اثر افزایش تعداد ماده های جمعیت مرجع و نشانگرهای امپیوت شده بر قابلیت اعتماد پیش بینی ژنومی گاوهای جرسی

پژوهشهای علوم دامی ایران

مقاله 1، دوره 6، شماره 3 - شماره پیاپی 19، مهر 1392، صفحه 270-278   

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

شناسه دیجیتال (DOI): 10.22067/ijasr.v6i3.24115

نویسندگان

داوود کریمی^{* 1}؛ مجتبی طهمورث پور²؛ محمد دادپسند³؛ علی اصغر اسلمی نژاد⁴؛ مونز ساندو لوند⁵

¹گروه علوم دامی، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران

²گروه علوم دامی، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران.

³گروه علوم دامی ، دانشکده کشاورزی، دانشگاه شیراز، شیراز، ایران

⁴گروه علوم دامی ، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران

⁵مرکز ژنتیک کمی و ژنومیکس گروه زیست شناسـی مولکـولی و ژنتیـک دانشگاه آرهوس دانمارک

چکیده

هدف از این تحقیق، ارزیابی صحت حاصل از امپیوت الگوی نشانگری کم تراکم (بطور میانگین در 10 تکرار 6640 نشانگر) به الگوی نشانگری تراکم متوسط در جمعیت شبیه سازی شده گاو جرسی با استفاده از نرم افزار FImpute و ارزیابی قابلیت اعتماد ارزش اصلاحی ژنومی برآورد شده برای دو صفت تولید شیر (40/0=2h) و باروری (04/0=2h) بر اساس تعداد مختلف ماده های جمعیت مرجع بود. نهصد رأس گاو نر که براساس الگوی نشانگری تراکم متوسط (K50) تعیین ژنوتیپ شده بودند، به منظور ارزیابی صحت امپیوت تعداد مختلف ماده های جمعیت مرجع بکار گرفته شدند. نه سناریو برای پیش بینی ارزش اصلاحی ژنومی 3000 حیوان تصادفی انتخاب شده جمعیت آزمون (1000 حیوان در هر نسل) طراحی و ارزیابی شد. میانگین صحت امپیوت ژنوتیپ ماده ها به الگوی تراکم متوسط 64/98 درصد بود. با توجه به میزان بالای نرخ امپیوت نشانگرها تنها یک درصد اختلاف بین ارزش اصلاحی ژنومی پیش بینی شده حاصل از نشانگرهای K50 در مقایسه با نشانگرهای امپیوت شده وجود داشت. با توجه به این اختلاف جزیی و از آنجا که هزینه تعیین ژنوتیپ یک حیوان بر مبنای الگوی تراکم متوسط دو برابر الگوی کم تراکم است، توصیه می شود که تمام نرهای پروف شده نسل مرجع براساس الگوی K50تعیین ژنوتیپ شده و همه ماده ها به الگوی تراکم متوسط امپیوت شوند تا علاوه بر دستیابی به صحت بالای پیش بینی ارزش اصلاحی ژنومی برای هر دو صفت، بتوان با کاهش چشمگیر هزینه تعیین ژنوتیپ، تعداد حیوانات بیشتری را در جمعیت مرجع بکار برد که خود منجر به افزایش اطلاعات فنوتیپی، شجره ای و ژنتیکی و در نهایت صحت پیش بینی ژنومی می شود.

کلیدواژه‌ها

ارزیابی ژنومی؛ جمعیت مرجع؛ امپیوت؛ تراکم نشانگر؛ گاو شیری

مراجع

1- سید دخت، ع.، ع. ا. اسلمی نژاد، و م. طهمورث پور. 1391. آنالیز ژنتیکی صفت تولید شیر گاوهای هلشتاین استان تهران با استفاده از مدل روز آزمون. نشریه پژوهش های علوم دامی ایران. 4: 174-168.

2- Buch, L. H., M. K. Sørensen, P. Berg, L. D. Pedersen, and A. C. Sørensen. 2012. Genomic selection strategies in dairy cattle: strong positive interaction between use of genotypic information and intensive use of young bulls. J. Anim. Breed. Gene. 129(2):138-51.

3- Browning, B. L., and S. R. Browning. 2008. A unified approach to genotype imputation and haplotype-phase inference for large data sets of trios and unrelated individuals. Am. J. Hum. Genet. 84:210-223.

4- Chen, J., Z. Liu, F. Reinhardt, and R. Reents. 2011. Reliability of genomic prediction using imputed genotypes for German Holsteins: Illumina 3K to 54K bovine chip. The 2011 Interbull Open Meeting, Stavanger, Norway. Interbull, Uppsala, Sweden.

5- Daetwyler, H. D., B. Villanueva, and J. A. Woolliams. 2008. Accuracy of predicting the genetic risk of disease using a genome-wide approach. PLoS ONE 3:e3395.

6- Daetwyler, H. D., G. R. Wiggans, B. J. Hayes, J. A. Woolliams, and M. E. Goddard. 2010. Imputation of missing genotypes fromsparse to high density using long-range phasing. Manuscript 539in Proc. World Congress of Genetics Applied to Livestock Production, Leipzig, Germany.www.wcgalp2010.org.

7- Dassonneville, R., R. F. Brøndum, T. Druet, S. Fritz, F. Guillaume, B. Guldbrandtsen, M. S. Lund, V. Ducrocq, and G. Su. 2011. Effectofimputingmarkersfromalow-densitychiponthereliabilityofgenomic breeding values in Holstein populations. J. Dairy Sci.94:3679–3686.

