اثر تعداد و توزیع اثرات QTL بر صحت پیش‌بینی‌های ژنومی برخی روش‌های آماری در یک صفت آستانه‌ای

پژوهشهای علوم دامی ایران

مقاله 5، دوره 9، شماره 2 - شماره پیاپی 30، تیر 1396، صفحه 221-228   

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

شناسه دیجیتال (DOI): 10.22067/ijasr.v9i2.57206

نویسنده

صاحب فروتنی فر^*

رازی کرمانشاه

چکیده

هدف این مطالعه استفاده از شبیه‌ سازی تصادفی برای محاسبه ارزش‌های اصلاحی ژنومی در سناریوهایی با تعداد و توزیع مختلف آماری برای اثرات QTL در یک صفت آستانه‌ای با استفاده از روش‌های بیزیA، B، C، L و R بود. برای شبیه سازی سناریوهای مختلف، ابتدا یک نسل پایه با تعداد 100 حیوان ایجاد شد که به مدت 50 نسل با هم آمیزش تصادفی داشتند. جمعیت مرجعی با اندازه 1000 حیوان از تلاقی تصادفی افراد نسل 50 ایجاد شد و برای این حیوانات یک صفت آستانه‌ای شبیه سازی شد. از تلاقی تصادفی افراد جمعیت مرجع، جمعیت تأیید ایجاد شد که فاقد اطلاعات فنوتیپی بودند. برای هر حیوان، ژنومی به طول 10 مورگان شبیه سازی شد و 10000 نشانگر با فواصل یکسان بر روی آن قرار گرفت. در هر سناریو QTL‌هایی با توزیع مختلف برای اثرات آن به صورت تصادفی بر روی ژنوم پخش شد. اثرات نشانگرها در جمعیت مرجع به وسیله روش‌های مختلف بیزی برآورد گردید و ارزش‌های اصلاحی ژنومی حیوانات فاقد فنوتیپ جمعیت تأیید با استفاده از این اثرات محاسبه شد. صحت ارزش‌های اصلاحی مبنای مقایسه سناریوهای مختلف این تحقیق قرار گرفت. در روش‌های بیزی مورد بررسی به استثنای روش بیزی R و L که در همه سناریوها صحت مشابهی داشتند، در بین سایر روش‌های بیزی، بیز B با تعداد دهQTL و توزیع گاما بالاترین صحت ارزش‌های اصلاحی را داشت. با افزایش تعداد QTL‌ها صحت ارزش‌های اصلاحی برآوردی با استفاده از روش‌های بیزی A، B وC کمتر شد، به گونه‌ای که برای تعداد 150 QTL و بالاتر صحت ارزش‌های اصلاحی آنها تقریبا برابر با روش بیزی R و L شد. به طور کلی نتایج این پژوهش نشان داد که روش‌های آماری مقایسه شده در معماری متفاوت صفت نتایج متفاوتی ارائه می‌دهند، ولی می‌توان برای صفات آستانه‌ای که با تعداد کمی ژن کنترل می‌شوند یا دارای یک یا چند ژن با اثر عمده هستند، از روش‌هایی مانند بیز B استفاده کرد.

کلیدواژه‌ها

انتخاب ژنومی؛ روش‌های بیزی؛ صفت آستانه‌ای؛ QTL

مراجع

1- Calus, M. P. L, and R. F. Veerkamp. 2011. Accuracy of multi-trait genomic selection using different methods. Genetics Selection Evolution, 43(1): 26-39.

2- Daetwyler, H. D., R. Pong-Wong., B. Villanueva, and J. A. Woolliams. 2010. The impact of genetic architecture on genome-wide evaluation methods. Genetics, 185(3): 1021-1031.

3- de Los Campos, G., J. M. Hickey, R. Pong-Wong., H. D. Daetwyler, and M. P. Calus. 2013. Whole-genome regression and prediction methods applied to plant and animal breeding. Genetics, 193(2): 327-345.

4- Foroutanifar, S. 2015. Genomic Selection. Genetics in the 3rd Millennium, 12(4): 3680-3691. (In Persian).

5- Gianola, D. 1982. Theory and analysis of threshold characters. Journal of Animal Science, 54(5): 1079-1096.

6- Goddard, M. 2009. Genomic selection: prediction of accuracy and maximisation of long term response. Genetica, 136(2): 245-257.

7- Hayes, B, and M. E. Goddard. 2001. The distribution of the effects of genes affecting quantitative traits in livestock. Genetics Selection Evolution, 33(3): 209-229.

8- Hayes, B. J., P. J. Bowman., A. C. Chamberlain., K. Verbyla, and M. E. Goddard. 2009. Accuracy of genomic breeding values in multi-breed dairy cattle populations. Genetics Selection Evolution, 41(1): 51-59.

9- Hayes, B. J., P. J. Bowman., A. J. Chamberlain, and M. E. Goddard. 2009. Invited review: Genomic selection in dairy cattle: progress and challenges. Journal of Dairy Science, 92(2):433-443.

10- Karkkainen, H. P, and M. J. Sillanpaa. 2012. Back to basics for Bayesian model building in genomic selection. Genetics, 191(3): 969-987.

11- Meuwissen, T. H., B. Hayes, and M. Goddard. 2001. Prediction of total genetic value using genome-wide dense marker maps. Genetics, 157(4): 1819-1829.

12- Perez, P, and G. de los Campos. 2014. Genome-wide regression and prediction with the BGLR statistical package. Genetics, 198(2): 483-495.

13- Perez, P, and G. de Los Campos. 2014. Genome-wide regression & prediction with the BGLR statistical package. Genetics, 198: 483-495.

14- Resende, M. F. R., P. Munoz., M. D. V. Resende., D. J. Garrick., R. L. Fernando., J. M. Davis., E. J. Jokela., T. A. Martin., G. F. Peter, and M. Kirst. 2012. Accuracy of genomic selection methods in a standard data set of loblolly pine (Pinus taeda L.). Genetics, 190(4): 1503-1510.

15- Shirali, M., S. R. Miraei‐Ashtiani., A. Pakdel., C. Haley., P. Navarro, and R. Pong‐Wong. 2015. A Comparison of the sensitivity of the bayes C and genomic best linear unbiased prediction (GBLUP) methods of estimating genomic breeding values under different quantitative trait locus (QTL) model assumptions. Iranian Journal of Applied Animal Science, 5(1): 41-46.

16- Solberg, T., A. Sonesson., J. Woolliams, and T. Meuwissen. 2008. Genomic selection using different marker types and densities. Journal of Animal Science, 86(10): 2447-2454.

17- VanRaden, P. M., M. E. Tooker., J. R. Wright., C. Sun, and J. L. Hutchison. 2014. Comparison of single-trait to multi-trait national evaluations for yield, health, and fertility. Journal of Dairy Science, 97(12): 7952-7962.

18- Wang, C. L., X. D. Ding., J. Y. Wang., J. F. Liu., W. X. Fu., Z. Zhang., Z. J. Yin, and Q. Zhang. 2013. Bayesian methods for estimating GEBVs of threshold traits. Heredity, 110(3): 213-219.