Målet for mit videnskabelige arbejde er udvikling af teori og metoder anvendt til genetisk forbedring generelt, og specielt i husdyrracerne. Mere specifikt er målet at
Gennemfører forskning i udvikling og anvendelse af kvantitative genetiske metoder i kommercielle forædlingsprogrammer for dyr og planter. Forskningens fokus er på udvikling og anvendelse af kvantitative metoder og udvikling af optimale avlsprogrammer. Sådanne programmer skal være bæredygtige såvel økonomisk som miljømæssigt og etisk. Endvidere arbejdes på en fortsat uddybning af vores forståelse af den genetiske regulering af livsytringer hos dyr og planter.
Arbejder endvidere for øget internationalt samarbejde i forskningen. Dette samarbejde kan omfatte den vestlige verden, BRIK landene (Brasilien, Rusland, Indien, og Kina) samt de tredjeverdenslande som er udvalgt som danske samarbejdslande vedrørende udviklingsbistand.
Overordnet arbejder jeg med kvantitativ arvelig variation i fysiologiske egenskaber.
Jeg fokuseret på de regulering af stofskiftet hos køer og kalve, og fysiologiske processer af betydning for adfærd, herunder stressreaktioner hos malkekvæg.
Desuden arbejder jeg med målinger i mælk, og med moderegenskaber og aggression hos svin.
Anvendelse af likelihood og Bayesianske metoder til analyse af genetiske data; inferenser om genetiske parametre fra selekterede data; anvendelse af Markov chain Monte Carlo metoder i genetik.
Molecular prediction of disease and production traits in livestock
The overall research goal is to develop a statistical procedure that identifies which set of biological molecules (e.g., gene transcripts, proteins, and metabolites) best predicts phenotypes for disease and production traits in livestock. In developing this procedure the focus is on statistical methods that
1. account for relationships among biological molecules (e.g. Gaussian graphical modeling)
2. use prior information about the relationship among biological molecules.
We are working on a supervised stochastic search variable selection procedure for identifying promising subsets of molecular predictors of phenotypes in individuals. The procedure uses prior biological information and combines observations from large-scale ‘omics’ data. We have implemented this procedure into a fortran program which is currently being tested.
We are also looking into Gaussian graphical modeling, which is a multivariate statistical technique that can be used to infer relationships among molecular variables such as gene transcripts, proteins, and metabolites.