دوره 9، شماره 20 - ( تابستان 1397 )
جلد 9 شماره 20 صفحات 138-129 |
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:
Naderi Y. (2018). Evaluation of Genomic Prediction Accuracy in Different Genomic Architectures of Quantitative and Threshold Traits with the Imputation of Simulated Genomic Data using Random Forest Method. Res Anim Prod. 9(20), 129-138. doi:10.29252/rap.9.20.129
URL: http://rap.sanru.ac.ir/article-1-877-fa.html
URL: http://rap.sanru.ac.ir/article-1-877-fa.html
نادری یوسف. ارزیابی صحت پیشبینی ژنومی در معماری‌های مختلف ژنومی صفات کمی و
آستانه‌ای با جانهی داده‌های ژنومی شبیه‌سازی‌شده، توسط روش جنگل تصادفی پژوهشهاي توليدات دامي 1397; 9 (20) :138-129 10.29252/rap.9.20.129
استادیار، گروه علوم دامی، دانشگاه آزاد اسلامی، واحد آستارا، آستارا، ایران
چکیده: (4281 مشاهده)
گزینش ژنومی چالشی امیدبخش برای کشف رموز ژنتیکی صفات کمی و کیفی به‌منظور بهبود رشد ژنتیکی و صحت پیشبینی ژنومی در اصلاح دام می‌باشد. به‌علت ناخوانا بودن نسبتی از ژنوتیپ‌ها، پیشبینی دقیق صحت ژنومی نیازمند برآورد این نشانگرها از طریق جانهی می باشد. در نتیجه هدف این تحقیق برآورد صحت جانهی و عوامل مؤثر برآن و ارزیابی صحت ژنومی روش جنگل تصادفی در برای معماری های مختلف ژنومی برای آنالیز صفات کمی و آستانه‌ای دودویی بود. در فاز اول، داده های ژنومی از طریق نرم افزار QMSim با سطوح متفاوت وراثت‌پذیری (05/0 و 25/0)، سطوح مختلف LD (کم و زیاد) و تراکم‌های متفاوت جایگاه‌های صفات کمی (96 و 960) و تعداد 48 کروموزم شبیه‌سازی شدند. در فاز دوم، برای شبیه سازی شرایط واقعی، بطور تصادفی اقدام به حذف (50 و 90 درصد) برخی نشانگر نموده و در مرحله بعد از طریق نرم افزار Flmpute اقدام به جانهی و پیشبینی نقاط گم شده نموده و صحت جانهی مورد ارزیابی قرار گرفت. در فاز سوم، دادهای اصلی و جانهی با استفاده از روش جنگل تصادفی جهت ارزیابی صحت ژنومی صفات کمی و آستانه‌ای استفاده شدند. نتایح نشان داد که با افزایش سطح LD صحت جانهی بهبود می‌یابد. با افزایش نسبت حذف نشانگرها (90 درصد)، اثر صحت جانهی بر صحت پیشبینی ژنومی پررنگتر بود. در صفات آستانه‌ای، سناریوی با حد بالای QTL، LD و وراثت‌پذیری و در صفات پیوسته، سناریوی با حد بالای LD و وراثت‌پذیری و حد پایین QTL بیشترین صحت پیشبینی ژنومی را در روش جنگل تصادفی به خود اختصاص دادند. به‌طور کلی عملکرد روش جنگل تصادفی در برآورد صحت ژنومی صفات آستانه‌ای نسبت به صفات کمی بهتر بود.
