دوره 8، شماره 18 - ( زمستان 1396 )
جلد 8 شماره 18 صفحات 186-177 |
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:
Saheb Alam H, Gholizadeh M, Hafezian H, Farhadi A. (2018). Comparison of Bayesian Methods in the Genomic Evaluation with Different Genetic Architecture. Res Anim Prod. 8(18), 177-186. doi:10.29252/rap.8.18.177
URL: http://rap.sanru.ac.ir/article-1-910-fa.html
URL: http://rap.sanru.ac.ir/article-1-910-fa.html
صاحب علم حمید، قلی زاده محسن، حافظیان حسن، فرهادی ایوب. مقایسه روش های بیزی در ارزیابی ژنومی با معماری متفاوت ژنتیکی پژوهشهاي توليدات دامي 1396; 8 (18) :186-177 10.29252/rap.8.18.177
چکیده: (4595 مشاهده)
هد‌ف از پژوهش حاضر، مقایسه روشهای گوناگون بیزی (پارامتری) در پیش‌بینی ارزشهای اصلاحی ژنومی برای صفاتی با معماری ژنتیکی متفاوت در توزیع مختلف اثرات ژنی، تعداد جایگاههای صفات کمی، وراثت‌پذیری و تعداد افراد جمعیت مرجع با استفاده از دادههای شبیه سازی بود. ژنومی حاوی 3 کروموزوم هر یک به طول 100 سانتی مورگان روی هر کروموزوم با 1000 نشانگر تک نوکلئوتیدی (SNP) با فواصل نشانگری یکسان از یکدیگر شبیه سازی شدند. توزیع متفاوت اثرات ژنی (یکنواخت، نرمال و گاما)، سه سطح تعداد QTL (50، 200 و 400)، دو سطح وراثت‌پذیری (16/0 و 5/0 ) و دو سطح تعداد افراد جمعیت مرجع (1000 و 2000) به عنوان فرضیههای شبیه سازی صفت، درنظر گرفته شدند. به منظور پیش‌بینی ارزشهای اصلاحی افراد موجود در جمعیتهای مرجع و تأیید، از پنج روش بیزی شامل بیز ریج رگرسیون (BRR)1، بیز A، بیز L (LASSO)2، بیز Cπ و بیز B استفاده شد. با افزایش فاصله بین جمعیت مرجع و کاندیداهای انتخاب به علت برهم خوردن فاز لینکاژ، صحت ارزشهای اصلاحی ژنومیک در همه روشها کاهش نشان داد. با افزایش وراثت‌پذیری از 16/0 به 5/0 در تمام روشها افزایش صحت ارزشهای اصلاحی ژنومی کاملاً مشهود و حدود 20/0 بود. زمانی که تعداد افراد جمعیت مرجع از 1000 به 2000 افزایش یافت تمام روشها افزایش صحتی نزدیک به 18/0 را نشان دادند. زمانی که توزیع اثرات ژنی گاما بود، روش بیز A در مقایسه با سایر روشها در هر دو سطح از مقدار وراثت‌پذیری، برتری آشکاری را نشان داد. زمانی که توزیع اثرات ژنی یکنواخت بود تمام
روشها صحت مشابهی را نشان دادند. برای صفاتی با وراثت‌پذیری بالا، با افزایش تعداد QTL از 50 به 200 صحت تخمینها کاهش یافت. ولی در صفاتی با وراثت‌پذیری پایین، تأثیر مشهودی در صحت ارزشهای اصلاحی ژنومی مشاهده نشد.
روشها صحت مشابهی را نشان دادند. برای صفاتی با وراثت‌پذیری بالا، با افزایش تعداد QTL از 50 به 200 صحت تخمینها کاهش یافت. ولی در صفاتی با وراثت‌پذیری پایین، تأثیر مشهودی در صحت ارزشهای اصلاحی ژنومی مشاهده نشد.
فهرست منابع
1. Abdollahi-Arpanahi, R., A. Pakdel, A. Nejati-Javaremi and M.M. Shahrbabak. 2013. Comparison of different methods of genomic evolution in traits with different genetic architecture. Journal of Animal Production, 15: 65-77 (In Persian).
