دوره 10، شماره 26 - ( زمستان 1398 )                   جلد 10 شماره 26 صفحات 122-131 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Madad M, shodja J, Alijani S, Rafat S A, Dekkers J. Comparison of Single and Multi-Step Bayesian Methods for Predicting Genomic Breeding Values in Genotyped and Non-Genotyped Animals- A Simulation Study. rap. 2019; 10 (26) :122-131
URL: http://rap.sanru.ac.ir/article-1-1024-fa.html
مدد مصطفی، شجاع جلیل، علیجانی صادق، رافت سید عباس، دکرز جک. مقایسه روش‌های چند مرحله‌ای و تک ‌مرحله‌ای بیزی برای برآورد ارزش‌های اصلاحی ژنومی در حیوانات ژنوتیپ شده و نشده- مطالعه شبیه‌سازی. پژوهشهاي توليدات دامي. 1398; 10 (26) :122-131

URL: http://rap.sanru.ac.ir/article-1-1024-fa.html


گروه علوم دامی، دانشگاه تبریز، تبریز، ایران
چکیده:   (490 مشاهده)
     هدف از این مطالعه، مقایسه صحت ارزیابی ژنومی روش‌های چندمرحله‌ای BayesA، BayesB،BayesC ، BayesL و روش‌های تک‌مرحله‌ای بیزیSSBR-C و SSBR-A در مقادیر متفاوت π برای برآورد ارزش‌های اصلاحی ژنومی حیوانات تعیین ژنوتیپ شده و نشده بود. ژنومی حاوی 40000 نشانگر تک‌نوکلئوتیدی دوآللی پراکنده شده روی 20 کروموزوم هرکدام به طول 100 سانتی‌مورگان شبیه‌سازی شد. مقادیر بهینه π در روش BayesC به‌ترتیب 980/0 و 995/0 در دو توزیع نرمال و گامای اثرات ژنی برآورد شد و در روش SSBR-C نیز مورد استفاده قرار گرفت. صحت پیش‌بینی ژنومی در روش SSBR–C (π=0.995)  نسبت به سایر روش‌ها­ از 02/0 تا 09/0 در توزیع گامای اثرات ژنی بیش­تر برآورد شد. بنابراین، روشSSBR–C (π=0.995) با در نظر گرفتن توزیع مزدوج و استفاده همزمان از همه اطلاعات شجره‌ای، فنوتیپی و ژنومی توانست در حالت توزیع گامای اثرات ژنی عملکرد بهتری را از خود نشان داده و انتخاب مناسب‌تری به­ شمار ‌رود. کلیه روش‌های تک‌‌‌مرحله‌ای و چندمرحله­ای بیزی عملکرد تقریبا مشابهی را در حالت توزیع نرمال اثرات ژنی از خود نشان دادند. فلذا، در حالت توزیع نرمال اثرات ژنی توصیه می‌شود تا از روش SSBR–C (π=0) با توجه به ضریب تابعیت پیش‌بینی ژنومی نزدیک به یک استفاده شود. همچنین، افت صحت‌ پیش‌بینی ژنومی با افزایش فاصله نسلی بین جمعیت مرجع و تایید برای افراد ژنوتیپ شده در مقایسه با افراد ژنوتیپ نشده از حساسیت کمتری برخوردار بود.
متن کامل [PDF 1241 kb]   (93 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: ژنتیک و اصلاح نژاد دام
دریافت: 1398/4/11 | ویرایش نهایی: 1398/11/1 | پذیرش: 1398/6/20 | انتشار: 1398/11/1

