دوره 14، شماره 1 - ( بهار 1402 )
جلد 14 شماره 1 صفحات 153-145 |
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:
Karimi M, Ghafouri-Kesbi F, Zamani P. (2023). Investigating the Impact of Dominance Genetic Effects on the Accuracy of Genomic Evaluation. Res Anim Prod. 14(1), 145-153. doi:10.61186/rap.14.39.145
URL: http://rap.sanru.ac.ir/article-1-1342-fa.html
URL: http://rap.sanru.ac.ir/article-1-1342-fa.html
کریمی مسلم، غفوری کسبی فرهاد، زمانی پویا. بررسی میزان تأثیر اثرات ژنتیکی غالبیت بر صحت ارزیابی ژنومی پژوهشهاي توليدات دامي 1402; 14 (1) :153-145 10.61186/rap.14.39.145
1- گروه علوم دامی، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران
چکیده: (1855 مشاهده)
چکیده مبسوط
مقدمه و هدف: بررسی مقالات منتشر شده در حوزه انتخاب ژنومی نشان می دهد که در اکثر مطالعات انجام شده در گونه های دامی و زراعی ارزیابی ژنومی و پیش بینی ارزش های اصلاحی ژنومی بدون در نظر گرفتن اثرات ژنتیکی غالبیت انجام شده است. در صورتیکه مطالعاتی که اخیرا انجام شده، نشان میدهند که اثرات ژنتیکی غالبیت به نحو قابل توجهی در تنوع فنوتیپی صفات تولیدی دام های اهلی مشارکت دارند. از این رو به نظر میرسد چشم پوشی از اثرات ژنتیکی غالبیت صحت ارزیابی ژنومی را تحت تاثیر قرار میدهد. در این مطالعه پیامدهای در نظر نگرفتن اثرات ژنتیکی غالبیت در مدل ارزیابی ژنومی بر صحت، میانگین مربعات خطا، اریبی و قابلیت اعتماد ارزش های اصلاحی ژنومی بررسی شد.
مواد و روش ها: ژنومی شامل 5 کروموزوم، هر کدام به طول یک مورگان و حاوی 5000 نشانگر تک نوکلئوتیدی دو آللی (SNP) در سطح وراثتپذیری 0/5 شبیه سازی شد. به همه جایگاه های صفات کمی (QTLها) اثرات ژنتیکی افزایشی داده شد. توزیع های متفاوت اثرات QTL (یکنواخت، نرمال و گاما) و نیز سه سناریو از تعدادQTL به‌صورت 5، 10 و 20% از تعداد کل SNPها (به‌ترتیب 250، 500 و 1000 QTL) به‌صورت فرضیههای شبیهسازی در نظر گرفته شد. در سناریوهای مختلف به صفر، 10، 25، 50 و 100% از QTLها اثرات غالبیت داده شد. ارزش های اصلاحی ژنومی با استفاده از روش بهترین پیشبینی نااریب خطی ژنومی (GBLUP) برآرود شده و شاخص های روش LR، شامل صحت پیشبینی، میانگین مربعات خطای پیشبینی، اریبی و قابلیت اعتماد ارزش های اصلاحی برای تجزیه و تحلیل ارزش های اصلاحی حاصل از GBLUP مورد استفاده قرار گرفتند.
یافته ها: نتایج نشان داد در صورتیکه اثرات ژنتیک غالبیت در تنوع فنوتیپی صفت مشارکت داشته باشند اما در مدل ارزیابی ژنومی لحاظ نشده و به‌صورت تفکیک نشده از اثرات ژنتیکی افزایشی باقی بمانند، منجر به کاهش صحت ارزش های اصلاحی ژنومی تا حدود 25% خواهد شد. همچنین میانگین مربعات خطای پیشبینی ارزش های اصلاحی ژنومی نیز با افزایش درصد QTLهای دارای اثر غالبیت (از 0/00 به 100%) تا 60% افزایش یافت. میزان اریبی ارزش های اصلاحی ژنومی نیز تحت تاثیر چشم پوشی از اثرات غالبیت قرار گرفت و با افزایش درصد QTLهای دارای اثر غالبیت (از 0/00 به 100%) تا 36% افزایش یافت. در ضمن قابلیت اعتماد ارزش های اصلاحی ژنومی نیز به‌طور چشمگیری با افزایش درصد QTLهای دارای اثر غالبیت (از 00/00 به 100%) تا حدود 40% کاهش یافت.
