fa ارزیابی صحت پیش‌بینی ژنومی در معماری‌های مختلف ژنومی صفات کمی و آستانه‌ای با جانهی داده‌های ژنومی شبیه‌سازی‌شده، توسط روش جنگل تصادفی ژنتیک و اصلاح نژاد دام ژنتیک و اصلاح نژاد دام پژوهشي Research <strong><span style="color:black;"><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">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&shy; باشد. در نتیجه هدف این تحقیق برآورد صحت جانهی و عوامل مؤثر برآن و ارزیابی صحت ژنومی روش جنگل تصادفی در برای معماری&shy; های مختلف ژنومی برای آنالیز صفات کمی و آستانه‌ای دودویی بود. در فاز اول، داده&shy; های ژنومی از طریق نرم&shy; افزار &nbsp;</span></span></span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">QMSim</span></span></span></strong> <strong><span style="color:black;"><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">با سطوح متفاوت وراثت‌پذیری (05/0 و 25/0)، سطوح مختلف </span></span></span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">LD</span></span></span></strong><strong><span style="color:black;"><span style="font-family:2 mitra;"><span style="font-size:10.0pt;"> (کم و زیاد) و تراکم‌های متفاوت جایگاه‌های صفات کمی (96 و 960) و تعداد 48 کروموزم شبیه‌سازی شدند. در فاز دوم، برای شبیه&shy; سازی شرایط واقعی، بطور تصادفی اقدام به حذف (50 و 90 درصد) برخی نشانگر نموده و در مرحله بعد از طریق نرم افزار </span></span></span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">Flmpute</span></span></span></strong><strong><span style="color:black;"><span style="font-family:2 mitra;"><span style="font-size:10.0pt;"> 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 </span></span></span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">LD</span></span></span></strong><strong><span style="color:black;"><span style="font-family:2 mitra;"><span style="font-size:10.0pt;"> صحت جانهی بهبود می‌یابد. با افزایش نسبت حذف نشانگرها</span></span></span></strong><strong><span style="color:black;"><span style="font-family:2 mitra;"><span style="font-size:10.0pt;"> (90 درصد)</span></span></span></strong><strong><span style="color:black;"><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">، </span></span></span></strong><strong><span style="color:black;"><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">اثر </span></span></span></strong><strong><span style="color:black;"><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">صحت جانهی بر صحت پیش&shy;بینی ژنومی پررنگتر </span></span></span></strong><strong><span style="color:black;"><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">بود</span></span></span></strong><strong><span style="color:black;"><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">. </span></span></span></strong><strong><span style="color:black;"><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">در صفات آستانه‌ای، </span></span></span></strong><strong><span style="color:black;"><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">سناریوی با حد بالای </span></span></span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">QTL</span></span></span></strong><strong><span style="color:black;"><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">، </span></span></span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">LD</span></span></span></strong><strong><span style="color:black;"><span style="font-family:2 mitra;"><span style="font-size:10.0pt;"> و وراثت‌پذیری و در صفات پیوسته، سناریوی با حد بالای </span></span></span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">LD</span></span></span></strong><strong><span style="color:black;"><span style="font-family:2 mitra;"><span style="font-size:10.0pt;"> و وراثت‌پذیری و حد پایین </span></span></span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">QTL</span></span></span></strong><strong><span style="color:black;"><span style="font-family:2 mitra;"><span style="font-size:10.0pt;"> 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. </span></span></span></strong><br> &nbsp;<br> &nbsp; Genomic selection is a promising challenge for discovering genetic variants influencing quantitative and threshold traits for improving the genetic gain and accuracy of genomic prediction in animal breeding. Since a proportion of genotypes are generally uncalled, therefore, prediction of genomic accuracy requires imputation of missing genotypes. The objectives of this study were (1) to quantify imputation accuracy and to assess the factors affecting it; and (2) to evaluate the genomic accuracy of random forest (RF) algorithm to analyze binary threshold and quantitative traits. In the first phase, genomic data were simulated by QMSim software to reflect variations in heritability (h² = 0.05 and 0.25), number of QTL (QTL=96 and 960) and linkage disequilibrium (LD=low and high) for 48 chromosomes.&nbsp; In the second phase, for real condition simulating, we randomly masked markers with 50% and 90% missing rate for each scenario; afterwards, hidden markers were imputed using FImpute software, and estimated imputation accuracy. In the third phase, to estimate genomic breeding values, we applied Random forest algorithm for original (before masking a proportion of SNPs) and imputed genotypes with quantitative and quality phenotypes. The accuracy of imputation was improved with increasing level of LD. With increase a major proportion of masked markers (90%), results of current study shed light on the effects of imputation accuracy on accuracy of genomic prediction. In the scenario combining the highest heritability, LD and QTL for threshold traits and in the scenario combining the highest heritability and LD and the least QTL for quantitative traits, random forest method had the best performance of genomic accuracy. Generally, accuracy of genomic prediction for threshold traits had more precise than quantitative trait when using the random forest method.<br> &nbsp;<br> <strong>&nbsp;</strong><br> &nbsp;<br> &nbsp;<br> &nbsp; عدم تعادل پیوستگی, صفات آستانه‌ای, یادگیری ماشینی, جانهی, معماری ژنومی Linkage disequilibrium, Discrete traits, Machine learning, Imputation, Genomic architecture 129 138 http://rap.sanru.ac.ir/browse.php?a_code=A-10-904-2&slc_lang=fa&sid=1 Yousef Naderi یوسف نادری y.naderi@iau-astara.ac.ir 100319475328460011999 100319475328460011999 Yes Islamic Azad University, Astara Branch استادیار، گروه علوم دامی، دانشگاه آزاد اسلامی، واحد آستارا، آستارا، ایران