دوره 11، شماره 30 - ( زمستان 1399 )                   جلد 11 شماره 30 صفحات 114-109 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

mohammadi Y, ahmadpanah J. (2020). Effect of Reference Population Size and Imputation Methods on the Accuracy of Imputation in Pure and Mixed Populations. Res Anim Prod. 11(30), 109-114. doi:10.52547/rap.11.30.109
URL: http://rap.sanru.ac.ir/article-1-1088-fa.html
محمدی یحیی، احمدپناه جواد. اثر اندازه جمعیت مرجع و روش های استنباط ژنوتیپ بر صحت استنباط در جمعیت های خالص و آمیخته پژوهشهاي توليدات دامي 1399; 11 (30) :114-109 10.52547/rap.11.30.109

URL: http://rap.sanru.ac.ir/article-1-1088-fa.html


1- گروه علوم دامی دانشگاه ایلام
2- بخش تحقیقات علوم دامی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی کرمانشاه، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرمانشاه، ایران
چکیده:   (2782 مشاهده)
استنباط ژنوتیپ به­ عنوان یک روش تبدیل تراشه­ های با تراکم پایین به تراشه­ های با تراکم بالا به­ منظور افزایش صحت انتخاب ژنومی در حیوانات است. در پژوهش حاضر به­ منظور بررسی صحت استنباط ژنوتیپ سه جمعیت آمیخته (سناریو 1)، خالص (سناریو 2) و آمیخته + خالص (سناریو 3) به کمک نرم­افزار QMSim شبیه­ سازی شد. از دو روش استنباط ژنوتیپ Beagle و Flmpute برای دو نوع تراشه با تراکم کم و زیاد استفاده شد. اندازه جمعیت مرجع برای هر سناریو 250، 500 و 1000 حیوان انتخاب شد. نتایج پژوهش حاضر نشان داد که برای تمام سناریوها با افزایش اندازه جمعیت مرجع از 250 به 500 حیوان، افزایش صحت استنباط ژنوتیپ بیشتر و از 500 به 1000 حیوان این افزایش، کندتر شد. صحت استنباط ژنوتیپ به­ کمک روش Flmpute نسبت به Beagle برای اندازه جمعیت مرجع کوچک (250 حیوان) بیشتر نمایان شد. در اندازه­ های جمعیت مرجع 500 و 1000 حیوان در تمام سناریوها افزایش صحت Flmpute نسبت به ­روش Beagle معنی­ دار نبود. برای سناریو 1 میزان صحت استنباط ژنوتیپ نسبت به سناریو 2 بیشتر برآورد شد. افزایش صحت استنباط ژنوتیپ در سناریو 3 در مقایسه با سناریو 1بی­ معنی شد. به­ طور کلی نتایج پژوهش حاضر نشان داد که در کشورهای در حال توسعه که جمعیت حیوانی تعیین ژنوتیپ شده کوچک در دسترس هست، برای افزایش صحت انتخاب ژنومی استفاده از روش استنباط ژنوتیپ Flmpute به کمک جمعیت آمیخته با افزایش ارتباط خویشاوندی بین جمعیت مرجع و هدف می ­توان به ­عنوان یک راهکار مناسب استفاده شود.
متن کامل [PDF 531 kb]   (703 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: ژنتیک و اصلاح نژاد دام
دریافت: 1398/12/11 | پذیرش: 1399/3/18

