دوره 8، شماره 18 - ( زمستان 1396 )
جلد 8 شماره 18 صفحات 167-161 |
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:
Mohammadi Y, Sattaei Mokhtari M. (2018). Genomic Selection Accuracy Parametric and Nonparametric Statistical Methods with Additive and Dominance Genetic Architectures. Res Anim Prod. 8(18), 161-167. doi:10.29252/rap.8.18.161
URL: http://rap.sanru.ac.ir/article-1-908-fa.html
URL: http://rap.sanru.ac.ir/article-1-908-fa.html
محمدی یحیی، ستایی مختاری مرتضی. صحت انتخاب ژنومی روش‌های پارامتری و ناپارامتری با معماری‌های ژنتیکی افزایشی و غالبیت
پژوهشهاي توليدات دامي 1396; 8 (18) :167-161 10.29252/rap.8.18.161
چکیده: (4075 مشاهده)
در بیشتر مطالعات پیش‌بینی ژنومی برای برآورد ارزش اصلاحی ژنومی فقط از اثرات افزایشی در مدل استفاده می‌کنند. از طرفی در بیشتر صفات پیچیده یک منبع مهم تنوع، اثرات غالبیت بوده که لحاظ نمودن این اثر در مدل ممکن است باعث افزایش صحت پیش‌بینی‌های ژنومی گردند. در این مطالعه که با استفاده از شبیه‌سازی داده انجام شد، تاثیر مقادیر مختلف وراثت‌پذیری (1/0، 3/0 و 5/0) و نیز مقادیر مختلف نسبت واریانس غالبیت به واریانس فنوتیپی (0، 05/0 و 15/0) بر صحت انتخاب ژنومی در روش‌های آماری پارامتری ( بیز A، B و LASSO) و ناپارامتری (RKHS) بررسی شد. همبستگی بین ارزش‌های اصلاحی حقیقی و ارزش‌های اصلاحی ژنومی، به عنوان معیاری از صحت پیش‌بینی‌های ژنومی برای سناریوهای مختلف به کمک نرم‌افزار R برآورد گردید. نتایج این مطالعه نشان داد که با افزایش مقدار وراثت‌پذیری در تمام روش‌ها صحت پیش‌بینی ژنومی افزایش پیدا می‌کند. همچنین با افزایش مقادیر نسبت واریانس غالبیت به واریانس فنوتیپی در مدل، شیب صحت ژنومی در روش‌های پارامتری کند گردیده ولی در روش ناپارامتری سرعت افزایش صحت ادامه پیدا نمود. میانگین مربعات خطا با افزایش مقدار نسبت واریانس غالبیت به واریانس فنوتیپی در روش ناپارامتری بیشتر کاهش یافت. از این رو می‌توان چنین نتیجه گرفت که با افزایش سطح نسبت واریانس غالبیت به واریانس فنوتیپی در مدل، استفاده از روش‌های ناپارامتری احتمالاً بهتر از روش‌های پارامتری صحت پیش‌بینی‌های ژنومی را برآورد می‌کنند.
فهرست منابع
1. Aliloo, H., J.E. Pryce, O. Gonzalez‑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: 8-11. [DOI:10.1186/s12711-016-0186-0]
2. Bolormaa, S., J.E. Pryce1, Y. Zhang, A. Reverter, W. Barendse, B.J. Hayes and M.E. Goddard. 2015. Non-additive genetic variation in growth, carcass and fertility traits of beef cattle. Genetic Selection Evolution, 47)26): 12 pp. [DOI:10.1186/s12711-015-0114-8]
3. Boysen, T.J., C. Heuer, J. Tetens, F. Reinhardt and G. Thaller. 2013. Novel use of derived genotype probabilities to discover significant dominance effects for milk production traits in dairy cattle. Genetics, 193: 431-42. [DOI:10.1534/genetics.112.144535]
4. Calus, M.P.L. 2010. Genomic breeding value prediction: methods and procedures. Animal, 4(02): 157-164. [DOI:10.1017/S1751731109991352]
5. Calus, M.P.L., T.H.E. Meuwissen, A.P.W. De Roos and R.F. Veerkamp. 2008. Accuracy of genomic selection using different methods to define haplotypes. Genetics, 178: 553-561. [DOI:10.1534/genetics.107.080838]
6. Carlborg, Ö., S. Kerje, K. Schütz,L. Jacobsson, P. Jensen and L. A. Andersson.2003.Global search reveals epistatic interaction between QTL for early growth in the chicken. Genome Research, 13: 413-421. [DOI:10.1101/gr.528003]
7. de los Campos, G., D. Gianola, G.J.M. Rosa, K.A. Weigel and J. Crossa. 2010. Semi-parametric genomic-enabled prediction of genetic values using reproducing kernel Hilbert spaces methods. Genetic Research, 92: 295-308. [DOI:10.1017/S0016672310000285]
8. Falconer, D.S. and T.F.C. Mackay. 1996. Introduction to Quantitative Genetics. 4thed. Harlow: Pearson Education Limited.
