اخبار و اعلانات

 آمار

تعداد نشریات51
تعداد شماره‌ها1,994
تعداد مقالات20,806
تعداد مشاهده مقاله38,728,023
تعداد دریافت فایل اصل مقاله18,176,951
مظلوم, سید مصطفی, شریعتی, محمد مهدی. (1402). مقایسه ماتریس‌های روابط خویشاوندی ژنومی متفاوت در پویش ژنومی وزن‌دهی شده چند جمعیتی. سامانه مدیریت نشریات علمی, 15(4), 585-597. doi: 10.22067/ijasr.2023.79619.1108
سید مصطفی مظلوم; محمد مهدی شریعتی. "مقایسه ماتریس‌های روابط خویشاوندی ژنومی متفاوت در پویش ژنومی وزن‌دهی شده چند جمعیتی". سامانه مدیریت نشریات علمی, 15, 4, 1402, 585-597. doi: 10.22067/ijasr.2023.79619.1108
مظلوم, سید مصطفی, شریعتی, محمد مهدی. (1402). 'مقایسه ماتریس‌های روابط خویشاوندی ژنومی متفاوت در پویش ژنومی وزن‌دهی شده چند جمعیتی', سامانه مدیریت نشریات علمی, 15(4), pp. 585-597. doi: 10.22067/ijasr.2023.79619.1108
مظلوم, سید مصطفی, شریعتی, محمد مهدی. مقایسه ماتریس‌های روابط خویشاوندی ژنومی متفاوت در پویش ژنومی وزن‌دهی شده چند جمعیتی. سامانه مدیریت نشریات علمی, 1402; 15(4): 585-597. doi: 10.22067/ijasr.2023.79619.1108

مقایسه ماتریس‌های روابط خویشاوندی ژنومی متفاوت در پویش ژنومی وزن‌دهی شده چند جمعیتی