2. Baneh, H., A. Nejati-Javaremi, Gh. Rahimi-Mianji and M. Honarvar. 2017. Genomic Evaluation of Thershold Traits with Different Genetic Architecture using Bayesian Approaches. Research on Animal Production, 8: 149-154 (In Persian). [DOI:10.29252/rap.8.15.149]
3. Combs, E. and R. Bernardo. 2012. Accuracy of genome wide selection for different traits with constant population size, heritability, and number of markers. The Plant Genome, 6: 1. [DOI:10.3835/plantgenome2012.11.0030]
4. Daetwyler, HD., MPL. Calus, R. Pong-wong, G. De los Campos and J.M. Hickey. 2013. Genomic prediction in animals and plants: simulation of data, validation, reporting, and benchmarking. Genetics, 193: 347-365. [DOI:10.1534/genetics.112.147983]
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: 1021-31. [DOI:10.1534/genetics.110.116855]
6. De los Campos, G., J. M. Hickey, R. Pong-Wong, H.D. Daetwyler and M.P. Calus. 2013. Whole-genome regression and prediction methods applied to plant and animal breeding. Genetics, 193: 327-345. [DOI:10.1534/genetics.112.143313]
7. Ghafouri-Kesbi, F. 2014. Application of machine learning methods in genomic evaluation and studying the effect of genotype imputation on accuracy of genomic breeding values. Ph.D. Thesis, Agriculture and Natural Resources University, Sari, Iran. 81 pp (In Persian). .
8. 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]
9. Habier, D., RL. Fernando and J.C.M. Dekkers. 2009. Genomic selection using low-density marker panels. Genetics, 182: 343-353. [DOI:10.1534/genetics.108.100289]
10. Habier, D., RL. Fernando, K. Kizilkaya and DJ. Garrick. 2011. Extension of the Bayesian alphabet for genomic selection. BMC Bioinformatics, 12(1): 186 pp. [DOI:10.1186/1471-2105-12-186]
11. Hayes, B. 2007. QTL mapping, MAS, and genomic selection. A short-course.Animal Breeding & Genetics Department of Animal Science. Iowa State University, 3-4.
12. Hayes, B., P. Bowman, A. Chamberlain and M. Goddard. 2009a. Invited review: Genomic selection in dairy cattle: Progress and challenges. Journal of Dairy Science, 92: 433-43. [DOI:10.3168/jds.2008-1646]
13. Hayes, B., P. Bowman, A. Chamberlain, K. Verbyla and M. Goddard. 2009b. Accuracy of genomic breeding values in multi-breed dairy cattle populations. Genetics Sellection Evolution, 41: 51. [DOI:10.1186/1297-9686-41-51]
14. Hayes, BJ., H.D. Daetwyler, P. Bowman, G. Moser, B. Tier, R. Crump, M. Khatkar, H.W. Raadsma, M.E. Goddard. 2010. Accuracy of genomic selection: comparing theory and results. In: Proceedings of the 18th Conference of the Association for the Advancement of Animal Breeding and Genetics, 18: 34-37.
15. Hoerl, A.E. and R.W. Kennard. 1970. Ridge regression: Biased estimation for nonorthogonal problems. Technometrics, 12(1): 55-67. [DOI:10.1080/00401706.1970.10488634]
16. Meuwissen, TH., B.J. Hayes and M.E. Goddard. 2001. Prediction of total genetic value using genome-wide dense marker maps. Genetic, 157: 1819-1829.
17. Meuwissen, THE. 2013. The accuracy of genomic selection. Available at: nhttp://www.umb.no/statisk/husdyrforsoksmoter/2013/1_1.pdf.
18. 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: 1738-1745. [DOI:10.2527/1997.7571738x]
19. Park, T. and G. Casella. 2008. The bayesian lasso. American Statistical Association, 103(482): 681-686. [DOI:10.1198/016214508000000337]
20. Perez, P. and G. De los Campos. 2014. Genome-Wide Regression and Prediction with the BGLR Statistical Package. Genetics, 198: 483-495. [DOI:10.1534/genetics.114.164442]
21. Schaeffer, L.R. 2006. Strategy for applying genome-wide selection in dairy cattle. Journal of Animal Breeding and Genetics, 123: 218-223. [DOI:10.1111/j.1439-0388.2006.00595.x]
22. Technow, F.R. 2011. Package hypred: Simulation of genomic data in a pplied genetics. University of Hohenheim.
23. Toosi, A., R. Fernando, J. Dekkers and R. Quaas. 2010. Genomic selection inadmixed and crossbred populations. Journal of Animal Science, 88: 32 pp. [DOI:10.2527/jas.2009-1975]
24. VanRaden, P.M., C.P. Van Tassell and G.R. Wiggans. 2009. Reliability of genomic predictions for North American Holstein bulls. Journal of Dairy Science, 92: 16-24. [DOI:10.3168/jds.2008-1514]
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
