مطالعه توزیع آماری اثرات QTL بر صحت ارزش های اصلاحی ژنومی برآورد شده با روش Bayesian

پژوهشهای علوم دامی ایران

مقاله 12، دوره 7، شماره 3 - شماره پیاپی 23، مهر 1394، صفحه 356-363   

نوع مقاله: علمی پژوهشی- ژنتیک و اصلاح دام و طیور

شناسه دیجیتال (DOI): 10.22067/ijasr.v7i3.36312

نویسندگان

نازنین محمودی^{* 1}؛ احمد آیت اللهی مهرجردی²؛ محمود هنرور³؛ علی اسماعیلی زاده کشکوئیه⁴

¹شهید باهنر کرمان

²دانشگاه شهید باهنر کرمان

³دانشگاه آزاد اسلامی واحد شهر قدس

⁴گروه علوم دامی، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران

چکیده

هدف تحقیق بررسی اثر دو توزیع گاما و بتا به طور جداگانه بر صحت ارزیابی ژنتیکی بود. به این منظور ژنومی متشکل از 10 کروموزوم هر یک به طول 200 سانتی مورگان شبیه سازی شد. نشانگرها بر روی ژنوم با فواصل 2/0 سانتی مورگان طراحی شدند و جایگاه های ژنی مؤثر بر صفات بر روی ژنوم با توزیع تصادفی و تعداد متغیر شبیه سازی شدند و تنها اثرات افزایشی ژن ها در نظر گرفته شد. در ابتدا جمعیت پایه ای از حیوانات با اندازه مؤثر 100 شبیه سازی شد و این ساختار جمعیتی برای 50 نسل با آمیزش تصادفی ادامه یافت تا عدم تعادل پیوستگی بین نشانگرها و QTL ایجاد شود. پس از این اندازه جمعیت به 1000 فرد در نسل 51 (نسل مرجع) گسترش یافت. در نسل مرجع براساس اطلاعات ژنومیک و فنوتیپی اثرات نشانگری محاسبه گردید. در نسل 52 تا 57 (نسل هدف) ارزش اصلاحی محاسبه شد. نتایج نشان داد که در همه توزیع ها هر چه از جمعیت مرجع دور می شویم، با افزایش نسل ها از نسل 51 به 57 صحت برآورد ارزش اصلاحی ژنومی کاهش می‏یابد. همچنین وراثت پذیری بالا (2/0) نسبت به وراثت پذیری پایین (05/0) در تعداد QTL مشابه از صحت بیشتری برخوردار می باشد. در مقایسه توزیع ها در وراثت پذیری پایین، با تعداد 10 QTL، توزیع گاما 2، با تعداد 20 QTL، توزیع گاما 1 و با تعداد 50 و 100 QTL توزیع بتا برآوردها صحت بیشتری در دو روش Lasso و Ridge داشتند؛ در وراثت پذیری بالا، با تعداد 50 و 100 QTL توزیع گاما 2 در دو روش Lasso و Ridge برتری داشت. به طورکلی توزیع گاما باعث افزایش صحت برآورد ارزش اصلاحی ژنومی شد.

کلیدواژه‌ها

ارزش اصلاحی؛ انتخاب ژنومی؛ توزیع QTL؛ صحت

مراجع

1. Calus, M. P. L., T. H. E. Meuwissen, A. P. W. de Roos, and R. F.Veerkamp. 2007. Accuracy of genomic selection using different methods to define haplotypes. Genetics, 178:553-561.

2. Foroutani Far. S., H. Mehrabani Yeganeh, and M. Moradi Sharbabak, 2012. Comparision of the Accuracy of the Estimated Traditional and Genomic Breeding Values using Single and Multi-Trait Analyses. Iranian Journal of Animal Science, 43(4): 497-504. (In Persian)

3. Goddard, M. 2008. Genomic selection: prediction of accuracy and maximisation of long term response. Genetica, 136:245-257.

4. Hayes, B., M. E. Goddard. 2001. The distribution of the effects of genes affecting quantitativetraits in livestock.Genetics Selection Evolution, 33: 209–229.

5. Hayes, B., P. Bowman, A. Chamberlain, and M. Goddard. 2009. Invited review: Genomic selection in dairy cattle: Progress and challenges. Journal of Dairy Science, 92: 433-443.

6. Karimi. D., M. Tahmoorespoor, M. Dadpasand, A. Aslaminejad, and M. Sando Lund. 2014. The effect of increasing female number of reference population and imputed markers on reliability of genomic prediction. Iranian Journal of Animal Science Research, 6 (4): 270-278. (In Persian)

7. Kolbehdari, D., L. R. Shaeffer, and J. A. B. Robinson. 2007. Estimation of genome wide haplotype effect in half sib designs. Journal of Animal Breeding and Genetics, 124:356-361.

8. Long, N., D. Gianola, G. J. M. Rosa, K. A. Weigel, and S. Avendaٌo. 2007. Machine learning classification procedure for selecting SNPs in genomic selection: application to early mortality in broilers. Journal of Animal Breeding and Genetics, 124: 377 – 389.

9. Meuwissen, T. H. E., B. J. Hayes, and M. E. Goddard. 2001. Prediction of Total Genetic Value Using Genome-Wide Dense Marker Maps. Genetics, 157: 1819–1829.

10. Mrode, R. A. 2005. Linear models for the prediction of animal breeding values, 2ndedition. CABI, UK.

11. Muir, W.M. 2007. Comparison of genomic and traditional BLUP-estimated breeding value accuracy and selection response under alternative trait and genomic parameters. Journal of Animal Breeding and Genetics, 124: 342-355.

12. Nejati-Javaremi, A., C. Smith, and J. P. Gibson. 1997. Effect of total allelic relationship on accuracy of evaluation and response to selection. Journal of Animal Science, 75: 1738-1745.

13. Shirali. M., R. \Miraie Ashtiani, A. Pakdel, C. Healy, and R. Pong-Wong. 2012. Comparison between Bayesc and GBLUP in Estimating Genomic Breeding Values under Different QTL Variance Distributions. Iranian Journal of Animal Science, 43(2): 261-268. (In Persian)

14. Tibshirani, R. 1996. Regression shrinkage and selection via the Lasso. J. the Royal Statistical Society Series B: Methodological, 58: 267.288.

15. Villanueva, B., R. Pong-Wong, J. Fernandez, M. A. Toro. 2005. Benefits from marker-assisted selection under an additive polygenic genetic model. Journal of Animal Science, 83: 1747-1752.

16. Zargarian. B., M. Amin Afshar, M. Saatchi, and A. Noushtari. 2010. Effect of increasing the density of the markers on the accuracy of predicted breeding values genomic. Journal of Animal and Environment, 2(1), 37-44. (In Persian).

17. Zhang, W., C. Smith. 1993. Simulation of marker-assisted selection utilizing linkagedisequilibrium: the effects of several additional factors. Theoretical and Applied Genetics, 492–496.