پژوهشهای علوم دامی ایران
مقاله 9، دوره 15، شماره 4 - شماره پیاپی 56، دی 1402، صفحه 585-597    اصل مقاله (1.18 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22067/ijasr.2023.79619.1108
نویسندگان
سید مصطفی مظلوم؛ محمد مهدی شریعتی*
گروه علوم دامی، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران
چکیده
هدف از پژوهش حاضر، انتخاب بهترین ماتریس روابط خویشاوندی ژنومی برای پویش ژنومی چندجمعیتی است. ساختار ژنتیکی جمعیت­ها منحصر به فرد هستند، بنابراین برای تشکیل ماتریس روابط خویشاوندی ژنومی چند جمعیتی از ماتریس روابط خویشاوندی ژنومی بلوک­بندی شده استفاده می‌شود. در این مطالعه، ابتدا دو جمعیت با ساختار ژنتیکی متفاوت شبیه­سازی شدند. سپس ماتریس روابط خویشاوندی ژنومی معمولی (G)، ماتریس روابط خویشاوندی ژنومی بلوک­بندی شده (BG) و ماتریس روابط خویشاوندی ژنومی بلوک­بندی وزن­دهی شده با واریانس ژنوتیپی برآورد شده با بیز B (WBG) برای حیوانات تشکیل شدند و برای مطالعات پویش ژنومی تک مرحله­ای استفاده شدند. علاوه‌بر آن، با روش بیزB پویش ژنومی انجام شد و با پویش‌های ژنومی تک مرحله­ای مقایسه شدند. نتایج پویش ژنومی با استفاده از ماتریس­های روابط خویشاوندی G، BG و WBG نشان داد که به‌طور میانگین به‌ترتیب 14، 16، 21 نشانگر ژنومی مرتبط با QTL‌های صفات شناسایی شدند که واریانس ژنتیکی توجیه شده بالای یک درصد دارند. همچنین با استفاده از روش آماری بیز B تنها دو نشانگر ژنومی با واریانس بالای یک درصد شناسایی شدند. علاوه‌براین، میانگین صحت­های پیش­بینی ارزش اصلاحی ژنومی در لحظه هم­گرایی با استفاده از ماتریس­های G، BG و WBG به‌ترتیب 36/0، 39/0، 43/0 برآورد شدند. نتیجه گیری کلی نشان­داد که استفاده از ماتریس­های روابط خویشاوندی ژنومی BG و WBG می­تواند باعث بهبود پویش ژنومی چندجمعیتی یا چندنژادی شود. 
کلیدواژه‌ها
بیزB؛ پویش ژنومی چند جمعیتی؛ ماتریس روابط خویشاوندی ژنومی بلوکی؛ ماتریس روابط خویشاوندی ژنومی
مراجع
  1. Aguilar , I., Misztal, I., Johnson, D. L., Legarra, A., Tsuruta, S., & Lawlor, T. J. (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(2),743–752. https://doi.org/10.3168/jds.2009-2730
  2. Alvarenga, A. B., Veroneze, R., Oliveira, H. R., Marques, D. B. D., Lopes, P. S., Silva, F. F., & Brito, L. F. (2020). Comparing alternative single-step GBLUP approaches and training population designs for genomic evaluation of crossbred animals. Frontiers in Genetics, 11(April),1–19. https://doi.org/10.3389/fgene.2020.00263
  3. Campos, G. D. L., Vazquez, A. I., Fernando, R., Klimentidis, Y. C., Sorensen, D., de los Campos, G., Vazquez, A. I., Fernando, R., Klimentidis, Y. C., & Sorensen, D. (2013). Prediction of complex human traits using the genomic best linear unbiased predictor. PLoS Genetics, 9(7). https://doi.org/10.1371/journal.pgen.1003608
  4. Cesarani, A., Lourenco, D., Tsuruta, S., Legarra, A., Nicolazzi, E. L., VanRaden, P. M., & Misztal, I. (2022). Multibreed genomic evaluation for production traits of dairy cattle in the United States using single-step genomic best linear unbiased predictor. Journal of Dairy Science, 105(6),5141–5152. https://doi.org/10.3168/jds.2021-21505
  5. Cole, J. B., van Raden, P. M., O’Connell, J. R., van Tassell, C. P., Sonstegard, T. S., Schnabel, R. D., Taylor, J. F., & Wiggans, G. R. (2009). Distribution and location of genetic effects for dairy traits. Journal of Dairy Science, 92(6),2931–2946. https://doi.org/10.3168/jds.2008-1762
  6. Daetwyler, H. D., Kemper, K. E., van der Werf, J. H. J., & Hayes, B. J. (2012). Components of the accuracy of genomic prediction in a multi-breed sheep population. Journal of Animal Science, 90(10),3375–3384. https://doi.org/10.2527/jas.2011-4557
  7. De Roos, A. P. W., Hayes, B. J., Spelman, R. J., & Goddard, M. E. (2008). Linkage disequilibrium and persistence of phase in Holstein-Friesian, Jersey and Angus cattle. Genetics, 179(3),1503–1512. https://doi.org/10.1534/genetics.107.084301
  8. Erbe, M., Hayes, B. J., Matukumalli, L. K., Goswami, S., Bowman, P. J., Reich, C. M., Mason, B. A., & Goddard, M. E. (2012). Improving accuracy of genomic predictions within and between dairy cattle breeds with imputed high-density single nucleotide polymorphism panels. Journal of Dairy Science, 95(7),4114–4129. https://doi.org/10.3168/jds.2011-5019
  9. Gao, H., Christensen, O. F., Madsen, P., Nielsen, U. S., Zhang, Y., Lund, M. S., & Su, G. (2012). Comparison on genomic predictions using three GBLUP methods and two single-step blending methods in the Nordic Holstein population. Genetics Selection Evolution, 44(1),8. https://doi.org/10.1186/1297-9686-44-8
