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، تیر 1399، صفحه 241-250   

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

شناسه دیجیتال (DOI): 10.22067/ijasr.v12i2.80862

نویسندگان

رضا سید شریفی^{* 1}؛ فاطمه علاء نوشهر²؛ نعمت هدایت ایوریق³؛ جمال سیف دواتی¹

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.