دوره 11، شماره 30 - ( زمستان 1399 )
جلد 11 شماره 30 صفحات 108-101 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Atefi A, Shadparvar A A, Ghavi Hossein-Zadeh N. (2020). Effect of Markers Effect Estimation Methods, Population Structure and Trait Architercture on the Accuracy of Genomic Breeding Values. Res Anim Prod. 11(30), 101-108. doi:10.52547/rap.11.30.101
URL: http://rap.sanru.ac.ir/article-1-1087-fa.html
URL: http://rap.sanru.ac.ir/article-1-1087-fa.html
عاطفی عباس، شادپرور عبدالاحد، قوی حسین زاده نوید. تغییرات صحت ارزش های اصلاحی ژنومی تحت تاثیر روش های آماری برآورد اثر نشانگری، خصوصیات جمعیت و معماری ژنتیکی صفت پژوهشهاي توليدات دامي 1399; 11 (30) :108-101 10.52547/rap.11.30.101
1- گروه علوم دامی، دانشگاه گیلان
2- گروه علوم دامی،دانشگاه گیلان
2- گروه علوم دامی،دانشگاه گیلان
چکیده: (2905 مشاهده)
هدف تحقیق حاضر بررسی اثر روش برآورد اثرات نشانگرها، توزیع اثرات QTLها، تعداد QTL، اندازه مؤثر جمعیت و وراثت پذیری صفت بر صحت ارزیابی‌های ژنومی بود. جمعیت پایه با دو اندازه مؤثر 100 و 500 فرد در نظر گرفته شده و به وسیله نرم افزار QMSim شبیه سازی شد. برای انجام این تحقیق، ژنومی متشکل از یک کروموزوم به طول 100 سانتیمورگان با تعداد 500 نشانگر SNP در طول ژنوم و با تعداد متفاوت QTL (50 و 200) که آنها نیز به‌طور تصادفی روی کروموزوم پراکنده شدهاند شبیه سازی شد. مقادیر وراثتپذیری بررسی شده در تحقیق حاضر نماینده صفات با وراثتپذیری پایین (0/1)، متوسط (0/3) و بالا (0/5) بودند. ارزشهای اصلاحی ژنومی بهوسیله روشهای رگرسیون ریج بیزی (BRR)، بیز A( BayesA)، بیز B( BayesB)، بیز C(BayesC)، بیز لزو ) BayesL)، روش نیمه پارامتری بر پایه کرنل (RKHS ) و شبکه های عصبی (NN) پیشبینی شدند. بر اساس نتایج به دست آمده، عوامل وراثتپذیری، اندازه مؤثر جمعیت، روش برآورد اثرات نشانگری، توزیع QTL و تعداد QTL بر صحت ارزیابی ژنومی تأثیر محسوسی داشتند. بین روشهای برآورد اثرات نشانگری، روشهای بیز A و B بیشترین و روش شبکه های عصبی کمترین صحت را داشتند. در تحقیق حاضر با افزایش وراثتپذیری و تعداد QTL، صحت پیش بینی های ژنومی افزایش و برعکس با کاهش اندازه مؤثر جمعیت، کاهش یافت. بیشترین صحت زمانی به دست آمد که QTLها دارای توزیع نرمال بودند.
فهرست منابع
1. Abdollahi-Arpanahi, R., A. Pakdel, A. Nejati-Javaremi and M. Moradi Shahrebabak. 2014. Comparison of genomic evaluation methods in complex traits with different genetic architecture. Journal of Animal Production, 15(1): 65-77 (In Persian).
2. Atefi, A., A.A. Shadparvar and N. Ghavi Hossein-Zadeh. 2016. Comparison of whole genome prediction accuracy across generations using parametric and semi parametric methods. Acta Scientiarum. Animal Sciences, 38(4): 447-453. [DOI:10.4025/actascianimsci.v38i4.32023]
3. Atefi, A., A.A. Shadparvar and N. Ghavi Hossein-Zadeh. 2018. Accuracy of genomic prediction under different genetic architectures and estimation Mmethods. Iraninan Journal of Applied Animal Science, 8(1): 43-52.