8- Druet, T., and M. Georges. 2010. A hidden Markov model combining linkage and linkage disequilibrium information for haplotype reconstruction and quantitative trait locus fine mapping. Genetics, 184:789–798.

9- Goddard, M. 2009. Genomic selection: prediction of accuracy and maximization of long term response. Genetica 136, 245–257.

10- Habier, D., R. L. Fernando, and J. C. Dekkers. 2009. Genomic selection using low-density marker panels. Genetics 182:343–353.

11- Harris, B. L., and D. L. Johnson. 2010. Genomic predictions for New Zealand dairy bulls and integration with national genetic evaluation. J. Dairy Sci. 93:1243–1252.

12- Hayes, B. J., P. J. Bowman, A. J. Chamberlain, and M. E. Goddard. 2009. Invited review: Genomic selection in dairy cattle: Progress and challenges. J. Dairy Sci. 92:433–443.

13- Johnston, J., G. Kistemaker. 2011. Comparison of different imputation methods. Interbull open meeting. Stavanger, Norway.

14- Kolbehdari, D., L. R. Schaeffer, and J. A. B. Robinson. 2007. Estimation of genome wide haplotype effect in half sib designs. J. Anim. Breed. Genet. 124:356-361.

15- Liu, Z. T., F. R. Seefried, F. Reinhardt, S. Rensing, G. Thaller, and R. Reents. 2011. Impacts of both reference population size and inclusion of a residual polygenic effect on the accuracy of genomic prediction. Genet. Sel. Evol. 43:19.

16- Long, N., D. Gianola, G. J. M.Rosa, K. A. Weigel, and S. Avendano. 2007. Machine learning classification procedure for selecting SNPs in genomic selection: Application to early mortality in broilers. J. Anim. Breed. Genet. 124:377-389.

17- Ma, P., R. F. Brøndum, Q. Zhang, M. S. Lund, and G. Su. 2013. Comparison of different methods for imputing genome-wide marker genotypes in Swedish and Finnish Red Cattle. J. Dairy Sci. 96:4666–4677.

18- Madsen P., and J. Jensen. 2007. DMU: A user’s Guide. A Package for Analyzing Multivariate Mixed Models. Version 6, Release 4.7. http://dmu.agrsci.dk/dmuv6_guideR4-6-7.pdf Accessed Nov. 15.

19- 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.

20- Meuwissen, T., and M. Goddard. 2010. Accurate prediction of genetic values for complex traits by whole-genome resequencing. Genetics. 185:623–631.

21- Moser, G., M. S. Khatkar, B. J. Hayes, and H. W. Raadsma. 2010. Accuracy of direct genomic values in Holstein bulls and cows using subsets of SNP markers. Genet. Sel. Evol. 42:37.

22- Muir, W. M. 2007. Comparison of genomic and traditional BLUP- estimated breeding value accuracy and selection response under alternative trait and genomic parameters. J. Anim. Breed. Genet. 124:342–355.

23- Pedersen, L. D., A. C. Sørensen, M. Henryon, S. Ansari-Mahyari, and P. Berg. 2009. ADAM: A computer program to simulate selective breeding schemes for animals. Livestock sci. 121(2-3): 343-344.

24- Pryce, J. E., M. E. Goddard, H. W. Raadsma, and B. J. Hayes. 2010. Deterministic models of breeding scheme designs that incorporate genomic selection. J. Dairy Sci. 93:5455–5466.

25- Pszczola, M., A. Mulder, and M. P. L. Calus. 2010. Effect of enlarging the reference population with (un) genotyped animals on the accuracy of genomic selection in dairy cattle. J. Dairy Sci. 94:431-441.

26- Sargolzaei, M., J. P. Chesnais, and F. S. Schenkel. 2011. FImpute- An efficient imputation algorithm for dairy cattle populations. J. Dairy Sci. 94(E-Suppl. 1):421. (Abstr).

27- Schaeffer, L. R. 2006. Strategy for applying genome-wide selection in dairy cattle. J. Anim. Breed. Genet. 123:218–223.

28- Scheet, P., and M. Stephens. 2006. A fast and flexible statistical model for large-scale population genotype data: Applications to inferring missing genotypes and haplotypic phase. Am. J. Hum. Genet. 78:629–644.

29- Su, G., R. F. Brøndum, P. Ma, B. Guldbrandtsen, G. P. Aamand, and M. S. Lund. 2012. Comparison of genomic predictions using medium-density (~54,000) and high-density (~777,000) single nucleotide polymorphism marker panelsin Nordic Holstein and Red Dairy Cattle populations. J. Dairy Sci. 95:4657–4665.

30- VanRaden, P. M. 2008. Efficient methods to compute genomic predictions. J. Dairy Sci. 91:4414–4423.

31- VanRaden, P. M., C. P. Van Tassell, G. R. Wiggans, T. S. Sonstegard, R. D. Schnabel, J. F. Taylor, and F. S. Schenkel. 2009. Invited review: Reliability of genomic predictions for North American Holstein bulls. J. Dairy Sci. 92:16–24.

32- Weigel, K. A., C. P. Van Tassell, J. R. O’Connell, P. M. VanRaden, and G. R. Wiggans. 2010. Prediction of unobserved single nucleotide polymorphism genotypes of Jersey cattle using panels and population-based imputation algorithms. J. Dairy Sci. 93:2229– 2238.

33- Zhang, Z., and T. Druet. 2010. Marker imputation with low-density marker panels in Dutch Holstein cattle. J. Dairy Sci. 93:5487–5494.