فهرست منابع
1. Abdollahi-Arpanahi, R. 2013. The Impact of allelic architecture of complex traits on genetic evaluations and evolutionary genetics. Ph.D. dissertation Universityof Tehran, Tehran.
2. Abdollahi-Arpanahi, R., A. Pakdel, A. Nejati-Javaremi and M.M. Shahrbabak. Comparison ofdifferent methods of genomic evolution in traits with different genetic architecture. Journal of Animal Production, 15: 65-77 (In Persian).
3. Aguilar, I., I. Misztal, D.L. Johnson, A. Legarra and S. Tsuruta. 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. [DOI:10.3168/jds.2009-2730]
4. Calus, M.P. 2009. Genomic breeding value prediction: methods and procedures. Animal, 4(2): 157-164. [DOI:10.1017/S1751731109991352]
5. Chen, L, C. Li, M. Sargolzaei and F. Schenkel. 2014. Impact of genotype imputation on the performance of GBLUP and Bayesian methods for genomic prediction. PLoS ONE, 9(7): e101544. [DOI:10.1371/journal.pone.0101544]
6. Cheng, H., D.J. Garrick and R.L. Fernando. 2016. JWAS: Julia implementation of whole-genome analyses software using univariate and multivariate Bayesian mixed effects model. Retrieved June 8, 2019 from http://QTL.rocks.
7. Colombani, C., A. Legarra, S. Fritz, F. Guillaume, P. Croiseau, V. Ducrocq and C. Robert-Granié. 2012. Application of Bayesian least absolute shrinkage and selection operator (LASSO) and BayesCp methods for genomic selection in French Holstein and Montbéliarde breeds. Journal of Dairy Science, 96: 575-91. [DOI:10.3168/jds.2011-5225]
8. Daetwyler, H.D., K.E. Kemper, J.H. Vander Werf and B.J. Hayes. 2012. Components of the accuracy of genomic prediction in a multi-breed sheep population, Journal of Animal Science, 90(10): 3375-3384. [DOI:10.2527/jas.2011-4557]
9. De los Campos, G., H. Naya, D. Gianola, J. Crossa, A. Legarra, E. Manfredi, K. Weigel and J.M. Cotes. 2009. Predicting quantitative traits with regression models for dense molecular markers and pedigree. Genetics, 182(1): 375-385. [DOI:10.1534/genetics.109.101501]
10. De los Campos, G., A.I. Vazquez, R. Fernando, Y.C. Klimentidis and D. Sorensen. 2013. Prediction of complex human traits using the genomic best linear unbiased predictor. PLoS Genetics, 9: e1003608. [DOI:10.1371/journal.pgen.1003608]
11. Fernando, R.L., J.C. Dekkers and D.J. Garrick. 2014. A class of Bayesian methods to combine large numbers of genotyped and non-genotyped animals for whole-genome analyses. Genetics Selection Evolution, 46: 50. [DOI:10.1186/1297-9686-46-50]
12. Gianola, D., G. DeLos Campos, W.G. Hill, E. Manfredi and R. Fernando. 2009. Additive genetic variability and the Bayesian alphabet. Genetics, 183: 347-363. [DOI:10.1534/genetics.109.103952]
13. Goddard, M. 2009. Genomic selection: prediction of accuracy and maximization of long term response. Genetica, 136: 245-257. [DOI:10.1007/s10709-008-9308-0]
14. Habier, D., R.L. Fernando, J.C. Dekkers. 2007. The impact of genetic relationship information on genome-assisted breeding values. Genetics, 177(4): 2389-2397. [DOI:10.1534/genetics.107.081190]
15. Habier, D., J. Tetens, F.R. Seefried, P. Lichtner and G. Thaller. 2010. The impact of genetic relationship information on genomic breeding values in German Holstein cattle. Genetics Selection Evolution, 42(1): 5. [DOI:10.1186/1297-9686-42-5]
16. Habier, D., R.L. Fernando, K. Kizilkaya and D.J. Garrick. 2011. Extension of the Bayesian alphabet for genomic selection. BMC Bioinformatics, 2: 186-194. [DOI:10.1186/1471-2105-12-186]
17. Hayes, B.J., P.J. Bowman, A.J Chamberlain and M.E. Goddard. 2009. Invited review: Genomic selection in dairy cattle: Progress and challenges. Journal of DairyScience, 92: 433-443. [DOI:10.3168/jds.2008-1646]
18. Hickey, J., S. Dreisigacker, J. Crossa, S. Hearne, R. Babu, B. Prasanna, M. Grondona, A. Zambelli, V. Windhausen, K. Mathews and G. Gorjanc. 2014. Evaluation of genomic selection training population designs and genotyping strategies in plant breeding programs using simulation. Crop Science, 54: 1476-1488. [DOI:10.2135/cropsci2013.03.0195]
