دوره 9، شماره 19 - ( بهار 1397 )                   جلد 9 شماره 19 صفحات 83-92 | برگشت به فهرست نسخه ها

XML English Abstract Print


دانشگاه تبریز
چکیده:   (220 مشاهده)

     توسعه انتخاب ژنومی استراتژی­ های جدیدی را در اصلاح نژاد حیوانات ایجاد کرده است. هدف از این مطالعه بررسی کارایی انتخاب ژنومی در برنامه­ های اصلاح نژادی مرغان بومی بود. در این مطالعه یک سناریوی مرجع با تعداد 3380 پرنده با استفاده از اطلاعات فنوتیپی و شجره­ای شبیه­ سازی شد و پیشرفت ژنتیکی با روش قطعی توسط نرم­افزار ZPLAN+ ارزیابی گردید. این سناریو با دو برنامه اصلاحی ژنومی به­ منظور تعیین بهترین استراتژی برای کاربرد اطلاعات ژنومی در مرغان بومی مقایسه شد. در سناریوی ژنومی اول از اطلاعات ژنومی هر دو جنس و در سناریوی ژنومی دوم تنها از اطلاعات ژنومی خروس­ ها استفاده شد. در هر دو سناریو ژنومی تعداد کاندیداهای انتخابی نر بین 800 تا 1600 خروس متغیر بود و چهار اندازه از جمعیت مرجع (500، 1000، 1500 و یا 2000 پرنده) در نظر قرار گرفت. فاصله بین­نسلی در سناریوی مرجع برابر با 5/14 ماه بود. در هر دو سناریوی ژنومی، انتخاب در زودترین زمان ممکن از لحاظ بیولوژیکی انجام شد. به­ همین دلیل فاصله بین­نسلی به 8 ماه کاهش یافت. در سناریوهای ژنومی رشد ژنتیکی و سود اقتصادی برنامه اصلاحی افزایش یافت (9434880 ریال تا 10931310 ریال سود به­ ازای هر واحد حیوانی در سناریوی دو). دقت شاخص انتخاب در سناریوی مرجع برای مسیر خروس­ها 61/0 و برای مسیر مرغ­ها 63/0 بود. دقت در سناریوهای ژنومی در مقایسه با سناریوی مرجع افزایش داشت (67/0 تا 76/0). این مطالعه نشان داد افزایش دقت و کاهش فاصله بین­نسلی در سناریوهای ژنومی تأثیر مثبت بر سود و رشد ژنتیکی داشت. بنابراین کاربرد اطلاعات ژنومی کارایی برنامه­های اصلاحی را در مرغان بومی افزایش داد. با تکیه بر نتایج بدست آمده از این مطالعه، می­توان انتخاب ژنومی را در برنامه ­های اصلاحی ژنومی مرغان بومی کشور به کار برد. برای کاهش هزینه­ ها نیز پیشنهاد می ­شود کاربرد تراشه­ های SNP با تراکم پایین بررسی شود.
 

متن کامل [PDF 3214 kb]   (113 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: ژنتیک و اصلاح نژاد طیور

