پویش ژنومی برای صفات مهم اقتصادی بلدرچین ژاپنی-مقایسه روش‌های چند مرحله‌ای بیز B و تک مرحله‌ای GBLUP

پژوهشهای علوم دامی ایران

مقاله 10، دوره 14، شماره 2 - شماره پیاپی 50، تیر 1401، صفحه 283-294   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/ijasr.2022.74284.1059

نویسندگان

حسین محمّدی^{* 1}؛ امیر حسین خلت آبادی فراهانی²؛ محمد حسین مرادی²؛ ابوذر نجفی³

¹گروه علوم دامی، دانشکده کشاورزی و منابع طبیعی، دانشگاه اراک، اراک، ایران.

²گروه علوم دامی، دانشکده کشاورزی و منابع طبیعی، دانشگاه اراک، اراک، ایران

³گروه علوم دام و طیور، پردیس ابوریحان، دانشگاه تهران، پاکدشت، ایران.

چکیده

هدف پژوهش حاضر، مقایسه میزان واریانس ژنتیکی افزایشی توجیه شده روش­ چند مرحله­ای بیزB  (MS-BayesB) با روش­­ پویش کل ژنومی تک مرحله­ای تصحیح شده مکرر (WssGWAS) برای صفات مرتبط با بازدهی خوراک در 920 قطعه بلدرچین ژاپنی بود. برای هر پرنده، افزایش وزن بدن (BWG)، میزان خوراک مصرفی (FI) و ضریب تبدیل خوراک (FCR) رکورد اندازه­گیری شده و با استفاده از یک تراشه SNP ژنوم بلدرچین ژاپنی (Illumina iSelect 4K) تعیین ژنوتیپ شدند. میزان اثر هر یک SNPها با استفاده از نرم افزار GenSel و BLUPF90 برآورد گردید. پنجره­هایی که بیش از ­1­% واریانس را بیان می­کردند به عنوان مناطق ژنومی اصلی استفاده شدند. نتایج این پژوهش نشان داد در مجموع روش WssGWAS از نظر میزان واریانس ژنتیکی افزایشی بیان شده در مقایسه با روش MS-BayesB عملکرد بهتری داشت. تعداد 15 پنجره ژنومی با بیش از 1­% واریانس ژنتیکی بیان شده روی 10 کروموزوم مختلف، 1/23% واریانس ژنتیکی صفت افزایش وزن بدن را توجیه می­کردند. تعداد 14 پنجره روی 9 کروموزوم مرتبط با میزان خوراک مصرفی بودند. این پنجره­ها 3/28% واریانس ژنتیکی را بیان می­کردند. همچنین برای ضریب تبدیل خوراک تعداد 12 منطقه ژنومی روی 9 کروموزوم، سهم 4/27% از واریانس ژنتیکی کل داشتند. نتایج این پژوهش نشان داد که در مجموع روش WssGWAS به علت استفاده همزمان از اطلاعات شجره­ای، فنوتیپی و ژنوتیپی عملکرد بهتری در مقایسه با روش­ چند مرحله­ای BayesB دارد. علاوه بر این، با توجه به شناسایی مناطق ژنومی جدید و نقش کلیدی ژن­های ذکر شده در ایجاد صفات وزن بدن و بازده خوراک می­توان کارآیی روش WssGWAS برای پویش ژنومی در صفات مهم اقتصادی در بلدرچین ژاپنی را تأیید کرد.