نتیجه‌گیری: به‌طورکلی نتایج این تحقیق نشان داد که عدم تفکیک اثرات ژنتیکی غالبیت از اثرات ژنتیکی افزایشی منجر به برآوردهای با صحت پایین، اریب و غیرقابل اعتماد از ارزش های اصلاحی ژنومی می شود که در نهایت بازدهی انتخاب ژنومی را کاهش می دهد. بنابراین پیشنهاد می شود که به‌منظور افزایش کارایی طرح های انتخاب ژنومی، اثرات غالبیت در مدل ارزیابی ژنومی منظور شود.
مقدمه و هدف: بررسی مقالات منتشر شده در حوزه انتخاب ژنومی نشان می دهد که در اکثر مطالعات انجام شده در گونه های دامی و زراعی ارزیابی ژنومی و پیش بینی ارزش های اصلاحی ژنومی بدون در نظر گرفتن اثرات ژنتیکی غالبیت انجام شده است. در صورتیکه مطالعاتی که اخیرا انجام شده، نشان میدهند که اثرات ژنتیکی غالبیت به نحو قابل توجهی در تنوع فنوتیپی صفات تولیدی دام های اهلی مشارکت دارند. از این رو به نظر میرسد چشم پوشی از اثرات ژنتیکی غالبیت صحت ارزیابی ژنومی را تحت تاثیر قرار میدهد. در این مطالعه پیامدهای در نظر نگرفتن اثرات ژنتیکی غالبیت در مدل ارزیابی ژنومی بر صحت، میانگین مربعات خطا، اریبی و قابلیت اعتماد ارزش های اصلاحی ژنومی بررسی شد.
مواد و روش ها: ژنومی شامل 5 کروموزوم، هر کدام به طول یک مورگان و حاوی 5000 نشانگر تک نوکلئوتیدی دو آللی (SNP) در سطح وراثتپذیری 0/5 شبیه سازی شد. به همه جایگاه های صفات کمی (QTLها) اثرات ژنتیکی افزایشی داده شد. توزیع های متفاوت اثرات QTL (یکنواخت، نرمال و گاما) و نیز سه سناریو از تعدادQTL به‌صورت 5، 10 و 20% از تعداد کل SNPها (به‌ترتیب 250، 500 و 1000 QTL) به‌صورت فرضیههای شبیهسازی در نظر گرفته شد. در سناریوهای مختلف به صفر، 10، 25، 50 و 100% از QTLها اثرات غالبیت داده شد. ارزش های اصلاحی ژنومی با استفاده از روش بهترین پیشبینی نااریب خطی ژنومی (GBLUP) برآرود شده و شاخص های روش LR، شامل صحت پیشبینی، میانگین مربعات خطای پیشبینی، اریبی و قابلیت اعتماد ارزش های اصلاحی برای تجزیه و تحلیل ارزش های اصلاحی حاصل از GBLUP مورد استفاده قرار گرفتند.
یافته ها: نتایج نشان داد در صورتیکه اثرات ژنتیک غالبیت در تنوع فنوتیپی صفت مشارکت داشته باشند اما در مدل ارزیابی ژنومی لحاظ نشده و به‌صورت تفکیک نشده از اثرات ژنتیکی افزایشی باقی بمانند، منجر به کاهش صحت ارزش های اصلاحی ژنومی تا حدود 25% خواهد شد. همچنین میانگین مربعات خطای پیشبینی ارزش های اصلاحی ژنومی نیز با افزایش درصد QTLهای دارای اثر غالبیت (از 0/00 به 100%) تا 60% افزایش یافت. میزان اریبی ارزش های اصلاحی ژنومی نیز تحت تاثیر چشم پوشی از اثرات غالبیت قرار گرفت و با افزایش درصد QTLهای دارای اثر غالبیت (از 0/00 به 100%) تا 36% افزایش یافت. در ضمن قابلیت اعتماد ارزش های اصلاحی ژنومی نیز به‌طور چشمگیری با افزایش درصد QTLهای دارای اثر غالبیت (از 00/00 به 100%) تا حدود 40% کاهش یافت.
