instrumental, and biochemical measurements, and sensory quality traits. Star Probe measurements were significantly correlated with drip loss (0.29), glycolytic potential (0.30), pH (-0.29), total lipid (-0.14), and Hunter L-values (0.28). Drip loss was significantly correlated with glycolytic potential (0.36), pH (-0.28), IIa/IIb (-0.10), and Hunter L-values (0.33). Hunter L-values were also significantly correlated with total lipid (0.33) and IIa/ IIb (-0.11). Sensory tenderness, flavor, and off-flavor scores were significantly correlated with drip loss, pH, and glycolytic potential measurements. Marbling score, total lipid, and drip loss were not significantly correlated with sensory juiciness scores, but cooking loss was. Marbling and total lipid were significantly correlated with firmness scores (0.37 and 0.31, respectively). Taken together, the data in this study suggest that changes in some meat quality traits can affect many other meat quality attributes. The correlations yield information that could aid in directing future studies aimed at understanding the underlying biological mechanisms behind the development of many quality traits.

Summary Selection index methods can be used for deterministic assessment of the potential benefit of including marker information in genetic improvement programmes using marker‐assisted selection (MAS). By specifying estimates of breeding values derived from marker information (M‐EBV) as a correlated trait with heritability equal to 1, it was demonstrated that marker information can be incorporated in standard software for selection index predictions of response and rates of inbreeding, which requires specifying phenotypic traits and their genetic parameters. Path coefficient methods were used to derive genetic and phenotypic correlations between M‐EBV and the phenotypic data. Methods were extended to multi‐trait selection and to the case when M‐EBV are based on high‐density marker genotype data, as in genomic selection. Methods were applied to several example scenarios, which confirmed previous results that MAS substantially increases response to selection but also demonstrated that MAS can result in substantial reductions in the rates of inbreeding. Although further validation by stochastic simulation is required, the developed methodology provides an easy means of deterministically evaluating the potential benefits of MAS and to optimize selection strategies with availability of marker data.

Abstract Genomic selection (GS) using high-density single-nucleotide polymorphisms (SNPs) is promising to improve response to selection in populations that are under artificial selection. High-density SNP genotyping of all selection candidates each generation, however, may not be cost effective. Smaller panels with SNPs that show strong associations with phenotype can be used, but this may require separate SNPs for each trait and each population. As an alternative, we propose to use a panel of evenly spaced low-density SNPs across the genome to estimate genome-assisted breeding values of selection candidates in pedigreed populations. The principle of this approach is to utilize cosegregation information from low-density SNPs to track effects of high-density SNP alleles within families. Simulations were used to analyze the loss of accuracy of estimated breeding values from using evenly spaced and selected SNP panels compared to using all high-density SNPs in a Bayesian analysis. Forward stepwise selection and a Bayesian approach were used to select SNPs. Loss of accuracy was nearly independent of the number of simulated quantitative trait loci (QTL) with evenly spaced SNPs, but increased with number of QTL for the selected SNP panels. Loss of accuracy with evenly spaced SNPs increased steadily over generations but was constant when the smaller number individuals that are selected for breeding each generation were also genotyped using the high-density SNP panel. With equal numbers of low-density SNPs, panels with SNPs selected on the basis of the Bayesian approach had the smallest loss in accuracy for a single trait, but a panel with evenly spaced SNPs at 10 cM was only slightly worse, whereas a panel with SNPs selected by forward stepwise selection was inferior. Panels with evenly spaced SNPs can, however, be used across traits and populations and their performance is independent of the number of QTL affecting the trait and of the methods used to estimate effects in the training data and are, therefore, preferred for broad applications in pedigreed populations under artificial selection.