نوع مطالعه: پژوهشي |
موضوع مقاله:
ژنتیک و اصلاح نژاد دام
دریافت: 1396/10/25 | ویرایش نهایی: 1398/9/30 | پذیرش: 1397/3/21 | انتشار: 1397/7/11
دریافت: 1396/10/25 | ویرایش نهایی: 1398/9/30 | پذیرش: 1397/3/21 | انتشار: 1397/7/11
فهرست منابع
1. Atefi, A., A.A. Shadparvar, and N.G. 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]
2. Badke, Y.M., R.O. Bates, C.W. Ernst, J. Fix and J.P. Steibel. 2014. Accuracy of estimation of genomic breeding values in pigs using low-density genotypes and imputation. G3: Genes Genomes Genetics, 4(4): 623-631. [DOI:10.1534/g3.114.010504]
3. Baneh, H., A. Nejati-Javaremi, G. Rahimi-Mianji and M. Honarvar. 2017. Genomic evaluation of threshold traits with different genetic architecture using bayesian approaches. Research on Animal Production, 8: 149-154 (In Persian). [DOI:10.29252/rap.8.15.149]
4. Beckmann, J. and M. Soller. 1983. Restriction fragment length polymorphismsin genetic improvement: methodologies, mapping and costs. Theoretical and Applied Genetics, 67(1): 35-43. [DOI:10.1007/BF00303919]
5. Bo, Z., J.J. Zhang, N. Hong, G. Long, G. Peng, L.Y. Xu, C. Yan, L.P. Zhang, H.J. Gao and G. Xue. 2017. Effects of marker density and minor allele frequency on genomic prediction for growth traits in Chinese Simmental beef cattle. Journal of Integrative Agriculture, 16(4): 911-920. [DOI:10.1016/S2095-3119(16)61474-0]
6. Boison, S., H.H. Neves, A.P.O. Brien, Y.T. Utsunomiya, R. Carvalheiro, M.da Silva, J. Solkner and J.F. Garcia. 2014. Imputation of non-genotyped individuals using genotyped progeny in Nellore, a Bos indicus cattle breed. Livestock Science, 166:176-189. [DOI:10.1016/j.livsci.2014.05.033]
7. Breiman, L. 2001. Random forests. Machine learning, 45(1): 5-32. [DOI:10.1023/A:1010933404324]
8. Browning, S.R. 2008. Missing data imputation and haplotype phase inference for genome-wide association studies. Human genetics, 124(5): 439-450. [DOI:10.1007/s00439-008-0568-7]
9. Carvalheiro, R., S.A. Boison, H.H. Neves, M. Sargolzaei, F.S. Schenkel, Y.T. Utsunomiya, A.M.P. Obrien, J. Solkner, J.C. McEwan, and C.P. Van Tassell. 2014. Accuracy of genotype imputation in Nelore cattle. Genetics Selection Evolution, 46(1): 69. [DOI:10.1186/s12711-014-0069-1]
10. 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]
11. Clark, S.A., J.M. Hickey and J.H. Van der Werf. 2011. Different models of genetic variation and their effect on genomic evaluation. Genetics Selection Evolution, 43(1): 18. [DOI:10.1186/1297-9686-43-18]
12. Ghafouri-Kesbi, F., G. Rahimi-Mianji, M. Honarvar and A. Nejati-Javaremi. 2017. Predictive ability of random forests, boosting, support vector machines and genomic best linear unbiased prediction in different scenarios of genomic evaluation. Animal Production Science, 57(2): 229-236. [DOI:10.1071/AN15538]
13. Ghafouri-Kesbi, F., G. Rahimi-Mianji, M. Honarvar, and A. Nejati-Javaremi. 2016. Tuning and application of random forest algorithm in genomic evaluation. Research on Animal Production, 7 (13): 178-185 (In Persian).
