تعداد نشریات | 49 |
تعداد شمارهها | 1,777 |
تعداد مقالات | 18,924 |
تعداد مشاهده مقاله | 7,755,155 |
تعداد دریافت فایل اصل مقاله | 5,024,424 |
مقایسه روشهای GBLUP و بیزی در برآورد ارزشهای اصلاحی ژنومی با معماریهای مختلف ژنتیکی | ||
پژوهشهای علوم دامی ایران | ||
مقاله 9، دوره 12، شماره 2 - شماره پیاپی 42، مرداد 1399، صفحه 241-250 اصل مقاله (590.43 K) | ||
نوع مقاله: علمی پژوهشی- ژنتیک و اصلاح دام و طیور | ||
شناسه دیجیتال (DOI): 10.22067/ijasr.v12i2.80862 | ||
نویسندگان | ||
رضا سید شریفی ![]() ![]() | ||
1گروه علوم دامی، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقـق اردبیلی، اردبیل، ایران. | ||
2دکتری ژنتیک و اصلاح دام، دانشگاه تبریز، تبریز، ایران. | ||
3گروه علوم دامی ، دانشکده کشاورزی و منابع طبیعی ، دانشگاه محقق اردبیلی، اردبیل، ایران | ||
چکیده | ||
انتخاب ژنومی با استفاده از نشانگرهای با تراکم بالا، بخصوص SNPهایی که کل ژنوم را پوشش میدهند و اغلب در عدم تعادل پیوستگی با QTLهای مجاور خود قرار دارند، ارزش ژنتیکی کل را پیشبینی میکند. این پژوهش با هدف بررسی تأثیر عواملی چون تراکم نشانگرها، تعداد QTL، وراثتپذیری صفت و نوع توزیع اثر QTL بر صحت برآورد ارزشهای اصلاحی ژنومی با استفاده از دادههای شبیهسازی در گوسفند انجام گرفت. به همین منظور ژنومی متشکل از سه کروموزوم، هر یک به طول 100 سانتیمورگان با سه مقدار وراثتپذیری برای صفت مورد بررسی (1/0، 3/0 و 5/0) و سه پنل نشانگری (500، 1000 و 1500) در سه سطح تعداد QTL (50، 100 و 150) با دو اثر توزیع یکنواخت و گاما برای QTL شبیهسازی شدند. صحت ارزشهای اصلاحی ژنومی برآورد شده با استفاده از پنج روش GBLUP، بیزA، بیزB، بیزC و بیز LASSO مورد مقایسه قرار گرفتند. نتایج این تحقیق نشان داد که هر چه تراکم نشانگر و وراثتپذیری صفت افزایش یافته و تعداد QTL مؤثر بر صفت کمتر باشد، صحت ارزش اصلاحی برآورد شده بالاتر خواهد بود. در بین روشهای آماری زمانی که تعداد QTL مؤثر بر صفت پایین است و توزیع اثر QTL گاما در نظر گرفته شد، پیشبینی ارزشهای اصلاحی ژنومی با روش بیزB عملکرد بهتری داشت. | ||
کلیدواژهها | ||
GBLUP؛ بیزA؛ بیزB؛ بیزC؛ بیزLASSO؛ ارزش اصلاحی ژنومی | ||
مراجع | ||
1- 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. Journal of Animal Breeding and Genetics, 129: 138-151.
2- 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.
3- Chamberlain, A. J., H. C. McPartlan, and M. E. Goddard.2007. The Number of Loci That Affect Milk Production Traits in Dairy Cattle. Genetics, 177: 1117-1123.
4- Coster, A., J. W. M, Bastiaansen, M. P. L, Calus, J. A. M, Van Arendonk, and H. Bovenhuis. 2010. Sensitivity of methods for estimating breeding values using genetic markers to the num-ber of QTL and distribution of QTL variance. Genetic Selection Evolution, 42: 9-15.
5- 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: 1021-1031.
6- Gilmour, A. R., R. Thompson, B. R. Cullis. 1995. Average information REML: an efficient algorithm for variance parameter estimation in linear mixed models. Biomet, 51: 1440-1450.
7- Goddard, M.E. 2008. Genomic selection prediction of accuracy and maximization of long term response. Genetics, 136: 245-257.
8- Haldane, J. B. S. 1919. The combination of linkage values and the calculation of distance between the loci of linked factors. Genetics, 8: 299–309.
9- Meuwissen, T. H. E. 2009. Accuracy of breeding values of ‘unrelated’ individuals predicted by dense SNP genotyping. Genetic Selection Evolution, 41: 35-47.
10- Meuwissen, T. H. E., B. Hayes, and M. E .Goddard. 2001. Prediction of total genetic value using genome-wide dense marker maps. Genetics, 157: 1819–1829.
11- Muir, W. M., G. K. S. Wong, Y. Zhang, J. Wang, M. A. M Groenen, R. Crooijmans, H. J. Megens, H. Zhang, R. Okimoto, A. Vereijken, A. Jungerius, G. A. A. Albers, C. T. Lawley, M. E .Delany, S. MacEachern, and H. H. Cheng. 2007. Genome-wide assessment of worldwide chicken SNP genetic diversity indicates significant absence of rare alleles in commercial breeds. Proceedings of the National Academy of Sciences of the United States of America, 105: 17312-17317.
12- Nejati-Javaremi, A., C. Smith, and P. J. Gibson.1997. Effect of total allelic relationship on accuracy of evaluation and response to selection. Journal of Animal Science, 75: 1738-1745.
13- R Core, T.2015. R A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria.
14- Saatchi, M., J. Ward, and D. J. Garrick. 2013. Accuracies of direct genomic breeding values in Hereford beef cattle using national or international training populations. Journal of Animal Science, 91: 1538–1551.
15- Sargolzaei, M. and F.S. Schenkel.2009. QMSim: a large-scale genome simulator for livestock. Bioinformatics, 25: 680-681.
16- Solberg, T. R., A. K. Sonesson., J. A. Woolliams, and T. H. E. Meuwissen. 2008. Genomic selection using different marker types and densities. Journal of Animal Science, 86: 2447-2454.
17- Sved, J.A. 1971. Linkage disequilibrium and homozygosity of chromosome segments in finite populations. Theorical Population Biology, 2: 125-141.
18- Villumsen, T. M., L. Janss, and M. S. Lund.2009. The importance of haplotype length and heritability using genomic selection in dairy cattle. Journal of Animal Breeding and Genetics, 126: 3-13.
19- Wimmer, V., C. Lehermeier, T. Albrecht, H. J .Auinger, Y. Wang, and C. C. Schön. 2013. Genome-wide prediction of traits with different genetic architecture through efficient variable selection. Genetics, 195: 573-587. | ||
آمار تعداد مشاهده مقاله: 523 تعداد دریافت فایل اصل مقاله: 350 |