Research on Animal Production

fa بررسی عملکرد روش ششم از رگرسیون ریج در ارزیابی ژنومی صفات آستانه‌دار با معماری ژنتیکی افزایشی و غالبیت Assessing the Performance of Ridge Regression Method-6 in Genomic Evaluation of Discrete Threshold Traits with Additive and Dominance Genetic Architecture ژنتیک و اصلاح نژاد دام ژنتیک و اصلاح نژاد دام پژوهشي Research <div style="text-align: justify;">چکیده مبسوط مقدمه و هدف: یکی از مسائل مهم در انتخاب ژنومی، برآورد اثر نشانگرها است. روش‌های مختلفی در طی سال‌های اخیر جهت برآورد اثر نشانگرها پیشنهاد شده‌اند که هر کدام ارزش‌های اصلاحی ژنومی را با صحت متفاوتی برآورد می نمایند. یکی از روشهای مورد استفاده در ارزیابی ژنومی روش رگرسیون ریج می‌باشد (rrBLUP) که در مطالعات مختلف برای پیش بینی ارزشهای اصلاحی ژنومی مورد استفاده قرار گرفته است. اخیراً با اعمال تغییراتی در پارامترهای روشrrBLUP نسخه‌ای از این روش تحت عنوان رگرسیون ریج-روش ششم (RR-m6) برای حل مسائل رگرسیون پیشنهاد شده است. با این حال، تاکنون این روش در ارزیابی ژنومی صفات آستانه‌دار با معماری ژنتیکی افزایشی و غالبیت مورد استفاده قرار نگرفته است و عملکرد آن در این زمینه مشخص نیست. لذا در این تحقیق عملکرد پیش بینی این روش با سایر روش‌های رایج در ارزیابی ژنومی مقایسه شد. مواد و روش‌ها: ژنومی شامل 10 کروموزوم، هر کدام حاوی 1000 نشانگر تک نوکلئوتیدی دو آللی (SNP) در سطح وراثت پذیری 0/5 شبیه‌سازی شد. به همه جایگاه‌های صفات کمی (QTLها) اثرات ژنتیکی افزایشی داده شد که اثرات آنها با توزیع گاما مدلسازی شد. دو سناریو از تعدادQTL  به‌صورت 1% و 10% از تعداد کل SNPها (به‌ترتیب 10 و 100 QTL به ازاء هر کروموزوم) در نظر گرفته شد. همچنین در سناریوهای مختلف به 0/0، 50 و 100% از QTLها اثر غالبیت داده شد. ارزش‌های اصلاحی ژنومی با استفاده از روش‌های RR-m6، rrBLUP، GBLUP، BayesA، درخت رگرسیونی (RT)، جنگل تصادفی (Random Forest, RF) و Boosting برآرود شده و شاخص‌های صحت پیش بینی، اریبی و پراکنش (تورم ارزشهای اصلاحی ژنومی) برای تجزیه و تحلیل ارزش‌های اصلاحی حاصل و مقایسه روش‌های مختلف مورد استفاده قرار گرفتند. در ضمن، زمان محاسباتی و میزان حافظه مورد نیاز برای پردازش کدهای مربوط به هر روش بر روی CPU محاسبه شد. یافته‌ها: نتایج نشان داد استفاده از یک مدل صرفاً افزایشی زمانی که اثرات ژنتیک غالبیت در تنوع فنوتیپی صفت مشارکت داشته باشند، منجر به کاهش صحت و افزایش اریبی و پراکنش ارزشهای اصلاحی ژنومی خواهد شد که میزان آن با تعداد QTLهایی که اثر غالبیت دارند رابطه مستقیم داشت. در مقایسه با سایر روش‌ها، روش RR-m6 عملکرد بسیار مطلوبی از خود نشان داد به‌صورتیکه در تمامی سناریوهای مطالعه شده، ارزش‌های اصلاحی ژنومی حاصل از آن از بیشترین صحت و کمترین اریبی و پراکنش برخوردار بود اگرچه در بیشتر موارد تفاوت آن با روش BayesA معنی‌دار نبود. از نظر سرعت محاسباتی روش RR-m6 سریعترین روش‌ها بود و در ضمن در مقایسه با سایر روش‌ها به حافظه کمتری برای انجام تجزیه و تحلیل ها احتیاج داشت. نتیجه‌گیری: نتایج نشان داد از آنجا که روش RR-m6 ارزشهای اصلاحی ژنومی را با صحت بالایی پیش بینی می‌کند و در ضمن از نظر مدت زمان انجام محاسبات و میزان حافظه مورد نیاز نیز بسیار کارآمد است، می‌توان از آن برای ارزیابی ژنومی صفات آستانه دار استفاده نمود.