RESUMO. A acurácia da predição genômica foi comparada através de três métodos paramétricos e semi-paramétricos, que incluíram BayesA, LASSO Bayesiano e regressão RKHS (Reproducing Kernel Hilbert Spaces) sob vários níveis de hereditariedade (0,15; 0,3 e 0,45), números diferentes de marcadores (500, 750 e 1000) e intervalos de geração de conjuntos de validação. Uma população histórica de 1000 indivíduos com igual proporção sexual foi simulada por 1000 gerações, em tamanho constante. Ela foi seguida por 100 gerações adicionais com redução gradual de tamanho para 500 indivíduos na 200ª geração. Indivíduos da geração 200 foram cruzados aleatoriamente por mais 10 gerações aplicando-se tamanho de ninhada de 5, para expansão da geração histórica. Por fim, uma seleção de 50 machos e 500 fêmeas da geração 210 foram cruzados aleatoriamente, resultando em mais 10 gerações de população recente. Indivíduos nascidos na geração 211 foram considerados como o conjunto de treinamento, enquanto o conjunto de validação foi composto por indivíduos da geração 213, 215 ou 217. O genoma foi composto por um cromossomo de 100cM de comprimento portando 50 QTLs. Não houve diferença significativa entre a acurácia dos métodos investigados (p > 0,05); porém, dentre os três métodos, a maior média de acurácia (0,659) foi observada em BayesA. Com o aumento da hereditariedade, a média da acurácia de seleção genômica aumentou de 0,53 para 0,75 (p < 0,0 5). O número de SNPs afetou a acurácia, visto que seu valor aumentou com o aumento de SNPs; assim, a maior acurácia foi verificada para número de casos de SNPs=1000. Com o afastamento do conjunto de validação, a acurácia diminuiu e a redução mais pronunciada foi observada para o caso de baixa hereditariedade. A redução da acurácia através de gerações foi afetada pela densidade do marcador, mas foi independente dos métodos investigados.

ABSTRACT. Accuracy of genomic prediction was compared using three parametric and semi parametric methods, including BayesA, Bayesian LASSO and Reproducing kernel Hilbert spaces regression under various levels of heritability (0.15, 0.3 and 0.45), different number of markers (500, 750 and 1000) and generation intervals of validating set. A historical population of 1000 individuals with equal sex ratio was simulated for 100 generations at constant size. It followed by 100 extra generations of gradually reducing size down to 500 individuals in generation 200. Individuals of generation 200 were mated randomly for 10 more generations applying litter size of 5 to expand the historical generation. Finally, 50 males and 500 females chosen from generation 210 were randomly mated to generate 10 more generations of recent population. Individuals born in generation 211 considered as the training set while the validation set was composed of individuals either from generations 213, 215 or 217. The genome comprised one chromosome of 100 cM length carrying 50 QTLs. There was no significant difference between accuracy of investigated methods (p > 0.05) but among three methods, the highest mean accuracy (0.659) was observed for BayesA. By increasing the heritability, the average genomic accuracy increased from 0.53 to 0.75 (p < 0.05). The number of SNPs affected the accuracy and accuracies increased as number of SNPs increased; therefore, the highest accuracy was for the case number of SNPs=1000. With getting away from validating set, the accuracies decreased and the most severe decay observed in the case of low heritability. Decreasing the accuracy across generations affected by marker density but was independent from investigated methods.