نتیجه‌گیری: به‌طورکلی نتایج این تحقیق نشان داد که عدم تفکیک اثرات ژنتیکی غالبیت از اثرات ژنتیکی افزایشی منجر به برآوردهای با صحت پایین، اریب و غیرقابل اعتماد از ارزش های اصلاحی ژنومی می شود که در نهایت بازدهی انتخاب ژنومی را کاهش می دهد. بنابراین پیشنهاد می شود که به‌منظور افزایش کارایی طرح های انتخاب ژنومی، اثرات غالبیت در مدل ارزیابی ژنومی منظور شود.
فهرست منابع
1. Ahmadi, Z., F. Ghafouri-Kesbi and P. Zamani. 2021. Assessing the performance of a novel method for genomic selection: rrBLUP method6. Journal of Genetics, 100: 24. [DOI:10.1007/s12041-021-01275-5]
2. Aliloo, H., J.E. Pryce, O. González-Recio, B.G. Cocks and B.J. Hayes. 2016. Accounting for dominance to improve genomic evaluations of dairy cows for fertility and milk production traits. Genetic Selection Evolution, 48:8. [DOI:10.1186/s12711-016-0186-0]
3. Baneh, H., A. Nejati Javaremi and G.H. Rahimi. 2017. Genomic evaluation of threshold traits with different genetic architecture using bayesian approaches. Research on Animal Production, 8:149-154. [DOI:10.29252/rap.8.15.149]
4. De los Campos, G and P. Perez Rodriguez. 2020. BGLR: Bayesian generalized linear regression. https://cran.r-project.org/web/packages/BGLR/BGLR.pdf
5. Doublet, A.C., P. Croiseau, S. Fritz, A. Michenet, C. Hozé, C. Danchin-Burge, D. Laloë and G. Restoux. 2019. The impact of genomic selection on genetic diversity and genetic gain in three French dairy cattle breeds. Genetics Selection Evolution, 51: 52. [DOI:10.1186/s12711-019-0495-1]
6. Ebrahimi, K., G.R. Dashab, H. Faraji-Arough and M. Rokouei. 2018. Estimation of additive and non-additive genetic variances of body weight in crossbreed populations of the Japanese quail. Poultry Science, 1: 46-55. [DOI:10.3382/ps/pey357]
7. Fernando, R.L. and M. Grossman.1989. Marker-assisted selection using best linear unbiased prediction. Genetics Selection Evolution, 2: 246-477. [DOI:10.1186/1297-9686-21-4-467]
8. Ghafouri-Kesbi, F. 2014. Application of machine learning methods in genomic evaluation and studying the effect of genotype imputation on prediction accuracy of genomic breeding values. Ph.D. thesis. Sari University of Agriculture and Natural resources, Sari, Iran.
9. Ghasemi-Siab, M., S. Varkoohi and M.H. Banabazi. 2021. Single nucleotide polymorphism (SNP) discovery on transcriptomes of American Holstein and Pakistanian Cholistani Cows. Iranian Journal of Animal Science Research, 13: 313-319.
10. Goddard, M. 2009. Genomic selection: prediction of accuracy and maximisation of long term response. Genetica, 136: 245-257. [DOI:10.1007/s10709-008-9308-0]
11. Hayes B.J., P.M. Visscher and M.E. Goddard. 2009. Increased accuracy of artificial selection by using the realized relationship matrix. Genetics Research, 91: 47-60. [DOI:10.1017/S0016672308009981]
12. Jasouri, M., P. Zamani and S. Alijani. 2017. Dominance genetic and maternal effects for genetic evaluation of egg production traits in dualpurpose chicken. British Poultry Science, 58: 498-505. [DOI:10.1080/00071668.2017.1336748]
13. Legarra, A. and A. Reverter. 2018. Semi-parametric estimates of population accuracy and bias of predictions of breeding values and future phenotypes using the LR method. Genetic Selection Evolution, 50: 53. [DOI:10.1186/s12711-018-0426-6]
14. Macedo, F.L., O.F. Christensen, J.M. Astruc, I. Aguilar, Y. Masuda and A. Legarra. 2020. Bias and accuracy of dairy sheep evaluations using BLUP and SSGBLUP with metafounders and unknown parent groups. Genetic Selection Evolution. 52: 1-10. [DOI:10.1186/s12711-020-00567-1]
15. Meuwissen, T.H.E., B.J. Hayes and M.E. Goddard. 2001. Prediction of total genetic value using genome-wide dense marker maps. Genetics, 157: 1819-1829. [DOI:10.1093/genetics/157.4.1819]
16. Mohammadi, Y. 2019. Accuracy of genomic selection using models with additive effects for productive traits in Iranian Holstein cows. The second international conference and the third national conference on agriculture, environment and food security. Jiroft University, Jiroft, Iran.