19. Kang, H., L. Zhou, R. Mrode, Q. Zhang and J.F. Liu. 2016. Incorporating single-step strategy into random regression model to enhance genomic prediction of longitudinal trait. Heredity, 119: 459-467. [DOI:10.1038/hdy.2016.91]
20. Karaman, E., H. Cheng, M.Z. Firat, D.J. Garrick and R.L. Fernando. 2016. An upper bound for accuracy of prediction using GBLUP. PLoS ONE, 11(8): e0161054. [DOI:10.1371/journal.pone.0161054]
21. Lee, J., H. Cheng, D. Garrick, B. Golden, J.C. Dekkers, K. Park, D. Lee and R. Fernando. 2017. Comparison of alternative approaches to single‑trait genomic prediction using genotyped and non‑genotyped Hanwoo beef cattle. Genetiscs Selection Evolution, 49: 2. [DOI:10.1186/s12711-016-0279-9]
22. Legarra, A., I. Aguilar and I. Misztal. 2009. A relationship matrix including full pedigree and genomic information. Journal of Dairy Science, 92: 4656-63. [DOI:10.3168/jds.2009-2061]
23. Meuwissen, T., B. Hayes and M. Goddard. 2001. Prediction of total genetic value using genome-wide dense marker maps. Genetics, 157: 1819-29.
24. Moschopoulos, P.G. 1985. The distribution of the sum of independent gamma random variables. Annals of the Institute of Statistical Mathematics, 37(1): 541-544. [DOI:10.1007/BF02481123]
25. Muir, W.M. 2007. Comparison of genomic and traditional BLUP-estimated breeding value accuracy and selection response under alternative trait and genomic parameters. Journal of Animal Breeding and Genetics, 124: 342-355. [DOI:10.1111/j.1439-0388.2007.00700.x]
26. Naderi, Y. 2018. The importance of genetic relationships and phenotypic record on genomic accuracy of simulated imputation data via animal models in presence of genotype × environment interactions. Research on Animal Production, 22: 119-130 (In Persian). [DOI:10.29252/rap.9.22.119]
27. Nejati-Javaremi, A., C. Smith and J. Gibson. 1997. Effect of total allelic relationship on accuracy of evaluation and response to selection. Journal of animal science, 75: 1738-45. [DOI:10.2527/1997.7571738x]
28. Park, T. and G. Casella. 2008. The Bayesian lasso. Journal of the American Statistical Association, 103: 681-6. [DOI:10.1198/016214508000000337]
29. Pérez, P. and G. Delos Campos. 2014. Genome-wide regression and prediction with the BGLR statistical package. Genetics, 198: 483-495. [DOI:10.1534/genetics.114.164442]
30. Saheb Alam, H., M. Gholizadeh, H. Hafezian and A. Farhadi. 2017. Comparison of Bayesian methods in the genomic evaluation with different genetic architecture. Research on Animal Production, 18: 177-186 (In Persian). [DOI:10.29252/rap.8.18.177]
31. Sargolzaei, M. and F.S. Schenkel. 2009. QMSim: a large-scale genome simulator for livestock. Bioinformatics, 25: 680. [DOI:10.1093/bioinformatics/btp045]
32. Toghiani, S., S.E. Aggrey and R. Rekaya. 2016. Multi-generational imputation of single nucleotide polymorphism marker genotypesand accuracy of genomic selection. Animal, 10: 1077-85. [DOI:10.1017/S1751731115002906]
33. 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. [DOI:10.3168/jds.2008-1514]
34. Wolc, A., J. Arango, P. Settar, J.E. Fulton, N.P. O'Sullivan and J.C. Dekkers. 2016. Mixture models detect large effect QTL better than GBLUP and result in more accurate and persistent predictions. Journal of Animal Science, 7: 7. [DOI:10.1186/s40104-016-0066-z]
35. Zhou, L., R. Mrode, S. Zhang, Q. Zhang, B. Li and J. Liu. 2018. Factors affecting GEBV accuracy with single-step Bayesian models. Heredity, 120: 100-109. [DOI:10.1038/s41437-017-0010-9]

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به پژوهشهای تولیدات دامی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2020 All Rights Reserved | Research On Animal Production(Scientific and Research)

Designed & Developed by : Yektaweb