دوره 12، شماره 33 - ( پاییز 1400 1400 )                   جلد 12 شماره 33 صفحات 150-139 | برگشت به فهرست نسخه ها


XML English Abstract Print


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

madad Jirhandeh M, Shodga J, Alijani S, rafat S A, Dekkers J. (2021). Genetic Evaluation of Body Weight of American Simmental Beef Cattle using Single-Step GBLUP Approaches. rap. 12(33), 139-150. doi:10.52547/rap.12.33.139
URL: http://rap.sanru.ac.ir/article-1-1196-fa.html
مدد جیرهنده مصطفی، شجاع جلیل، علیجانی صادق، رافت سید عباس، دکرز جک. ارزیابی ژنتیکی صفات وزن بدن در گاوهای گوشتی سیمنتال آمریکا با استفاده از روش تک مرحله ای بهترین پیش بینی خطی نااریب ژنومی (ssGBLUP) پژوهشهاي توليدات دامي 1400; 12 (33) :150-139 10.52547/rap.12.33.139

URL: http://rap.sanru.ac.ir/article-1-1196-fa.html


گروه علوم دامی، دانشگاه تبریز، تبریز، ایران
چکیده:   (2293 مشاهده)
     در این تحقیق به ­منظور برآورد پارامترهای ژنتیکی و روند ژنتیکی صفات وزن بدن از اطلاعات 19171 راس گاو گوشتی نژاد سیمنتال آمریکا شامل 8758 راس گاو نر و 10413 راس گاو ماده مربوط به سال­هـای 1378 تـا 1394 اسـتفاده شـد. از تعداد 5199، 10926، 7362 و 5636 راس گاو ژنوتیپ شده بر اساس نشانگرهای SNP به ­ترتیب برای ارزیابی ژنتیکی صفات وزن تولد، وزن شیرگیری، وزن یک سالگی و افزایش وزن پس از شیر گیری تا یک سالگی استفاده شد. پارامترهای ژنتیکی با استفاده از مدل حیوانی تک صفتی و دو صفتی و به کمک نرم افزار BLUPf90  برآورد شد. در آنالیز تـک صـفتی وراثت ­پذیری وزن تولد، وزن شیرگیری، وزن یک سالگی و افزایش وزن پس از شیرگیری تا یک سالگی به ­ترتیب 0/02 ± 0/38 ، 0/01 ± 0/24، 0/01 ± 0/35 و 0/02 ± 0/22 برآورد شد. همبستگی ژنتیکی وزن تولد با افزایش وزن پس از شیرگیری تا یک سالگی 0/31 به دست آمد. بیشترین صحت پیش ­بینی ژنومی مریوط به وزن شیرگیری (0/68) و کمترین آن مربوط به افزایش وزن پس از شیرگیری تا یکسالگی (0/27) برآورد شد. روند ژنتیکی وزن تولد، وزن شیرگیری، وزن یک سالگی و افزایش وزن پس از شیرگیری تا یک سالگی به­ ترتیب 0/13، 0/28، 3/43 و 0/05 کیلوگرم در سال بدست آمد. علاوه ­براین، نوسـانات اندکی در روند ژنتیکی تمامی صفات به­ ویژه وزن شیرگیری و وزن یکسالگی طـی سـال ­هـای مـورد بررسـی مشاهده شد که نشان از وجود اهداف و معیار انتخاب مشـخص در هر یک از این صفات می باشد. همچنین، در مجموع سهQTL  با اثر عمده روی کروموزوم ­های شش در موقعیت 37 میلیون باز، کروموزوم هفت در موقعیت 90 میلیون باز و کروموزوم چهارده در موقعیت 22 میلیون باز شناسایی شد. با توجه به همبستگی مطلوب صفات وزن بدن، برنامه اصلاح نژادی بایسـتی بـر اسـاس انتخـاب همزمـان بـرای صفات مذکور از طریق یک شاخص انتخاب صورت گیرد.
متن کامل [PDF 1744 kb]   (455 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: ژنتیک و اصلاح نژاد دام
دریافت: 1400/2/11 | ویرایش نهایی: 1400/9/10 | پذیرش: 1400/3/22 | انتشار: 1400/7/10