</div> <div style="text-align: justify;"> <div style="text-indent: -0.5pt;">Extended Abstract </div> <div>Background: One of the important issues in genomic selection is estimating the effect of markers. In recent years, various methods have been proposed to estimate marker effects, each providing genomic breeding values with different levels of accuracy. One commonly used method in genomic evaluation is ridge regression (rrBLUP), which has been applied in various studies to predict genomic breeding values. Recently, modifications to the parameters of the rrBLUP method have led to the development of a variant known as Ridge Regression method 6 (RR-m6) to address regression problems. However, this method has not yet been utilized in the genomic evaluation of threshold traits with additive and dominant genetic architectures, and its performance in this context remains unknown. Therefore, this research aimed to compare the prediction performance of the RR-m6 method with other common methods of genomic evaluation. Methods: A genome consisting of 10 chromosomes, each containing 1,000 bi-allelic single nucleotide polymorphisms (SNPs), was simulated at a heritability level of 0.5. All quantitative trait loci (QTLs) were assigned additive genetic effects, modeled by a gamma distribution. Two scenarios for the number of QTLs were considered: 1% and 10% of the total number of SNPs (100 and 1,000 QTLs, respectively). Additionally, in different scenarios, 0%, 50%, and 100% of QTLs were assigned dominance effects. Genomic breeding values were estimated using RR-m6, rrBLUP, GBLUP, BayesA, regression tree (RT), Random Forest (RF), and boosting. Indicators from the LR method, including prediction accuracy, bias, and dispersion (inflation) of genomic breeding values, were used to analyze the breeding values estimated by different methods. Furthermore, the computing time and memory required to execute the codes of each method on the CPU were calculated. Results: The results indicated that using a purely additive model when genetic dominance effects contributed to the phenotypic variation of the trait led to decreased accuracy and increased bias and dispersion of the genomic breeding values. The extent of these effects depended on the number of QTLs exhibiting dominance. Compared to other methods, RR-m6 demonstrated excellent performance, as it consistently yielded the highest accuracy and the lowest bias and dispersion across all studied scenarios, although differences were not significant in most cases when compared to BayesA. In terms of computational speed, the RR-m6 method was the fastest and required less memory than other methods for analysis. Conclusion: The findings suggest that the RR-m6 method predicts genomic breeding values with high accuracy and is efficient in terms of computing time and memory requirements, making it a viable option for the genomic evaluation of threshold traits.</div> </div> <div></div> انتخاب ژنومی, اثرات ژنتیکی غالبیت, نشانگر تک نوکلئوتیدی دو آللی, QTL Dominance genetic effects, Genomic selection, QTL, Single nucleotide polymorphism 102 113 http://rap.sanru.ac.ir/browse.php?a_code=A-10-557-6&slc_lang=fa&sid=1 Farhad Ghafouri-Kesbi فرهاد غفوری کسبی farhad_ghy@yahoo.com 100319475328460022985 100319475328460022985 Yes Department of Animal Science, Faculty of Agriculture, Bu-Ali Sina University, Hamedan, Iran گروه علوم دامی، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران