EFICACIA RELATIVA DE MODELOS PARAMETRICOS Y NO PARAMETRICOS EN EL MAPEO ASOCIATIVO DE VARIABLES NO GAUSSIANAS

El mapeo asociativo es el método más eficaz para detectar genes de efecto cuantitativo (QTL, quatitative trait loci) necesarios para las selección asistida para el desarrollo de variedades mejoradas. Muchas de la variables fenotípicas de interés con base genética cuantitativa (eg. respuesta a enfermedades, supervivencia, censos, fenología) no siguen una distribución gaussiana. Dado que los modelos estadísticos convencionales para el mapeo asociativo suponen distribución normal de los errores, los desvíos de la normalidad afectan negativamente la validez de la inferencia a partir del ajuste de estos modelos. Si bien existen múltiples aproximaciones para tratar con los desvíos de la normalidad en la detección de QTL, el software disponible (eg. EMMA, TASSEL, GAPIT), no contempla a varias de estas, ni permite compararlas en términos de su eficacia relativa en la detección y estimación de efectos de QTL. Una herramienta que permita comparar distintos enfoques (paramétricos y no paramétricos) en términos de su performance, aumentaría el rango de aplicación del mapeo asociativo, así como la validez de sus resultados. Para eso proponemos un procedimiento que reúne varias de estas alternativas y las compara en términos de su eficacia en la detección y estimación de efectos de QTL mediante el ajuste de modelos paramétricos frecuentistas, frecuentistas bayesianos y no paramétricos, utilizando como conjuntos de prueba y entrenamiento, datos simulados y reales de arroz y cebada, para variables agronómicas, de calidad y sanidad, no gaussianas. Esperamos con esto no solo mejorar las estimaciones e inferencias mediante mapeo asociativo, sino también permitir la caracterización de un estudio de asociación en base al enfoque óptimo para tratar con los desvíos de la normalidad.