فهرست منابع
1. Aliloo, H., R. Mrode, A.M. Okeyo, G. Ni, M.E. Goddard and J.P. Gibson. 2018. The feasibility of using low-density marker panels for genotype imputation and genomic prediction of crossbred dairy cattle of East Africa. Journal Dairy Science, 101: 9108-9127. [DOI:10.3168/jds.2018-14621]
2. Boichard, D., H. Chung, R. Dassonneville, X. David, A. Eggen, S. Fritz, K.J. Gietzen, B.J. Hayes, C. T. Lawley, T.S. Sonstegard, C.P. Van Tassell, P.M. VanRaden, K.A. Viaud-Martinez, G.R. Wiggans, and Bovine L.D. Consortium. 2012. Design of a bovine low-density SNP array optimized for imputation. PLoS One, 7: e34130. [DOI:10.1371/journal.pone.0034130]
3. Bolormaa, S., K. Gore, J.H.J. van der Werf, B.J. Hayes and H.D. Daetwyler. 2015. Design of a low density SNP chip for the main Australian sheep breeds and its effect on imputation and genomic prediction accuracy. Animal Genetics, 46: 544-556. [DOI:10.1111/age.12340]
4. Bouwman, A.C. and R.F. Veerkamp. 2014. Consequences of splitting whole genome sequencing effort over multiple breeds on imputation accuracy. BMC Genetic, 15: 105. [DOI:10.1186/s12863-014-0105-8]
5. Browning, B., Zhou, Y. and S. Browning. 2018. A one-penny imputed genome from next-generation reference panels. The American Journal of Human Genetics, 103: 338-348. [DOI:10.1016/j.ajhg.2018.07.015]
6. Browning, B.L. and S.R. Browning. 2016. Genotype imputation with millions of reference samples. American Journal of Human Genetics, 98: 116-126. [DOI:10.1016/j.ajhg.2015.11.020]
7. de Roos, A.P.W., B.J. Hayes, R.J. Spelman and M.E. Goddard. 2008. Linkage disequilibrium and persistence of phase in Holstein- Friesian, Jersey and Angus cattle. Genetics, 179: 1503-1512. [DOI:10.1534/genetics.107.084301]
8. Habier, D., R.L. Fernando and J.C.M. Dekkers. 2009. Genomic selection using low-density marker panels. Genetics, 182: 343-353. [DOI:10.1534/genetics.108.100289]
9. Hozé, C., M.N. Fouilloux, E. Venot, F. Guillaume, R. Dassonneville, S. Fritz, V. Ducrocq, F. Phocas, D. Boichard and P. Croiseau. 2013. High-density marker imputation accuracy in sixteen French cattle breeds. Genetic Selection Evolution, 45: 33. [DOI:10.1186/1297-9686-45-33]
10. Ghoreishifar S.M., H. Moradi-Shahrbabak, M. Moradi-Shahrbabak, E.L. Nicolazzi, J.L. Williams, D. Iamartino and A. Nejati- Javaremi. 2018. Accuracy of imputation of single-nucleotide polymorphism marker genotypes for water buffaloes (Bubalusbubalis) using different refer‌ence population sizes and imputation tools. Livestock Science, 216: 174-182. [DOI:10.1016/j.livsci.2018.08.009]
11. Korkuc, P., D. Arneds and G.A. Brockmann. 2019. Finding the optimal imputation strategy for small cattle populations animal breeding biology and molecular genetics. Frontiers in Genetics, 10: 52-59. [DOI:10.3389/fgene.2019.00052]
12. Ma, P., R.F. Brøndum, Q. Zhang, M.S. Lund and G. Su. 2013. Comparison of different methods for imputing genome-wide marker genotypes in Swedish and Finnish Red Cattle. Journal Dairy Science, 96: 4666-4677. [DOI:10.3168/jds.2012-6316]
13. Ma, P., R.F. Brondum, Q. Zhang, M.S. Lund and G. Su. 2013. Comparison of different methods for imputing genome-wide marker genotypes in Swedish and Finnish Red Cattle. Journal Dairy Science, 96: 4666-4677. [DOI:10.3168/jds.2012-6316]
14. Meuwissen, T., B. Hayes and M. Goddard. 2016. Genomic selection: A paradigm shift in animal breeding. Animal Frontiers, 6: 6-14. [DOI:10.2527/af.2016-0002]