14. Goddard, M. and B. Hayes. 2007. Genomic selection. Journal of Animal breeding and Genetics, 124(6): 323-330. [DOI:10.1111/j.1439-0388.2007.00702.x]
15. 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]
16. Gonzalez-Recio, O. and S. Forni. 2011. Genome-wide prediction of discrete traits using Bayesian regressions and machine learning. Genetics Selection Evolution, 43(1): 7. [DOI:10.1186/1297-9686-43-7]
17. Hayes, B. and M.E. Goddard. 2001. The distribution of the effects of genes affecting quantitative traits in livestock. Genetics Selection Evolution, 33: 209. [DOI:10.1186/1297-9686-33-3-209]
18. Hickey, J.M., J. Crossa, R. Babu and G. de los Campos. 2012. Factors affecting the accuracy of genotypeimputation in populations from several maize breeding programs. Crop Science, 52(2): 654-663. [DOI:10.2135/cropsci2011.07.0358]
19. Hill, W. and A. Robertson. 1968. Linkage disequilibrium in finite populations. TAG Theoretical and Applied Genetics, 38(6): 226-231. [DOI:10.1007/BF01245622]
20. Hoze, C., M.N. Fouilloux, E. Venot, F. Guillaume, R. Dassonneville, S. Fritz, V. Ducrocq, F. Phocas, D. Boichard and P. Croiseau. 2013. High-density marker imputation accuracy in sixteen French cattle breeds. Genetics Selection Evolution, 45(1): 33. [DOI:10.1186/1297-9686-45-33]
21. Jonas, D., V. Ducrocq and P. Croiseau. 2017. The combined use of linkage disequilibrium-based haploblocks and allele frequency-based haplotype selection methods enhances genomic evaluation accuracy in dairy cattle. Journal of Dairy Science, 100(4): 2905-2908. [DOI:10.3168/jds.2016-11798]
22. Khatkar, M.S., G. Moser, B.J. Hayes and H.W. Raadsma. 2012. Strategies and utility of imputed SNP genotypes for genomic analysis in dairy cattle. BMC genomics, 13(1): 538. [DOI:10.1186/1471-2164-13-538]
23. Li, Y., J. Kijas, J. Henshall, S. Lehnert, R. McCulloch, and A. Reverter. 2014. Using random forests (RF) to prescreen candidate genes: A new prospective for GWAS. in Proc. Proc. of 10th World Congress for Genetics Applied to Livestock Production, British Columbia, Vancouver.
24. Meuwissen, T., B. Hayes and M. Goddard. 2001. Prediction of total genetic value using genome-wide dense marker maps. Genetics, 157(4): 1819-1829.
25. Mulder, H., M. Calus, T. Druet and C. Schrooten. 2012. Imputation of genotypes with low-density chips and its effect on reliability of direct genomic values in Dutch Holstein cattle. Journal of dairy science, 95(2): 876-889. [DOI:10.3168/jds.2011-4490]
26. Naderi, S., T. Yin and S. Konig. 2016. Random forest estimation of genomic breeding values for disease susceptibility over different disease incidences and genomic architectures in simulated cow calibration groups. Journal of Dairy Science, 99(9): 7261-7273. [DOI:10.3168/jds.2016-10887]
27. Neves, H.H., R. Carvalheiro and S.A. Queiroz. 2012. A comparison of statistical methods for genomic selection in a mice population. BMC genetics, 13(1): 100. [DOI:10.1186/1471-2156-13-100]
28. Nguyen, T.T., J.Z. Huang, Q. Wu, T.T. Nguyen and M.J. Li. 2015. Genome-wide association data classification and SNPs selection using two-stage quality-based Random Forests. Page S5 in Proc. BMC genomics. BioMed Central Ltd. [DOI:10.1186/1471-2164-16-S2-S5]
29. Ogawa, S., H. Matsuda, Y. Taniguchi, T. Watanabe, A. Takasuga, Y. Sugimoto and H. Iwaisaki. 2016. Accuracy of imputation of single nucleotide polymorphism marker genotypes from low‐density panels in Japanese Black cattle. Animal Science Journal, 87(1): 3-12. [DOI:10.1111/asj.12393]
30. Pausch, H., B. Aigner, R. Emmerling, C. Edel, K.U. Götz and R. Fries. 2013. Imputation ofhigh-density genotypes in the Fleckvieh cattle population. Genetics Selection Evolution, 45(1): 3. [DOI:10.1186/1297-9686-45-3]
31. Pausch, H., I.M. MacLeod, R. Fries, R. Emmerling, P.J. Bowman, H.D. Daetwyler and M.E. Goddard. 2017. Evaluation of the accuracy of imputed sequence variant genotypes and their utility for causal variant detection in cattle. Genetics Selection Evolution, 49(1): 24. [DOI:10.1186/s12711-017-0301-x]
32. Pimentel, E., C. Edel, R. Emmerling and K.U. Gotz. 2015. How imputation errors bias genomic predictions. Journal of dairy science, 98(6): 4131-4138. [DOI:10.3168/jds.2014-9170]
33. Purcell, S., B. Neale, K. Todd-Brown, L. Thomas, M.A. Ferreira, D. Bender, J. Maller, P. Sklar, P.I. De Bakker and M.J. Daly. 2007. PLINK: a tool set for whole-genome association and population-based linkage analyses. The American Journal of Human Genetics, 81(3): 559-575. [DOI:10.1086/519795]
34. Saatchi, M., J. Ward and D. Garrick. 2013. Accuracies of direct genomic breeding values in Hereford beef cattle using national or international training populations. Journal of animal science, 91(4): 1538-1551. [DOI:10.2527/jas.2012-5593]
35. Sargolzaei, M., J. Chesnais and F. Schenkel. 2011. FImpute-An efficient imputation algorithm for dairy cattle populations. Journal of Dairy Science, 94(1): 421-422.