9. Gao, H., O.F. Christensen, P. Madsen, U.S. Nielsen, Y. Zhang, M.S. Lund and G. Su. 2012. Comparison on genomic predictions using three GBLUP methods and two single-step blending methods in the Nordic Holstein population. Genetic Selection Evolution, 44(8): 8 pp. [DOI:10.1186/1297-9686-44-8]
10. Gianola, D. and J.B. Van Kaam. 2008. Reproducing Kernel Hilbert Spaces Regression methods for genomic assisted prediction of quantitative traits. Genetics, 178: 2289-2303. [DOI:10.1534/genetics.107.084285]
11. Goddard, M.E. and B.J. Hayes. 2007. Genomic selection. Journal Animal Breeding and Genetics, 124: 323-330. [DOI:10.1111/j.1439-0388.2007.00702.x]
12. González-Recio, O., D. Gianola, N. Long, K.A. Weigel, G.J.M. Rosa and S. Avendaño. 2008. Nonparametric methods for incorporating genomic information into genetic evaluations: An Application to Mortality in Broilers. Genetics, 178: 2305-2313. [DOI:10.1534/genetics.107.084293]
13. 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 Dairy Science, 92: 433-443. [DOI:10.3168/jds.2008-1646]
14. Heidaritabar, M., A. Wolc, J. Arango, J. Zeng, P. Settar, J.E. Fulton, N.P. Osullivan, J.W.M. Bastiaansen. R.L. Fernando, D.J. Garrick and J.C.M. Dekkers. 2016. Impact of fitting dominance and additive effects on accuracy of genomic prediction of breeding values in layers. Journal Animal Breeding and Genetics, 1-13. [DOI:10.1111/jbg.12225]
15. Heslot, N., H.P. Yang, M.E. Sorrells and J.L. Jannink. 2012. Genomic selection in plant breeding: A Comparison of Models. Crop Science, 52: 146-160. [DOI:10.2135/cropsci2011.09.0297]
16. Howard, R., A.L. Carriquiry and W.D. Beavis. 2014. Parametric and nonparametric statistical methods for genomic selection of traits with additive and epistatic genetic architectures. G3, 4: 1027-1046. [DOI:10.1534/g3.114.010298]
17. Lee, S. H., J.H.J. Vander Werf, B.J. Hayes, M.E. Goddard and P.M. Visscher. 2008. Predicting unobserved phenotypes for complex traits from whole-genome SNP data. PLoS Genetic, 4: e1000231. [DOI:10.1371/journal.pgen.1000231]
18. Meuwissen, T.H., B.J. Hayes and M.E. Goddard. 2001. Prediction of total genetic value using genome-wide dense marker maps. Genetics, 157: 1819-1829.
19. Neves, H., R. Carvalheiro and S.A. Queiroz. 2012. A comparison of statistical methods for genomic selection in a mice population. BMC Genetics, 13:100. 17 pp. [DOI:10.1186/1471-2156-13-100]
20. Ogutu, J.O., T. Schulz-Streeck and H.P. Piepho. 2012. Genomic selection using regularized linear regression models: ridge regression, lasso, elastic net and their extensions. BMC Proceedings. 6(Suppl 2): S10. [DOI:10.1186/1753-6561-6-S2-S10]
21. Perez, P., G. de los Campos, J. Crossa and D. Gianola. 2010. Genomic-enabled prediction based on molecular markers and pedigree using the Bayesian linear regression package in R. Plant Genome, 3: 106-16. [DOI:10.3835/plantgenome2010.04.0005]
22. Sargolzaei, M. and F.S. Schenkel. 2009. QMSim: a large-scale genome simulator for livestock. Bioinformatics, 25: 680-1. [DOI:10.1093/bioinformatics/btp045]
23. Saatchi, M., S.R. Miraei- Ashtiani, A. Nejati- Javaremi, M. Moradi-Shahrebabak and H. Mehrabani-Yeghaneh. 2010. The impact of information quantity and strength of relationship between training set and validation set on accuracy of genomic estimated breeding values. African Journal of Biotechnology, 9: 438-442.
24. Su, G., O.F. Christensen, T. Ostersen, M. Henryon and M.S. Lund. 2012. Estimating additive and non-additive genetic variances and predicting genetic merits using genome-wide dense single nucleotide polymorphism markers. PLoS One, 7(45): 293. [DOI:10.1371/journal.pone.0045293]
25. Wittenburg, D., N. Melzer and N. Reinsch. 2011. Including non-additive genetic effects in Bayesian methods for the prediction of genetic values based on genome-wide markers. BMC Genetics, 12-74. [DOI:10.1186/1471-2156-12-74]
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
