Course code BIN403

BIN403 Biometriske metoder i avl og foredling

Emnet kan ha endringer på grunn av koronarestriksjoner. Se Canvas og StudentWeb for info.

English course information

Søk etter andre emner

Viser emneinfo for studieåret 2021 - 2022.

Emneansvarlige: Tormod Ådnøy
Medvirkende: Xijiang Yu, Morten Lillemo, Theodorus Hendrikus Elisabeth Meuwissen
Studiepoeng: 5
Ansvarlig fakultet: Fakultet for biovitenskap
Frekvens: <p>Anna. Når det er nok studentar.</p><p>Hausten 2021 kan det henda at det går i samarbeid med dei andre NOVA-universiteta.</p>
Undervises på språk: EN, NO
(NO=norsk, EN=Engelsk)
Undervises i periode:
Emnet er planlagt starta i haustparallellen 2021, men kan gå fleksibelt dersom det passar for deltakarane.
Første gang: Studieår 2021-2022
Fortrinnsrett: PhD-studentar i planteforedling, og husdyr-/akvakulturavl.
Emnets innhold:

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, ... 

Læringsutbytte:

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. 

Læringsaktiviteter:
Kollokvium/forelesingar i full gruppe og kanskje i subgrupper, avhengig av tal deltakarar og kor dei bur/arbeider. Sjølvstudium av anviste publikasjonar. Estimering av varianskomponentar og utrekning av avlsverdiar for eigne, realistisk store, datasett. Presentasjonar for medstudentar og lærarar.
Læringsstøtte:
Lærardeltaking i kollokvia og eventuelt forelesingar ved nok studentar. Veiledning/hjelp med semesteroppgåver og andre øvingsoppgåver.
Pensum:

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.

Forutsatte forkunnskaper:
BIN301. Avl/foredling opp til PhD-nivå. Lineær algebra. Matrisemanipulasjon.
Anbefalte forkunnskaper:

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

Noko lineær algebra. Vektor- og matrise-håndtering.

Noko dataprogrammering.

Obligatorisk aktivitet:

Deltaking i kollokviar.

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

Kommentera/opponera til/andres presentasjonar.

Vurderingsordning:

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

Stått/Ikkje stått

Sensor:
Evaluering ved lærar i emnet (ikkje ekstern sensor).
Merknader:

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).

Normert arbeidsmengde:
125 timar, inkludert deltaking i kollokviar og øvingsgrupper i 25 timar.
Opptakskrav:
Realfag
Overlapp:
-
Undervisningstid:
Omtrent 12,5 timar kollokvium/forelesing og 12,5 timar øvingar.
Eksamensdetaljer: Semesteroppgave: Bestått / Ikke bestått