TY - JOUR T1 - 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 TT - ارزیابی صحت پیش‌بینی ژنومی در معماری‌های مختلف ژنومی صفات کمی و آستانه‌ای با جانهی داده‌های ژنومی شبیه‌سازی‌شده، توسط روش جنگل تصادفی JF - rap JO - rap VL - 9 IS - 20 UR - http://rap.sanru.ac.ir/article-1-877-fa.html Y1 - 2018 SP - 129 EP - 138 KW - Linkage disequilibrium KW - Discrete traits KW - Machine learning KW - Imputation KW - Genomic architecture N2 - 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. M3 10.29252/rap.9.20.129 ER -