36. 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]
37. Solberg, T., A. Sonesson and J. Woolliams. 2008. Genomic selection using different marker types and densities. Journal of animal science, 86(10): 2447-2454. [DOI:10.2527/jas.2007-0010]
38. Sun, X., R. Fernando and J. Dekkers. 2016. Contributions of linkage disequilibrium and co-segregation information to the accuracy of genomic prediction. Genetics Selection Evolution, 48(1): 77. [DOI:10.1186/s12711-016-0255-4]
39. Thomasen, J.R. 2013. Genomic selection in small dairy cattle populations. Aarhus UniversitetAarhus University, Science and TechnologyScience and Technology, Institut for Molekylærbiologi og GenetikDepartment of Molecular Biology and Genetics, Institut for Molekylærbiologi og Genetik-Center for Kvantitativ Genetik og Genomforskning Department of Molecular Biology and Genetics-Center for Quantitative Genetics and Genomics.
40. Toghiani, S., S. Aggrey and R. Rekaya. 2016. Multi-generational imputation of single nucleotide polymorphism marker genotypes and accuracy of genomic selection. animal, 10(7): 1077-1085. [DOI:10.1017/S1751731115002906]
41. VanRaden, P., D. Null, M. Sargolzaei, G. Wiggans, M. Tooker, J. Cole, T. Sonstegard, E. Connor, M. Winters, and J. van Kaam. 2013. Genomic imputation and evaluation using high-density Holstein genotypes. Journal of dairy science, 96(1): 668-678. [DOI:10.3168/jds.2012-5702]
42. Ventura, R.V., S.P. Miller, K.G. Dodds, B. Auvray, M. Lee, M. Bixley, S.M. Clarke and J.C. McEwan. 2016. Assessing accuracy of imputation using different SNP panel densities in a multi-breed sheep population. GeneticsSelection Evolution, 48(1): 71. [DOI:10.1186/s12711-016-0244-7]
43. Villumsen, T., L. Janss and M. Lund. 2009. The importance of haplotype length and heritability using genomic selection in dairy cattle. Journal of Animal Breeding and Genetics, 126(1): 3-13. [DOI:10.1111/j.1439-0388.2008.00747.x]
44. Visscher, P. and C. Haley. 1998. Strategies for marker-assisted selection in pig breeding programmes. Stočarstvo, 52(6): 425-434.
45. Wang, Q., Y. Yu, J. Yuan, X. Zhang, H. Huang, F. Li and J. Xiang. 2017. Effects of marker density and population structure on the genomic prediction accuracy for growth trait in Pacific white shrimp Litopenaeus vannamei. BMC genetics, 18(1): 45. [DOI:10.1186/s12863-017-0507-5]
46. Wang, Y., G. Lin, C. Li and P. Stothard. 2016. Genotype Imputation Methods and Their Effects on Genomic Predictions in Cattle. Springer Science Reviews, 4(2): 79-98. [DOI:10.1007/s40362-017-0041-x]
47. Wientjes, Y.C., R.F. Veerkamp, P. Bijma, H. Bovenhuis, C. Schrooten and M.P. Calus. 2015. Empirical and deterministic accuracies of across-population genomic prediction. Genetics Selection Evolution, 47(1): 5. [DOI:10.1186/s12711-014-0086-0]
48. Yin, T., E. Pimentel, U.K.V. Borstel and S. Konig. 2014. Strategy for the simulation and analysis of longitudinal phenotypic and genomic data in the context of a temperature× humidity-dependent covariate. Journal of dairy science, 97(4): 2444-2454. [DOI:10.3168/jds.2013-7143]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