  10. Goddard, M. E., & Hayes, B. J. (2009). Mapping genes for complex traits in domestic animals and their use in breeding programmes. Nature Reviews Genetics, 10(6),381–391. https://doi.org/10.1038/nrg2575
  11. Gualdrón Duarte, J. L., Gori, A. S., Hubin, X., Lourenco, D., Charlier, C., Misztal, I., & Druet, T. (2020). Performances of Adaptive MultiBLUP, Bayesian regressions, and weighted-GBLUP approaches for genomic predictions in Belgian Blue beef cattle. BMC Genomics, 21(1). https://doi.org/10.1186/s12864-020-06921-3
  12. Kemper, K. E., Reich, C. M., Bowman, P. J., Vander Jagt, C. J., Chamberlain, A. J., Mason, B. A., Hayes, B. J., & Goddard, M. E. (2015). Improved precision of QTL mapping using a nonlinear Bayesian method in a multi-breed population leads to greater accuracy of across-breed genomic predictions. Genetics Selection Evolution, 47(1),1–17. https://doi.org/10.1186/s12711-014-0074-4
  13. Legarra, A., Christensen, O. F., Aguilar, I., & Misztal, I. (2014). Single Step, a general approach for genomic selection. Livestock Science, 166(1),54–65. https://doi.org/10.1016/j.livsci.2014.04.029
  14. Legarra, A., Christensen, O. F., Vitezica, Z. G., Aguilar, I., & Misztal, I. (2015). Ancestral relationships using metafounders: Finite ancestral populations and across population relationships. Genetics, 200(2),455–468. https://doi.org/10.1534/genetics.115.177014
  15. Liu, X., Tian, D., Li, C., Tang, B., Wang, Z., Zhang, R., Pan, Y., Wang, Y., Zou, D., Zhang, Z., & Song, S. (2023). GWAS Atlas: An updated knowledgebase integrating more curated associations in plants and animals. Nucleic Acids Research, 51(D1),D969–D976. https://doi.org/10.1093/nar/gkac924
  16. Lourenco, D., Legarra, A., Tsuruta, S., Masuda, Y., Aguilar, I., & Misztal, I. (2020). Single-step genomic evaluations from theory to practice: using snp chips and sequence data in blupf90. Genes, 11(7),1–32. https://doi.org/10.3390/genes11070790
  17. Lund, M. S., Sahana, G., de Koning, D. J., Su, G., & Carlborg, Ö. (2009). Comparison of analyses of the QTLMAS XII common dataset. I: Genomic selection. BMC Proceedings, 3(S1),1–8. https://doi.org/10.1186/1753-6561-3-s1-s1
  18. Meuwissen, T. H., Solberg, T. R., Shepherd, R., & Woolliams, J. A. (2009). A fast algorithm for BayesB type of prediction of genome-wide estimates of genetic value. Genetics Selection Evolution, 41(2),1–10. https://doi.org/10.1186/1297-9686-41-2
  19. Pedrosa, V. B., Boerman, J. P., Gloria, L. S., Chen, S.-Y., Montes, M. E., Doucette, J. S., & Brito, L. F. (2023). Genomic-based genetic parameters for milkability traits derived from automatic milking systems in North American Holstein cattle. Journal of Dairy Science, 106(4), 2613-2629. https://doi.org/10.3168/jds.2022-22515
  20. Pérez, P., & De Los Campos, G. (2014). Genome-wide regression and prediction with the BGLR statistical package. Genetics, 198(2),483–495. https://doi.org/10.1534/genetics.114.164442
  21. Purcell, S., Neale, B., Todd-Brown, K., Thomas, L., Ferreira, M. A. R., Bender, D., Maller, J., Sklar, P., De Bakker, P. I. W., Daly, M. J., & Sham, P. C. (2007). PLINK: A tool set for whole-genome association and population-based linkage analyses. American Journal of Human Genetics, 81(3),559–575. https://doi.org/10.1086/519795
  22. Raven, L. A., Cocks, B. G., & Hayes, B. J. (2014). Multibreed genome wide association can improve precision of mapping causative variants underlying milk production in dairy cattle. BMC Genomics, 15(1). https://doi.org/10.1186/1471-2164-15-62
  23. Reales, G., & Wallace, C. (2023). Sharing GWAS summary statistics results in more citations. Communications Biology, 6(1),6–11. https://doi.org/10.1038/s42003-023-04497-8
  24. Sanchez, M. P., Govignon-Gion, A., Croiseau, P., Fritz, S., Hozé, C., Miranda, G., Martin, P., Barbat-Leterrier, A., Letaïef, R., Rocha, D., Brochard, M., Boussaha, M., & Boichard, D. (2017). Within-breed and multi-breed GWAS on imputed whole-genome sequence variants reveal candidate mutations affecting milk protein composition in dairy cattle. Genetics Selection Evolution, 49(1),68. https://doi.org/10.1186/s12711-017-0344-z
  25. Su, G., Christensen, O. F., Janss, L., & Lund, M. S. (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. https://doi.org/10.3168/jds.2014-8210