Highly pathogenic strains of avian influenza (HPAI) devastate poultry flocks and result in significant economic losses for farmers due to high mortality, reduced egg production, and mandated euthanization of infected flocks. Within recent years, HPAI outbreaks have affected egg production flocks across the world. The H5N2 outbreak in the US in 2015 resulted in over 99% mortality. Here, we analyze sequence data from chickens that survived (42 cases) along with uninfected controls (28 samples) to find genomic regions that differ between these two groups and that, therefore, may encompass prime candidates that are resistant to HPAI. Blood samples were obtained from survivors of the 2015 HPAI outbreak plus age and genetics-matched non-affected controls. A whole-genome sequence was obtained, and genetic variants were characterized and used in a genome-wide association study to identify regions showing significant association with survival. Regions associated with HPAI resistance were observed on chromosomes 1, 2, 5, 8, 10, 11, 15, 20, and 28, with a number of candidate genes identified. We did not detect a specific locus which could fully explain the difference between survivors and controls. Influenza virus replication depends on multiple components of the host cellular machinery, with many genes involved in the host response.

To address the limitations of commonly used cross-validation methods, the linear regression method (LR) was proposed to estimate population accuracy of predictions based on the implicit assumption that the fitted model is correct. This method also provides two statistics to determine the adequacy of the fitted model. The validity and behavior of the LR method have been provided and studied for linear predictions but not for nonlinear predictions. The objectives of this study were to 1) provide a mathematical proof for the validity of the LR method when predictions are based on conditional means, regardless of whether the predictions are linear or non-linear 2) investigate the ability of the LR method to detect whether the fitted model is adequate or inadequate, and 3) provide guidelines on how to appropriately partition the data into training and validation such that the LR method can identify an inadequate model.

Pigs with severe combined immunodeficiency (SCID) are an emerging biomedical animal model. Swine are anatomically and physiologically more similar to humans than mice, making them an invaluable tool for preclinical regenerative medicine and cancer research. One essential step in further developing this model is the immunological humanization of SCID pigs. In this work we have generated T- B- NK- SCID pigs through site directed CRISPR/Cas9 mutagenesis of IL2RG within a naturally occurring DCLRE1C (Artemis)-/- genetic background. We confirmed Art-/- IL2RG-/Y pigs lacked T, B, and NK cells in both peripheral blood and lymphoid tissues. Additionally, we and successfully performed a bone marrow transplant on one Art-/- IL2RG-/Y male SCID pig with a bone marrow from a complete swine leukocyte antigen (SLA) matched donor without conditioning to reconstitute porcine T and NK cells. Next, we performed in utero injections of cultured human CD34+ selected cord blood cells into the fetal Art-/- IL2RG-/Y SCID pigs. At birth, human CD45+ CD3ε+ cells were detected in peripheral blood of in utero injected SCID piglets. Human leukocytes were also detected within the bone marrow, spleen, liver, thymus, and mesenteric lymph nodes of these animals. Taken together, we describe critical steps forwards the development of an immunologically humanized SCID pig model.

Abstract Background The linear regression method (LR) was proposed to estimate population bias and accuracy of predictions, while addressing the limitations of commonly used cross-validation methods. The validity and behavior of the LR method have been provided and studied for linear model predictions but not for non-linear models. The objectives of this study were to 1) provide a mathematical proof for the validity of the LR method when predictions are based on conditional mean, 2) explore the behavior of the LR method in estimating bias and accuracy of predictions when the model fitted is different from the true model, and 3) provide guidelines on how to appropriately partition the data into training and validation such that the LR method can identify presence of bias and accuracy in predictions. Results We present a mathematical proof for the validity of the LR method to estimate bias and accuracy of predictions based on the conditional mean, including for non-linear models. Using simulated data, we show that the LR method can accurately detect bias and estimate accuracy of predictions when an incorrect model is fitted when the data is partitioned such that the values of relevant predictor variables differ in the training and validation sets. But the LR method fails when the data are not partitioned in that manner. Conclusions The LR method was proven to be a valid method to evaluate the population bias and accuracy of predictions based on the conditional mean, regardless of whether it is a linear or non-linear function of the data. The ability of the LR method to detect bias and estimate accuracy of predictions when the model fitted is incorrect depends on how the data are partitioned. To appropriately test the predictive ability of a model using the LR method, the values of the relevant predictor variables need to be different between the training and validation sets.