فهرست منابع
1. Abbasi, M.A., H. Emamgholi Begl and S.H. Ghorbani. 2017. Estimation of (co)variance components of egg quality traits for Fars native fowls. Research on Animal Production, 8: 195-200. [DOI:10.29252/rap.8.15.195]
2. Baneh, B., A. Nejati Javaremi, G.H. 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. [DOI:10.29252/rap.8.15.149]
3. Dekkers, J.C.M. 2007. Prediction of response to marker- assisted and genomic selection using selection index theory. Journal of Animal Breeding and Genetics, 124: 331-341. [DOI:10.1111/j.1439-0388.2007.00701.x]
4. Erbe, M., F. Renhardt and H. Simianer. 2011. Empirical determination of the number of independent chromosome segments based on cross-validated data. In Book of Abstracts of the 62nd EAAP ConferenceGottingen, Germany, 115 pp.
5. Ghazikhani Shad, A., A. Nejati Javaremi and H. Mehrabani Yeganeh. 2007. Animal model estimation of genetic parameters for most important economic traits in Iranian native fowls. Pakistan Journal of Biological sciences, 10: 2787-2789. [DOI:10.3923/pjbs.2007.2787.2789]
6. 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]
7. Gorgani Firozjah, N., H. Atashi and A. Zare. 2015. Estimation of genetic parameters for economic traits in Mazandaran native chickens. Journal of Animal and Poultry Sciences, 4: 20-26.
8. Haberland, A., F. Ytournel and H. Simianer. 2011. Einbindung genomischer Informationen in den Selektionsindex. In Vortragstagung Der Gesellschaft Für Züchtungskunde e.V. (DGfZ) Und Der Gesellschaft Für Tierzuchtwissenschaften (GfT), Freising-Weihenstephan.
9. Hoffmann, I. 2005. Research and investment in poultry genetic resources-challenges and option for sustainable use. World's Poultry Science Journal, 61: 57-70. [DOI:10.1079/WPS200449]
10. Khodabakhshzadeh, R., M.R. Mohammadabadi, A.K. Esmailizadeh, A. Koshkoieh, H. Moradi-Shahrebabak, F. Bordbar and S. Ansari Namin. 2016. Identification of point mutations in exon 2 of GDF9 gene in Kermani sheep. Polish Journal of Veterinary Sciences, 19: 281-289. [DOI:10.1515/pjvs-2016-0035]
11. Kiani manesh, H., A. Nejati Javaremi and G.H. Rahimi Mianji. 2001. Estimation of economic values for production traits of Iranian native fowls. Journal of Agriculture and Rural Omran, 3: 53-61.
12. König, S., H. Simianer and A. Willam. 2009. Economic evaluation of genomic breeding programs. Journal of Dairy Science, 92: 382-391. [DOI:10.3168/jds.2008-1310]
13. 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.
14. Moazeni, S., M.R. Mohammadabadi, M. Sadeghi, H. Shahrbabak, A. Koshkoieh and F. Bordbar. 2016a. Association between UCP Gene Polymorphisms and growth, breeding value of growth and Reproductive Traits in Mazandaran Indigenous Chicken. Open Journal of Animal Sciences, 6: 1-8. [DOI:10.4236/ojas.2016.61001]
15. Moazeni, S.M., M.R. Mohammadabadi, M. Sadeghi, H. Moradi Shahrbabak and A.K. Esmailizadeh. 2016. Association of the melanocortin-3(MC3R) receptor gene with growth and reproductive traits in Mazandaran indigenous chicken. Journal of Livestock Science and Technologies, 4: 51-56.
16. Mohammadabadi, M.R. and R. Sattayimokhtari. 2013. Estimation of (co) variance components of ewe productivity traits in Kermani sheep. Slovak. Journal of Animal Science, 46: 45-51.
17. Mohammadabadi, M.R., M. Nikbakhti, H.R. Mirzaee, A. Shandi, D.A. Saghi, M.N. Romanov and I.G. Moiseyeva. 2010. Genetic variability in three native Iranian chicken populations of the Khorasan province based on microsatellite markers. Russian journal of genetics, 45: 505-509. [DOI:10.1134/S1022795410040198]
18. Mohammadifar, A. and M.R. Mohammadifar. 2011. Application of microsatellite markers for a study of Kermani sheep genome. Iranian journal of Animal Science, 42: 337-344.
19. Mousavizadeh, A., M.R. Mohammadabadi, A. Torabi, M.R. Nassiry, H. Ghiasi and A.K. Esmailizadeh. 2009. Genetic polymorphism at the growth hormone locus in Iranian Talli goats by polymerase chain reaction-single strand conformation polymorphism (PCR-SSCP). Iranian Journal of Biotechnology, 7: 51-53.
20. Nejati Javaremi, A., C. Smith and J.P. 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]
21. Shahdadnejad, N., M.R. Mohammadabadi and M. Shamsadini. 2016. Typing of clostridium perfringens isolated from broiler chickens using multiplex PCR. Genetics in the 3rd millennium, 14: 4368-4374.
22. Sitzenstock, F., F. Ytournel, A.R. Sharifi, D. Cavero, H. Täubert, R. Preisinger and H. Simianer. 2013. Efficiency of genomic selection in an established commercial layer breeding program. Genetic Selection Evolution, 45: 1-11. [DOI:10.1186/1297-9686-45-29]
23. Täubert, H., F. Reinhardt and H. Simianer. 2010. ZPLAN+ new software to evaluate and optimize animal breeding programs. Leipzig: In Proceedings of the 9th World Congress on Genetics Applied to Livestock Production, Gottingen, Germany.
24. Vajed Ebrahimi, MT., M.R. Mohammadabadi and A. Esmailizadeh. 2017. Using microsatellite markers to analyze genetic diversity in 14 sheep types in Iran. Archives Animal. Breeding, 60: 183-189.
25. Wolc, A., A. Kranis, J. Arango, P. Settar, J.E. Fulton, N.P. O'Sullivan, A. Avendano, K.A. Watson, J.M. Hickey, G. Deos Campos, R.L. Fernando, D.J. Garrick and J.C.M. Dekkers. 2016. Implementation of genomic selection in the poultry industry. Animal Frontiers, 6: 23-31. [DOI:10.2527/af.2016-0004]
26. Zandi, E., M.R. Mohammadabadi, M. Ezzatkhah and A.K. Esmailizadeh. 2014. Typing of toxigenic isolates of clostridium perfringens by Multiplex PCR in Ostrich. Iranian Journal of Applied Animal Science, 4: 509-514.