  26. Su, G., Guldbrandtsen, B., Gregersen, V. R., & Lund, M. S. (2010). Preliminary investigation on reliability of genomic estimated breeding values in the Danish Holstein population. Journal of Dairy Science, 93(3),1175–1183. https://doi.org/10.3168/jds.2009-2192
  27. Tiezzi, F., & Maltecca, C. (2015). Accounting for trait architecture in genomic predictions of US Holstein cattle using a weighted realized relationship matrix. Genetics Selection Evolution, 47(1),1–13. https://doi.org/10.1186/s12711-015-0100-1
  28. van den Berg, I., Boichard, D., & Lund, M. S. (2016). Comparing power and precision of within-breed and multibreed genome-wide association studies of production traits using whole-genome sequence data for 5 French and Danish dairy cattle breeds. Journal of Dairy Science, 99(11),8932–8945. https://doi.org/10.3168/jds.2016-11073
  29. Vanraden, P. M. (2008). Efficient Methods to Compute Genomic Predictions. Journal of Dairy Science, 91(11),4414–4423. https://doi.org/10.3168/jds.2007-0980
  30. Veroneze, R., Lopes, P. S., Lopes, M. S., Hidalgo, A. M., Guimarães, S. E. F., Harlizius, B., Knol, E. F., van Arendonk, J. A. M., Silva, F. F., & Bastiaansen, J. W. M. (2016). Accounting for genetic architecture in single- and multipopulation genomic prediction using weights from genomewide association studies in pigs. Journal of Animal Breeding and Genetics, 133(3),187–196. https://doi.org/10.1111/jbg.12202
  31. Wang, H., Misztal, I., Aguilar, I., Legarra, A., Fernando, R. L., Vitezica, Z., Okimoto, R., Wing, T., Hawken, R., & Muir, W. M. (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(MAY),134. https://doi.org/10.3389/fgene.2014.00134
  32. Wang, H., Misztal, I., Aguilar, I., Legarra, A., & Muir, W. M. (2012). Genome-wide association mapping including phenotypes from relatives without genotypes. Genetics Research, 94(2),73–83. https://doi.org/10.1017/S0016672312000274
  33. Wientjes, Y. C. J., Bijma, P., Vandenplas, J., & Calus, M. P. L. (2017). Multi-population genomic relationships for estimating current genetic variances within and genetic correlations between populations. Genetics, 207(2),503–515. https://doi.org/10.1534/genetics.117.300152
  34. Wientjes, Y. C. J., Calus, M. P. L., Goddard, M. E., & Hayes, B. J. (2015). Impact of QTL properties on the accuracy of multi-breed genomic prediction. Genetics Selection Evolution, 47(1),42. https://doi.org/10.1186/s12711-015-0124-6
  35. Wijesena, H. R., Nonneman, D. J., Snelling, W. M., Rohrer, G. A., Keel, B. N., & Lents, C. A. (2023). gBLUP-GWAS identifies candidate genes, signaling pathways, and putative functional polymorphisms for age at puberty in gilts. Journal of Animal Science. https://doi.org/10.1093/jas/skad063
  36. Wu, X., Lund, M. S., Sun, D., Zhang, Q., & Su, G. (2015). Impact of relationships between test and training animals and among training animals on reliability of genomic prediction. Journal of Animal Breeding and Genetics, 132(5),366–375. https://doi.org/10.1111/jbg.12165
  37. Zhang, X., Lourenco, D., Aguilar, I., Legarra, A., & Misztal, I. (2016). Weighting strategies for single-step genomic BLUP: An iterative approach for accurate calculation of GEBV and GWAS. Frontiers in Genetics, 7(AUG),151. https://doi.org/10.3389/fgene.2016.00151
  38. Zhang, Z., Liu, J., Ding, X., Bijma, P., de Koning, D. J., & Zhang, Q. (2010). Best linear unbiased prediction of genomic breeding values using a trait-specific marker-derived relationship matrix. PLoS ONE, 5(9),1–8. https://doi.org/10.1371/journal.pone.0012648
  39. Zhang, Z., Ober, U., Erbe, M., Zhang, H., Gao, N., He, J., Li, J., & Simianer, H. (2014). Improving the Accuracy of Whole Genome Prediction for Complex Traits Using the Results of Genome Wide Association Studies. PLoS ONE, 9(3),1–12. https://doi.org/10.1371/journal.pone.0093017
  40. Zhou, L., Lund, M. S., Wang, Y., & Su, G. (2014). Genomic predictions across Nordic Holstein and Nordic Red using the genomic best linear unbiased prediction model with different genomic relationship matrices. Journal of Animal Breeding and Genetics, 131(4). https://doi.org/10.1111/jbg.12089

 

آمار
تعداد مشاهده مقاله: 1,725
تعداد دریافت فایل اصل مقاله: 1,026


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب