بهبود ارزیابی ژنومی گاوهای هلشتاین با استفاده از ماتریس روابط ژنومی بر پایه اطلاعات هاپلوتایپ ها

پژوهشهای علوم دامی ایران

مقاله 7، دوره 10، شماره 3 - شماره پیاپی 35، مهر 1397، صفحه 393-402   

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

شناسه دیجیتال (DOI): 10.22067/ijasr.v10i3.66156

نویسندگان

مهرنوش فروتن¹؛ سعید انصاری مهیاری^{* 2}؛ فلاویو شنکل³؛ مهدی سرگلزایی³

¹دانشگاه صنعتی اصفهان

²دانشکده کشاورزی، دانشگاه صنعتی اصفهان، اصفهان، ایران

³دانشگاه گوئلف

چکیده

امروزه استفاده از اطلاعات هاپلوتایپ‌ به منظور تخمین ارزش ‌اصلاحی ژنومی (GEBV) با صحت و دقت بالاتر مورد توجه قرار گرفته است. استفاده از شباهت بین هاپلوتایپ ها نسبت به مستقل در نظر گرفتن اثرات هاپلوتایپ‌ها می‌تواند منجر به قابلیت پیش‌گویی بالاتر برآوردهای ژنومی ‌گردد. هدف از این مطالعه بررسی صحت و اریبی GEBV به روش بهترین برآورد نااریب خطی ژنومی (GBLUP) با استفاده از ماتریس روابط خویشاوندی ژنومی بر پایه اطلاعات نشانگرهای چندشکلی تک نوکلئوتیدی (GSNP) و هاپلوتایپ‌ (GHAP) و ماتریس هیبرید شامل اطلاعات هاپلوتایپ‌ها وSNPها (GSNP,HAP) بود. ماتریس‌های روابط خویشاوندی ژنومی با استفاده از تراشه k50 برای جمعیت گاو شیری هلشتاین آمریکای شمالی برای صفات تولید چربی شیر، تولید شیر، نمره سلول بدنی، تیپ و روزهای باز تشکیل گردید. مقادیر صحت GEBV با استفاده از ماتریس GSNP و GHAP به ترتیب از 49/0 (روزهای باز) تا 72/0 (تولید چربی شیر) و 50/0(روزهای باز) تا 73/0 (تولید چربی شیر) متغیر بود. استفاده از ماتریس GHAP در مقایسه با دیگر ماتریس های مورد بررسی در این مطالعه منجر به برآوردهای نااریب‌تری در تمام صفات شد. استفاده از ماتریس GHAP نسبت به GSNP موجب 6 تا 15 درصد کاهش اریبی برآوردها در صفات مختلف گردید. یکی از دلایل بهبود اریبی برآوردها می تواند برآورد بهتر واریانس ژنتیکی در سطح جمعیت توسط هاپلوتایپ نشانگرها نسبت به نشانگر انفرادی باشد. بر اساس نتایج حاضر ماتریس GHAP می تواند جایگزین مناسبی برای GSNP در ارزیابی های ژنومی به منظور دستیابی به برآوردهای ارزش اصلاحی نااریب تر و دقیق تر باشد.

کلیدواژه‌ها

صحت؛ اریبی برآوردها؛ ماتریس روابط خویشاوندی ژنومیکی؛ هاپلوتایپ؛ گاو هلشتاین

مراجع

Bohmanova, J., M. Sargolzaei, and F. S. Schenkel. 2010. Characteristics of linkage disequilibrium in North American Holsteins. BMC Genomics, 11:421.

Calus, M. P. L., T. H. E. Meuwissen, A. P. W. de Roos, and R. F. Veerkamp. 2008. Accuracy of genomic selection using different methods to define haplotypes. Genetics, 178: 553–561.

Dekkers, J. C. M. 2005. Animal Breeding Strategies. Available at http:// www.anslab.iastate.edu/Class/AnS652X/Chapter4.pdf.

de Roos, A. P. W., C. Schrooten, and T. Druet. 2011. Genomic breeding value estimation using genetic markers, inferred ancestral haplotypes, and the genomic relationship matrix. Journal of Dairy Science, 94:4708–4714.

Edriss, V., B. Guldbrandtsen, M.S. Lund, and G. Su. 2013. Effect of marker-data editing on the accuracy of genomic prediction. Journal of Animal Breeding and Genetics, 130: 128–135.

Ferdosi, M. H., J. Henshall, and B. Tier. 2016. Study of the optimum haplotype length

to build genomic relationship matrices. Genetic Selection Evolution, 48:75.

Habier, D., R. L. Fernando, and J. C. M. Dekkers. 2007. The impact of genetic relationship information on genome-assisted breeding values. Genetics, 177: 2389–2397.

Habier, D., R. L. Fernando, and D. J. Garrick. 2013. Genomic BLUP decoded: a look into the black box of genomic prediction. Genetics, 194:597–607.

Hickey, J. M., B. P. Kinghorn, B. Tier, S. A. Clark, J. H. J. van der Werf, and G. Gorjanc. 2013. Genomic evaluations using similarity between haplotypes. Journal of Animal Breeding and Genetic, 130: 259-269.

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.

Meuwissen, T. H., J. Odegard, I. Andersen-Ranberg, and E. Grindflek. 2014. On the distance of genetic relationships and the accuracy of genomic prediction in pig breeding. Genetic Selection Evolution, 46:49.

Miglior, F., B. L. Muir, and B. J. Van Doormaal. 2005. Selection Indices in Holstein Cattle of Various Countries. Journal of Dairy Science, 88:1255–1263.

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, 7: 1738-1745.

Parker Gaddis, K. L., J. B. Cole, J. S. Clay, and C. Maltecca. 2014. Genomic selection for producer-recorded health event data in US dairy cattle. Journal of Dairy Science, 97:3197–3199.

Sargolzaei, M., and F. S. Schenkel. 2009. QMSim: A large-scale genome simulator for livestock. Bioinformatics, 25(5):680-681.

Sargolzaei, M., 2014. SNP1101 User’s Guide. Version 1.0. HiggsGene Solutions Inc., Guelph, Ontario, Canada.

Schaeffer, L. R. 2006. Strategy for applying genome wide selection in dairy cattle. Journal of Animal Breeding and Genetic, 123(4):218-223.

Su, G., O. F. Christensen, L. Janss, and M. S. Lund, 2014. Comparison of genomic predictions using genomic relationship matrices built with different weighting factors to account for locus-specific variances. Journal of Dairy Science, 97 :6547–6559.

VanRaden, P. M. 2008. Efficient methods to compute genomic predictions. Journal of Dairy Science, 91:4414–4423.

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. Journal of Dairy Science, 92:16–24.