کلیدواژه‌ها

بلدرچین؛ پنجره ژنومی؛ پویش ژنومی؛ واریانس ژنتیکی

مراجع

1. Aguilar, I., I. Misztal, D. L. Johnson, A. Legarra, S. Tsuruta and T. J. Lawlor. 2010. Hot topic: a unified approach to utilize phenotypic, full pedigree, and genomic information for genetic evaluation of Holstein final score. Journal of Dairy Science, 93: 743–752.
2. Christensen, O. F. and M. S. Lund. 2010. Genomic prediction when some animals are not genotyped. Genetics Selection Evolution, 42:242.
3. Do, D. N., A. B. Strathe, T. Ostersen, J. Jensen, T. Mark and H. N. Kadarmideen. 2013. Genome-wide association study reveals genetic architecture of eating behavior in pigs and its implications for human obesity by comparative mapping. PLoS One, 8(8):e71509.
4. Fernando, R. L. and D. J. Garrick. 2009. GenSel – User manual for a portfolio of genomic selection related analyses. Available: http://bigs.ansci.iastate.edu/.
5. Fernando, R. L. and D. J. Garrick. 2013. Genome-Wide Association Studies and Genomic Prediction. Berlin: Springer Series. pp. 237–274.
6. Guarini, A. R., D. A. L. Lourenco, L. F. Brito, M. Sargolzaei, C. F. Baes and F. Miglior. 2019. Genetics and genomics of reproductive disorders in Canadian Holstein cattle. Journal of Dairy Science, 102, 1341–1353.
7. Han, Y. and F. Peñagaricano. 2016. Unravelling the genomic architecture of bull fertility in Holstein BMC genetics, 17(1): 143.
8. Honarvar, M., M. Sadeghi, H. Moradi-Shahrebabak, S. H. Behzadi, H. Mohammadi and A. Lavaf. 2012. Study of Polymorphisms in the 5´ Flanking Region of the Ovine IGF-I Gene in Zel Sheep. World Applied Sciences Journal, 16 (5): 726-728.
9. Kang, H., D. Zhao, H. Xiang, J. Li, G. Zhao and H. Li. 2021. Large-scale transcriptome sequencing in broiler chickens to identify candidate genes for breast muscle weight and intramuscular fat content. Genetics Selection Evolution, 53(1):66.
10. Lee, S., C. Dang, Y. Choy, C. Do, K. Ho, J. Kim, Y. Kim and J. Lee. 2019. Comparison of genome-wide association and genomic prediction methods for milk production traits in Korean Holstein cattle. Asian-Australas Journal of Animal Science, 32(7): 913-921.
11. Lourenco, D. A. L., B. O. Fragomeni, H. L. Bradford, I. R. Menezes, J. B. S. Ferraz and I. Aguilar. 2017. Implications of SNP weighting on single-step genomic predictions for different reference population sizes. Journal of Animal Breeding and Genetics, 134: 463–471.
12. Lu, Y., S. Chen and N. Yang. 2013. Expression and methylation of FGF2, TGF-β and their downstream mediators during different developmental stages of leg muscles in chicken. PLoS One, 8(11):e79495.
13. Misztal, S. Tsuruta, D. Lourenco, I. Aguilar, A. Legarra, and Z. Vitezica. 2018. Manual for BLUPF90 Family of Programs, pp. 125. University of Georgia, Athens, GA.
14. Marchesi, J. A. P., R. K. Ono, M. E. Cantão, A. M. G. Ibelli, J. O. Peixoto, G. C. M. Moreira, T. F. Godoy, L. L. Coutinho, D. P. Munari and M. C. Ledur. 2021. Exploring the genetic architecture of feed efficiency traits in chickens. Scientific Reports, 11(1):4622.
15. Moreira, C. M., C. Boschiero, A. S. M. Cesar, J. M. Reecy, T. F. Godoy, P. A. Trevisoli, M. E. Cantão, M. C. Ledur, A. M. G. Ibelli, J. O. Peixoto, D. Garrick and L. L. Coutinho. 2018. A genome-wide association study reveals novel genomic regions and positional candidate genes for fat deposition in broiler chickens. BMC Genomics, 19(1):374.
16. Meuwissen, T. R. Solberg, R. Shepherd and J. A. Woolliams. 2009. A fast algorithm for BayesB type of prediction of genome-wide estimates of genetic value. Genetics Selection Evolution, 41: 50- 63.
17. Neijat, M., P. Eck and J. D. House. 2017. Impact of dietary precursor ALA versus preformed DHA on fatty acid profiles of eggs, liver and adipose tissue and expression of genes associated with hepatic lipid metabolism in laying hens. Prostaglandins Leukot Essent Fatty Acids, 119: 1–17.
18. Purcell, S., B. Neale, K. Todd-Brown, L. Thomas, M. A. R. Ferreira and D. Bender. 2007. PLINK: a toolset for whole-genome association and population-based linkage analysis. The American Journal of Human Genetics, 81:559-575.
19. Ran, J., J. Li, L. Yin, D. Zhang, C. Yu, H. Du, X. Jiang, C. Yang and Y. Liu. 2021. Comparative Analysis of Skeletal Muscle DNA Methylation and Transcriptome of the Chicken Embryo at Different Developmental Stages. Frontiers in Physiology, 12:697121.
20. Rescan, P.Y. 2001. Regulation and functions of myogenic regulatory factors in lower vertebrates. Comparative Biochemistry and Physiology-Part B: Biochemistry & Molecular Biology, 130: 1-12.
21. Tsou, R. and K. Bence. 2013. Central regulation of metabolism by protein tyrosine phosphatases. Frontiers in Neuroscience, 6: 1-11.
22. VanRaden, P. M. 2008. Efficient methods to compute genomic predictions. Journal of Dairy Science, 91(11): 4414-4423.
23. Vollmar, V. Haas, M. Schmid, S. Preuß, R. Joshi, M. Rodehutscord and J. Bennewitz. 2021. Mapping genes for phosphorus utilization and correlated traits using a 4k SNP linkage map in Japanese quail (Coturnix japonica). Animal Genetics, 52(1): 90-98.
24. Wang, H., I. Misztal, I. Aguilar, A. Legarra and W. Muir. 2012. Genome-wide association mapping including phenotypes from relatives without genotypes. Genetics Research, 94(2): 73-83.
25. Wang, H., I. Misztal, I. Aguilar, A. Legarra, R. L. Fernando, Z. Vitezica, R. Okimoto, T. Wing, R. Hawken and W.M. Muir. 2014. Genome-wide association mapping including phenotypes from relatives without genotypes in a single-step (ssGWAS) for 6-week body weight in broiler chickens. Frontiers in Genetics, 5: 134. 
26. Xiao, C., J. Deng, L. Zeng, T. Sun, Z. Yang and X. Yang. 2021. Transcriptome Analysis Identifies Candidate Genes and Signaling Pathways Associated With Feed Efficiency in Xiayan Chicken. Frontiers in Genetics, 12:607719.
27. Xue, Q., G. Zhang, T. Li, J. Ling, X. Zhang and J. Wang. 2017. Transcriptomic profile of leg muscle during early growth in chicken. PLoS One, 12(3):e0173824.
28. Zhang, X., D. Lourenco, I. Aguilar, A. Legarra and I. Misztal. 2016. Weighting strategies for single-step genomic BLUP: an iterative approach for accurate calculation of GEBV and GWAS. Frontiers in Genetics, 7:151. doi: 10.3389/fgene.2016.00151.
29. Zhou, C., C. Li, W. Cai, S. Liu, H. Yin, S. Shi, Q. Zhang and S. Zhang. 2019. Genome-Wide Association Study for Milk Protein Composition Traits in a Chinese Holstein Population Using a Single-Step Approach. Frontiers in Genetics, 10:72.