Research on Animal Production

fa ژنهای شناسایی شده برای صفت چندقلوزایی در گوسفند زندی با استفاده از روش گرادیان بوستینگ Genes identified for the multiple birth trait in Zandi sheep using the gradient boosting method ژنتیک و اصلاح نژاد دام ژنتیک و اصلاح نژاد دام پژوهشي Research اصلاح نژاد دام و انتخاب مولدین برتر یکی از پایه های اصلی بهبود تولیدات دامی و ارتقای بهرهوری در صنعت دامپروری بهشمار میرود. در این میان، انتخاب دقیق دامها بهعنوان والدین نسل بعد، با هدف بهبود صفات اقتصادی و افزایش پیشرفت ژنتیکی در جمعیت‌های دامی، اهمیت بسزایی دارد. صفات تولیدمثلی در گوسفند، به‌ویژه توانایی میش‌ها در تولید بره‌های بیشتر در هر زایش، از جمله مهم‌ترین شاخص‌های اقتصادی هستند که مستقیماً بر بازده تولید و سودآوری سیستم‌های پرورش اثرگذارند. به همین دلیل، درک دقیق مکانیسم‌های ژنتیکی کنترل‌کننده‌ی این صفات می‌تواند نقش تعیین‌کننده‌ای در طراحی برنامه‌های اصلاح نژادی مدرن ایفا کند. روش‌های یادگیری ماشین به‌ویژه الگوریتم‌های غیرخطی مانند گرادیان بوستینگ (Gradient Boosting) قادرند الگوهای پیچیده‌ی موجود در داده‌های ژنومی را که اغلب از دید مدل‌های آماری سنتی پنهان می‌مانند، آشکار سازند. بنابراین، هدف از این تحقیق، شناسایی ژن‌ها و نشانگرهای تک‌نوکلئوتیدی (SNPs) مؤثر بر صفت چندقلوزایی در گوسفند نژاد زندی با استفاده از الگوریتم گرادیان بوستینگ بود. تحقیق حاضر بر روی دادههای حاصل از تعیین ژنوتیپ 99 راس گوسفند زندی ایستگاه پرورش و اصلاح نژاد گوسفند نژاد زندی تهران (پیشوای ورامین) بوسیلهی تراشههای Ovine SNP 50K شرکت ایلومینا جهت شناسایی ژنها برای صفت چندقلوزایی با استفاده از روش گرادیان بوستینگ صورت گرفته است.  نشانگرهای معنی‌دار شامل OAR13_15404120، OAR14_49049707، OAR19_32369125، OAR5_71435920، OAR12_73124271 وs65981 با روش یادگیری ماشین (گرادیان بوستینگ) برای صفت چندقلوزایی در گوسفند زندی شناسایی شدند. نشانگرهای شناسایی شده در روش‌های یادگیری ماشین با ژن‌های جدیدی شامل CELF2،  TTC9B، CCNP، MAP3K10، FRMD4B، GABRG2، HSD11B1، CACNA1B مرتبط بودند. تحلیل‌های هستی‌شناسی ژن‌ها (GO) نشان داد که این ژن‌ها در فرآیندهای بیولوژیکی متعددی از جمله تنظیم بیان ژن، انتقال سیگنال عصبی، فعالیت‌های هورمونی، رشد سلولی، تنظیم متابولیسم گلوکوکورتیکوئیدها و مسیرهای انتقال کلسیم نقش دارند. برای مثال، ژنHSD11B1 در تنظیم تبدیل کورتیزون به کورتیزول و کنترل پاسخ‌های فیزیولوژیکی مرتبط با باروری نقش دارد. ژن CACNA1B  نیز بخشی از کانال‌های کلسیمی وابسته به ولتاژ است که در ترشح هورمون‌ها و انتقال پیام‌های عصبی مؤثر در فرآیندهای تولیدمثلی نقش دارد. همچنین ژن FRMD4B  در تنظیم چسبندگی سلولی و سیگنال‌دهی در سلول‌های اپیتلیال رحم دخیل است که می‌تواند بر موفقیت لانه‌گزینی و رشد جنین تأثیر بگذارد. مقایسه نتایج با مطالعات پیشین نشان داد که برخی از این ژن‌ها مانند HSD11B1  و CACNA  پیش‌تر نیز در ارتباط با صفات تولیدمثلی و چندقلوزایی در گوسفند گزارش شده‌اند. با این حال، چندین ژن جدید از جمله TTC9B  و MAP3K10  برای نخستین‌بار در جمعیت گوسفند زندی شناسایی شدند. نکته قابل توجه این بود که بسیاری از این ژن‌ها با روش‌های خطی سنتی نظیر GWAS  شناسایی نشده بودند، در حالی‌که الگوریتم گرادیان بوستینگ توانست اثرات غیرخطی و تعاملات ژنی پیچیده را آشکار سازد. این یافته‌ها نشان‌دهنده‌ی قدرت و دقت بالاتر روش‌های یادگیری ماشین در تحلیل داده‌های ژنومی با ابعاد بالا و روابط چندعاملی است.  به‌طور کلی، روش گرادیان بوستینگ با توانایی مدل‌سازی روابط غیرخطی و شناسایی تعاملات بین SNPها، دید عمیق‌تری از ساختار ژنتیکی صفات ارائه می‌دهد و می‌تواند مکمل ارزشمندی برای مدل‌های آماری متداول مانند GWAS محسوب شود. شناسایی ژن‌های کاندید در این پژوهش، بینشی جدید در مورد مسیرهای زیستی دخیل در صفات تولیدمثلی فراهم ساخت و می‌تواند به‌عنوان مبنایی برای مطالعات عملکردی آینده و برنامه‌های انتخاب ژنومی دقیق‌تر مورد استفاده قرار گیرد. افزون بر این، نتایج تحلیل غنی‌سازی مجموعه ژنی (Gene Set Enrichment)  برای ژن‌های شناسایی‌شده نشان داد که بیشتر آن‌ها در مسیرهای زیستی مرتبط با پاسخ‌های هورمونی، رشد فولیکولی و تنظیم متابولیسم انرژی فعال هستند. در مجموع، یافته‌های حاصل از این تحقیق می‌تواند به روشن‌تر شدن مکانیسم‌های ژنتیکی کنترل‌کننده‌ی صفات تولیدمثلی در گوسفند نژاد زندی کمک کند و زمینه‌ساز طراحی راهبردهای اصلاح نژادی کارآمدتر در جهت افزایش بهره‌وری و بهبود صفات اقتصادی در جمعیت‌های دامی کشور باشد.   <div style="text-align: justify;"> Livestock breeding and selection of superior breeders are considered one of the main foundations for improving livestock production and promoting productivity in the livestock industry. In this regard, careful selection of animals as parents of the next generation is of great importance, with the aim of improving economic traits and increasing genetic progress in livestock populations. Reproductive traits in sheep, especially the ability of ewes to produce more lambs per calving, are among the most important economic indicators that directly affect production efficiency and profitability of breeding systems. For this reason, a detailed understanding of the genetic mechanisms controlling these traits can play a decisive role in the design of modern breeding programs. Machine learning methods, especially nonlinear algorithms such as Gradient Boosting, are able to reveal complex patterns in genomic data that are often hidden from the view of traditional statistical models. Therefore, the aim of this study was to identify genes and single nucleotide polymorphisms (SNPs) affecting the litter size trait in Zandi sheep using the gradient boosting algorithm.                                                                                                                            