15. Milanesi, M., D. Vicario, A. Stella, A. Valentini, P. Ajmone‐Marsan, S. Biffani, F. Biscarini, G. Jansen and E.L. Nicolazzi. 2015. Imputation accuracy is robust to cattle reference genome updates. Animal Genetics, 46: 69-72. [DOI:10.1111/age.12251]
16. Mohammadi, Y. and M. Mokhtari. 2017. Genomic selection accuracy parametric and nonparametric statistical methods with additive and dominance genetic architectures. Research on Animal Production, 8(18): 161-167 (In Persian). [DOI:10.29252/rap.8.18.161]
17. Mulder H., M. Calus, T. Druet and C. Schrooten. 2012. Imputation of genotypes with low-density chips and its effect on reliability of direct genomic values in Dutch Holstein cattle. Journal of Dairy Science, 95: 876-889. [DOI:10.3168/jds.2011-4490]
18. Ogawa, S., H. Matsuda, Y. Taniguchi, T. Watanabe, A. Takasuga, Y. Sugimoto and H. Iwaisaki. 2016. Accuracy of imputation of single nucleotide polymorphism marker genotypes from low‐density panels in Japanese Black cattle. Journal Animal Science, 87: 3-12. [DOI:10.1111/asj.12393]
19. Pausch, H., I.M. MacLeod, R. Fries, R. Emmerling, P.J. Bowman and H.D. Daetwyler. 2017. Evaluation of the accuracy of imputed sequence variant genotypes and their utility for causal variant detection in cattle. Genetic Selection Evolution, 49: 1-10. [DOI:10.1186/s12711-017-0301-x]
20. Pausch, H., B. Aigner, R. Emmerling, C. Edel, K.U. Götz and R. Fries. 2013. Imputation of high-density genotypes in the Fleckvieh cattle population. Genetic Selection Evolution, 45: 3. [DOI:10.1186/1297-9686-45-3]
21. Nicolazzi, E., S. Biffani and G. Jansen. 2013. Short communica‌tion: Imputing genotypes using PedImpute fast algorithm combining pedigree and population information. Journal of Dairy Science, 96: 2649-2653. [DOI:10.3168/jds.2012-6062]
22. Sargolzaei, M., J.P. Chesnais and F.S. Schenkel. 2014. A new approach for efcient genotype imputation using information from relatives. BMC Genomics, 15. [DOI:10.1186/1471-2164-15-478]
23. Sargolzaei M. and F.S. Schenkel. 2009. QMSim: a large-scale genome simulator for livestock. Bioinformatics, 25: 680-1. [DOI:10.1093/bioinformatics/btp045]
24. Van Binsbergen, R., M.C. Bink, M.P. Calus, F.A. van Eeuwijk, B.J. Hayes and I. Hulsegge. 2014. Accuracy of imputation to whole-genome sequence frontiers in genetics data in Holstein Friesian cattle. Genetic Selection Evolution, 46: 41. [DOI:10.1186/1297-9686-46-41]
25. VanRaden P., C. Sun and J. O'Connell. 2015. Fast imputation using medium or low-coverage sequence data. BMC Genetics, 16(82): 2039-2042. [DOI:10.1186/s12863-015-0243-7]
26. Ventura, R.V., D. Lu, F.S. Schenkel, Z. Wang, C. Li and S.P. Miller. 2014. Impact of reference population on accuracy of imputation from 6K to 50K single nucleotide polymorphism chips in purebred and crossbreed beef cattle1. Journal Animal Science, 92: 1433-1444. [DOI:10.2527/jas.2013-6638]
27. Wang, Z. and N. Chatterjee. 2017. Increasing mapping precision of genome wide association studies: to genotype and impute, sequence, or both? Genome Biology, 18: 17-19. [DOI:10.1186/s13059-017-1255-6]

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به پژوهشهای تولیدات دامی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 CC BY-NC 4.0 | Research On Animal Production

Designed & Developed by : Yektaweb