4. Baneh, H., A. Nejati Javaremi, G. Rahimi-Mianji and M. Honarvar.2015. Genomic Evaluation of Threshold Traits with Different Genetic Architecture using Bayesian Approaches. Research on Animal Production, 8 (14): 149-154 (In Persian). [DOI:10.29252/rap.8.15.149]
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(3): 1021-1031. [DOI:10.1534/genetics.110.116855]
6. De los Campos, G., D. Gianola, G.J. Rosa, K.A. Weigel and J. Crossa. 2010. Semi-parametric genomic-enabled prediction of genetic values using reproducing kernel Hilbert spaces methods. Genetics research, 92(40): 295-308. [DOI:10.1017/S0016672310000285]
7. 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]
8. De Roos, A.P.W., B.J. Hayes, R.J. Spelman and M.E. Goddard. 2008. Linkage disequilibrium and persistence of phase in Holstein-Friesian, Jersey and Angus cattle. Genetics, 179: 1503-1512. [DOI:10.1534/genetics.107.084301]
9. Goddard, M. 2009. Genomic selection: prediction of accuracy and maximisation of long term response. Genetica, 136(2): 245-257. [DOI:10.1007/s10709-008-9308-0]
10. Goddard, M.E. and B.J. Hayes. 2009. Mapping genes for complex traits in domestic animals and their use in breeding programmes. Nature Reviews Genetics, 10(6): 381-391. [DOI:10.1038/nrg2575]
11. Habier, D., R. Fernando and J. Dekkers. 2007. The impact of genetic relationship information on genome-assisted breeding values. Genetics, 177(4): 2389-2397. [DOI:10.1534/genetics.107.081190]
12. LaFramboise, T. 2009. Single nucleotide polymorphism arrays: a decade of biological, computational and technological advances. Nucleic Acids Research, 37(13): 4181-4193. [DOI:10.1093/nar/gkp552]
13. Liu, T., H. Qu, C. Luo, D. Shu, J. Wang, M.S. Lund and G. Su. 2014. Accuracy of genomic prediction for growth and carcass traits in Chinese triple-yellow chickens. BMC Genetics, 15(1): 110. [DOI:10.1186/s12863-014-0110-y]
14. Mahmoudi, N., A.A. Mehrgardi, M. Honarvar and A. Esmailizadeh kashkooeiyeh.2015. Study of QTL Effects Distribution on Accuracy of Genomic Breeding values Estimated Using Bayesian Method. 2015. Iranian Journal of Animal Science Research, 7(3): 356-363 (In Persian).
15. Martinez, R., W. Burgos-Paz, D. Bejarano, P. Reyes and J.F. Rocha. 2018. Genomic predictions and accuracy of weight traits in a breeding program for Colombian Brahman, Proceedings of the World Congress on Genetics Applied to Livestock Production, Volume Genetic Gain- Strategies for Local Breeds 2, 644, Auckland, New Zealand.
16. Meuwissen, M.H.E., B.J. Hayes and M. Goddard. 2001. Prediction of total genetic value using genome-wide dense marker maps. Genetics, 157(4): 1819-1829.
17. Mohammadi, Y., M.M. Shariati, S. Zerehdaran, M. Razmkabir, M.B. Sayyadnejad and M.B. Zandi. 2016. The accuracy of genomic breeding value for production trait in Iranian Holstein dairy cattle using parametric and non-parametric methods. Journal of Animal Production, 18(1): 1-11 (In Persian).
18. Norberg, E. and A.C. Sorensen. 2007. Inbreeding trend and inbreeding depression in the Danish populations of Texel, Shropshire, and Oxford Down. Journal of animal science, 85(2): 299-304. [DOI:10.2527/jas.2006-257]
19. Park, T. and G. Casella. 2008. The bayesian lasso. Journal of the American Statistical Association, 103(482): 681-686. [DOI:10.1198/016214508000000337]
20. Saheb Alam, H., M. Gholizadeh, H. Hafezian and A. Farhadi. 2018. Comparison of Bayesian methods in the genomic evaluation with different genetic architecture. Research on Animal Production 8(18): 177-186 (In Persian). [DOI:10.29252/rap.8.18.177]
21. Saheb Alam, H., M. Gholizadeh, H. Hafezian and A. Farhadi. 2019. Comparison of parametric, semiparametric and nonparametric methods in genomic evaluation. Journal of Genetics 98, 102. [DOI:10.1007/s12041-019-1149-3]
22. Sargolzaei, M. and F. S. Schenkel. 2009. QMSim: a large-scale genome simulator for livestock. Bioinformatics, 25(5): 680-681. [DOI:10.1093/bioinformatics/btp045]
23. Teimuria, M., M.M. Shariati and A.A. Aslaminejad. 2016. Comparison of methods for the implementation of genomic selection in Holstein. Research on Animal Production, 7(14): 198-203 (In Persian). [DOI:10.29252/rap.7.14.203]
24. Tibshirani, R. 1996. Regression shrinkage and selection via the lasso. Journal of the Royal Statistical Society. Series B (Methodological), 267-288. [DOI:10.1111/j.2517-6161.1996.tb02080.x]
25. Uemoto, Y., S. Sasaki, T. Kojima, Y. Sugimoto and T. Watanabe. 2015. Impact of QTL minor allele frequency on genomic evaluation using real genotype data and simulated phenotypes in Japanese Black cattle. BMC Genetics, 16(1): 1. [DOI:10.1186/s12863-015-0287-8]
26. Van den Berg, S., M.P. Calus and Y. Wientjes. 2015. Across population genomic prediction scenarios in which Bayesian variable selection outperforms GBLUP. BMC Genetics, 16(1): 146. [DOI:10.1186/s12863-015-0305-x]
27. Wang, X., J. Miao, T. Chang, J. Xia, B. An, Y. Li, L. Xu, L. Zhang, X. Gao, J. Li and H. Gao. 2019. Evaluation of GBLUP, BayesB and elastic net for genomic prediction in Chinese Simmental beef cattle. PLoSONE 14(2): e0210442. [DOI:10.1371/journal.pone.0210442]
28. Young, C. and A. Seykora. 1996. Estimates of inbreeding and relationship among registered Holstein females in the United States. Journal of Dairy Science, 79(3): 502-505. [DOI:10.3168/jds.S0022-0302(96)76392-0]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