The present study was conducted on data obtained from genotyping 99 Zandi sheep at Tehran Zandi Sheep Breeding and Improvement Station (Pishvay Varamin) using Illumina Ovine SNP 50K chips to identify genes for the litter size trait using the gradient boosting method.                                Significant markers including OAR13_15404120, OAR14_49049707, OAR19_32369125, OAR5_71435920, OAR12_73124271 and s65981 were identified by machine learning (gradient boosting) for the trait of litter size in Zandi sheep. The markers identified by machine learning methods were associated with novel genes including CELF2, TTC9B, CCNP, MAP3K10, FRMD4B, GABRG2, HSD11B1, CACNA1B. Gene ontology (GO) analyses showed that these genes are involved in numerous biological processes including gene expression regulation, neural signal transduction, hormonal activities, cell growth, regulation of glucocorticoid metabolism and calcium transport pathways. For example, the HSD11B1 gene is involved in regulating the conversion of cortisone to cortisol and controlling physiological responses related to fertility. The CACNA1B gene is also part of the voltage-gated calcium channels that play a role in hormone secretion and transmission of nerve messages effective in reproductive processes. The FRMD4B gene is also involved in regulating cell adhesion and signaling in uterine epithelial cells, which can affect implantation success and embryo development. Comparison of the results with previous studies showed that some of these genes, such as HSD11B1 and CACNA, have also been previously reported to be associated with reproductive traits and litter size in sheep. However, several novel genes, including TTC9B and MAP3K10, were identified for the first time in the Zandi sheep population. It was noteworthy that many of these genes were not identified by traditional linear methods such as GWAS, while the gradient boosting algorithm was able to reveal nonlinear effects and complex gene interactions. These findings indicate the higher power and accuracy of machine learning methods in analyzing high-dimensional genomic data and multifactorial relationships.                                                                                         In general, the gradient boosting method, with its ability to model nonlinear relationships and identify interactions between SNPs, provides a deeper view of the genetic structure of traits and can be a valuable complement to conventional statistical models such as GWAS. The identification of candidate genes in this study provided new insight into the biological pathways involved in reproductive traits and can be used as a basis for future functional studies and more precise genomic selection programs. In addition, the results of Gene Set Enrichment analysis for the identified genes showed that most of them are active in biological pathways related to hormonal responses, follicular growth, and energy metabolism regulation. Overall, the findings of this study can help clarify the genetic mechanisms controlling reproductive traits in Zandi sheep and pave the way for designing more efficient breeding strategies to increase productivity and improve economic traits in the country's livestock populations.                                </div> ژن های کاندید, گرادیان بوستینگ, ماشین لیرنینگ, صفت چندقلوزایی Candidate genes, Gradient boosting, Machine learning, litter size trait 0 0 http://rap.sanru.ac.ir/browse.php?a_code=A-10-185-15&slc_lang=fa&sid=1 Roghaye Tanegonbadi رقیه طعنه گنبدی tanegonbadiroghaye@gmail.com 100319475328460027246 100319475328460027246 No University of Tehran دانشگاه تهران Hossein Moradi Shahrbabak حسین مرادی شهربابک hmoradis@ut.ac.ir 100319475328460027247 100319475328460027247 Yes University of Tehran دانشگاه تهران Mohammad Moradi shahrbabak محمد مرادی شهربابک moradim@ut.ac.ir 100319475328460027248 100319475328460027248 No University of Tehran دانشگاه تهران Hossein Bani saadat حسین بانی سعادت h.bani1990@gmail.com 100319475328460027249 100319475328460027249 No Tarbiat Modares University دانشگاه تربیت مدرس