17. Mohammadi, Y. and M. Sattaei Mokhtari. 2018. Genomic selection accuracy parametric and nonparametric statistical methods with additive and dominance genetic architectures. Research on Animal Production, 8: 161-167 (In Persian). [DOI:10.29252/rap.8.18.161]
18. Morais, Jr, O., J. Duarte, F. Breseghello, A. Coelho, T. Borba, J. Aguiar and O. Morais. 2017. Relevance of additive and nonadditive genetic relatedness for genomic prediction in rice population under recurrent selection breeding. Genetics and Molecular Research, 16: gmr16039849. [DOI:10.4238/gmr16039849]
19. Neves, H.H.R., R. Carvalheiro and S.A. Queiroz. 2012. A comparison of statistical methods for genomic selection in a mice population. BMC Genetics, 13: 100. [DOI:10.1186/1471-2156-13-100]
20. Sadeghi, S.A.T., M. Rokoue., M. Vafaye Valleh, M.A. Abbasi and H. Faraji-Arough. 2019. Estimation of additive and non-additive genetic variance component for growth traits in Adani goats. Tropical Animal Health and Production, 52: 733-742. [DOI:10.1007/s11250-019-02064-0]
21. Spelman, R. and D. Garrick. 1997. Utilization of marker assisted selection in a commercial dairy cow population. Livestock Production Science, 47: 139-147. [DOI:10.1016/S0301-6226(96)01405-4]
22. Sun, C., X.L. Wu, K.A. Weigel, G.J.M. Rosa, S. Bauck, B.W. Woodward, R.D. Schinabel and J.F. Taylor. 2012. An ensemble-based approach to imputation of moderate-density genotypes for genomic selection with application to Angus cattle. Genetic Research, 94: [DOI:10.1017/S001667231200033X]
23. Technow, F. 2013. hypred: simulation of genomic data in applied genetics. Available at: http://cran.r-project.org/web/packages/hypred/index.html.
24. Vanaei, F., F. Ghafouri-Kesbi, A. Ahmadi and P. Zamani. 2022. Imputation of Missing Genotypes with Intelegent K-Nearest Neighbore Algorithm. Research on Animal Production, 35: 130-138. [DOI:10.52547/rap.13.35.130]
25. VanRaden, P.M. 2008. Efficient methods to compute genomic predictions. Journal of Dairy Science, 91: 4414-4423. [DOI:10.3168/jds.2007-0980]
26. Varona, L., A. Legarra, M.A. Toro and Z.G. Vitezica. 2018. Non-additive effects in genomic selection. Frontiers in Genetics, 9: 78. [DOI:10.3389/fgene.2018.00078]
27. Wang, C.L., X.D. Ding, J.Y. Wang, J.F. Liu, W.X. Fu, Z. Zhang, J. Yin and Q. Zhang. 2013. Bayesian methods for estimating GEBVs of threshold traits. Heredity, 110: 213-219. [DOI:10.1038/hdy.2012.65]
28. Yadav, S., X. Wei, P. Joyce, F. Atkin, E. Deomano, Y. Sun, L.T. Nguyen, E.M. Rosa, Cavallaro, T. K.S. Aitken, B.J. Hayes and K.P. Vos-Fels. 2021. Improved genomic prediction 1100 of clonal performance in sugarcane by exploiting non-additive genetic effects. Theoretical and Applied Genetics, 134: 2235-2252. [DOI:10.1007/s00122-021-03822-1]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
