Potensiell plan for emnet - endeleg plan vil bli lagt i samråd med deltakarar og lærarar. - Det er ikkje plass til alt det nemnde !

1 Kva som er rekna som kjent frå før (Tormod Ådnøy). * Blanda modell (MM) y = Xb + Zu + e, med G R V. * Fixed og Random. * Klassifisering (ANOVA) og Regresjon. * BLUP med kjende varianskomponentar (g og r). At GLS og MME er ekvivalente. * Anetavlebasert slektskap A (G = g*A).  * Variantar av MM, og konsekvensar for Z, G, R : Dyremodell, Redusert dyremodell, Gjentatte målingar, Maternale effektar, Fleireigenskapsmodellar (MMM). * Random Regression (RR), polynom (Taylor, Legendre, ... )

2 Programmering. Numeriske datavurderingar (Xijiang Yu, Ulf Indahl, ... ).  ** Program : Excel, R, Julia, SAS, DMU, asrelm, R (BLR), ... * Du må velja for å gjera semesteroppgåva. ** Numerisk : Alternativ til teori-løysing av MME/GLS med eksplisitt invers: projeksjonar i lineære rom, SVD, Q R, Gram Schmidt, ... 

Presentasjon av datasett og intensjon med semesteroppgåvene (alle deltakarane). * 5-10 minutt, muntleg eller med lysbilde

3 Inkludering av genomisk info (Theo Meuwissen). * Basepopulasjon, genfrekvens, likevekt, - . * Estimering av genomisk slektskap. * Single step (SS) (pedigree + genomisk).

4 Estimering av varianskomponentar (Tormod Ådnøy, Theo Meuwissen, Gareth Difford, ... ). * Krav til struktur i data (for å estimera g og r må strukturen til G og R spenna ut ulike lineære rom). * EMS frå variansanalyse (LS) til å estimera variansar (g og r). * Likelihood. * REML. * Frekventist / Bayes.

Presentasjon av progresjon med semesteroppgåvene (alle deltakarane). * Potensielle modellar og programvare.

5 Val av programvare. Effektivitet og nøyaktighet. (Xijiang Yu, ... ). * Effektivitet, både for menneske og for maskinar. For menneske bør eit program vera enkelt å læra og å skriva. Utviklingstida bør ikkje vera lang. For datamaskinar bør programmet kunna kjøra fort. * Numerisk nøyaktighet. Krav til dataverdiar.  * Validering : Simulering. Kryssvalidering. Leave one out (LOO). * Bias. 

6 MMM - bruk av spekterinfo. (Binyam Dagnachew, Tormod Ådnøy, Gareth Difford, ... ). * Spekter som informasjon om andre (kjemiske) eigenskapar. * Prinsipale komponentar (PC), PLS, PLSR. * Indirekte prediksjon (IP), Direkte prediksjon (DP).

Presentasjon av resultat av analysar i semesteroppgåvene (alle deltakarane). * Med lysbildepresentasjon av resultat (plott / grafar). 

7 Modelling of G by E interactions (?,..).

8 Neural networks and other machine learning techniques (Arne Gjuvsland, Ulf Indahl, ... ).

9 Monte Carlo Markov Chain (MCMC) methods  (Jørgen Ødegård).

10 'The Shaky Foundations of Fisherian Genetics' (Tormod Ådnøy, ... ). Den inifinitessimale geneffekt-modellen har halde stand i hundre år, og lever fortsatt ... * Hardy Weinberg (HW), Random mating (R!), No Selection (S!), Likevekt (E!, ikkje LD, ... ), additive uavhengige geneffektar, ... 

Kunnskap

I emnet vil du få kunnskap om teori for avlsverdiprediksjon basert på blanda modellar, genomisk og anetavlebasert slektskap, inkludert estimering av varianskomponentar.

Ferdigheter

Du vil bli i stand til å rekna ut avlsverdiar for avls- og foredlingsorganisasjonar basert på reelle data og med standard dataprogram.

Generell kompetanse 

Generelt vil du få erfaring med datahåndtering, programmering, lineær algebra, og estimeringsteori; og forståelse av avls- og foredlingsprogram. 

Sjå 'Emnets innhold'.

Diverse utdelte vitskaplege artiklar og forelesningspresentasjonar.

Delvis avhengig av behov til og ønske frå deltakarane i emnet.

 Chapter 27 in Lynch and Walsh (1998) : 'Genetics and Analysis of Quantitative Traits' viser i alle fall ein del av det som trengst som pensum.

 Nokre originalartiklar om varianskomponentestimering. Manualar for vce/pest, asreml, dmu, R (BLR), eller andre varianskomponentestimeringsprogram er òg viktige kjelder for informasjon.

BIN301. Avl / foredling opp til PhD-nivå. Lineær algebra. Matrisemanipulasjon.

MSc-studentar som vil ha utfordringar i avl og foredling utover det som blir gitt i andre avls- og plantefordlingskurs kan vurdera å ta dette i lag med PhD-studentar.

Husdyravl eller planteforedling til MSc-nivå, inkludert anetavle og genomisk slektskap.

Noko lineær algebra. Vektor- og matrise-håndtering.

Noko dataprogrammering.

Deltaking i kollokviar.

Presentasjon av utrekning av avlsverdiar i eige datasett av størrelse relevant for avls- og foredlings-organisasjonar.

Kommentera / opponera til / andres presentasjonar.

Evaluering av semesteroppgåve som viser resultat av utrekning av avlsverdiar for reelle data med 'industri'-program som DMU, asreml, R (BLR), ... 

Stått / Ikkje stått

Emnet blir gitt når det er nok interesserte deltakarar. Forelesingar og kollokviar initiert av lærar blir gitt med meir enn 4 studentar. Med færre studentar kan det bli gitt noko lærarveiledning.

MSc-studentar med nok relevant bakgrunn kan ta emnet (som BIN303).