En savoir plus

L'objectif principal de la prédiction génomique est d'utiliser la variation génomique, généralement les polymorphismes à nucléotide unique (SNP), pour prédire les phénotypes. Cependant, certains caractères complexes restent difficiles à prédire. Parallèlement, les connaissances génomiques fonctionnelles obtenues à partir d'études omiques sont prometteuses et permettent de mieux comprendre les mécanismes cellulaires sous-jacents et l'étiologie des caractères.

L'intégration de ces informations dans les modèles de prédiction génomique pourrait potentiellement conduire à une meilleure compréhension des caractères complexes. Les modèles bayésiens, grâce à leur utilisation de prior, semblent être un moyen direct d'introduire des informations fonctionnelles connues dans les modèles de prédiction génomique pour les traits complexes, à la fois pour améliorer potentiellement la qualité de la prédiction et pour mieux comprendre leur architecture génomique. En particulier, BayesRC (MacLeod et al., 2016) catégorise les SNP dans de multiples annotations disjointes, permettant à la proportion de QTL de varier dans chacune. Bien que ce modèle montre de bons résultats, il est limité par la nature non chevauchante des annotations, qui empêche les SNP d'appartenir à plus d'une annotation. Lorsque le nombre d'annotations disponibles augmente, cela devient une forte limitation, et empêche d’exploiter au mieux l’information dont on dispose.

Nous proposons deux nouveaux modèles bayésiens pour tenir compte de ces SNP multi-annotés, en attribuant une contribution cumulative (BayesRC+) ou préférentielle (BayesRC..) à travers les catégories d'annotation. Ces deux modèles sont implémentés dans BayesRCO, un logiciel open source en Fortran 90 (https://github.com/fmollandin/BayesRCO). Nous appliquerons ces modèles sur les données issues du projet GENE-SWitCH.

Contact :

• Fanny Mollandin