فهرست منابع
1. Aguilar, I., I. Misztal, D.L. Johnson, A. Legarra and S. Tsuruta. 2010. Hot topic: A unified approach to utilize phenotypic, full pedigree, and genomic information for genetic evaluation of Holstein final score. Journal of Dairy Science, 93: 743-752. [DOI:10.3168/jds.2009-2730]
2. Akanno, E.C., L. Chen, K. Mohammed, A. Ismail, J. Crowley, Z. Wang, C. Li, J.A. Basarab, M.D. MacNeil and G.S. Plastow. 2018. Genome-wide association scans for heterotic quantitative trait loci in multi-breed and crossbreed beef cattle. Genetics Selection Evolution, 50: 48. [DOI:10.1186/s12711-018-0405-y]
3. Boldt R.J., S.E. Speidel, M.G. Thomas and R. Mark Enns. 2018. Genetic parameters for fertility and production traits in Red Angus cattle. Journal of Animal Science, 96: 4100-4111. [DOI:10.1093/jas/sky294]
4. Cheng, H., D.J. Garrick, and R.L. Fernando. JWAS: Julia implementation of whole-genome analyses software using univariate and multivariate Bayesian mixed effects model. Retrieved June 8, 2019 from http://QTL.rocks.
5. Daetwyler, H., K. Kemper, J. Van der Werf and B. Hayes. 2012. Components of the accuracy of genomic prediction in a multi-breed sheep population. Journal of animal science, 90: 3375-3384. [DOI:10.2527/jas.2011-4557]
6. Dorostkar, M., S.A. Rafat, J. Shodja and N. Pirany. 2010. Study of Genetic and Phenotype Trends of Some of Growth Traits in Moghani Sheep. Journal of Animal Science Research, 4: 15-25 (In Persian).
7. Fernando, R.L., J.C. Dekkers and D.J. Garrick. 2014. A class of Bayesian methods to combine large numbers of genotyped and non-genotyped animals for whole-genome analyses. Genetics Selection Evolution, 46: 50. [DOI:10.1186/1297-9686-46-50]
8. Freebern, E., D.J.A. Santos, L. Fang, J. Jiang, K.L. Parker Gaddis, G.E. Liu, P.M. VanRaden, C. Maltecca, J.B. Cole and L. Ma. 2020. GWAS and fine-mapping of livability and six disease traits in Holstein cattle. BMC Genomics, 21: 41. [DOI:10.1186/s12864-020-6461-z]
9. Garrick, D.J., J.F. Taylor and R.L. Fernando. 2009. Deregressing estimated breeding values and weighting information for genomic regression analyses. Genetics Selection Evolution, 41: 55. [DOI:10.1186/1297-9686-41-55]
10. Habier, D., R.L Fernando and J.C. Dekkers. 2009. Genomic selection using low-density marker panels. Genetics, 182: 343-353. [DOI:10.1534/genetics.108.100289]
11. Hanford, K.J., L.D. Van Vleck, and G.D. Snowder. 2005. Estimates of genetic parameters and genetic change for reproduction, weight and wool characteristics of Rambouillet sheep. Small Ruminant Research, 57: 175-186. [DOI:10.1016/j.smallrumres.2004.07.003]
12. Hanford, K.J., L.D. Van Vleck and G.D. Snowder. 2006. Estimates of genetic parameters and genetic trend for reproduction, weight, and wool characteristics of Polypay sheep. Livestock Science, 102: 72-82. [DOI:10.1016/j.livsci.2005.11.002]
13. Hansen, L.B., A.E. Freeman and P.J. Berger. 1983. Yield and fertility relationships in dairy cattle. Journal Dairy Science, 66: 293-305. [DOI:10.3168/jds.S0022-0302(83)81789-5]
14. Hayes, B.J., P.J. Bowman, A. Chamberlain and M. Goddard. 2009. Invited review: Genomic selection in dairy cattle: Progress and challenges. Journal of Dairy Science, 92: 433-443. [DOI:10.3168/jds.2008-1646]
15. Hieber, J.K., R.L. Endecott, J.A. Boles and J.M. Thomson. 2021. Identification of genomic regions for carcass quality traits within the American simmental association carcass merit program. Animals, 11: 471. [DOI:10.3390/ani11020471]
16. Irvine Lopez, B., K.G. Santiago, K. Seo, T. Jeong, J.E. Park, H. Chai, W. Park and D. Lim. 2020. Genetic parameters of birth weight and weaning weight and their relationship with gestation length and age at first calving in Hanwoo (Bos taurus coreanae). Animals, 10: 1083. [DOI:10.3390/ani10061083]
17. Jiang, J., J.B. Cole, E. Freebern, Y. Da, P.M. VanRaden and L. Ma. 2019. Functional annotation and Bayesian fine-mapping reveals candidate genes for important agronomic traits in Holstein bulls. Communications Biology, 2(1): 212. [DOI:10.1038/s42003-019-0454-y]
18. Karim, L., H. Takeda, L. Lin, T. Druet, J.A. Arias, D. Baurain, N. Cambisano, S.R. Davis, F. Farnir, B. Grisart, B.L. Harris, M.D. Keehan, M.D. Littlejohn, R.J. Spelman, M. Georges and W. Coppieters. 2011. Variants modulating the expression of a chromosome domain encompassing PLAG1 influence bovine stature. Nature Genetics, 43: 405-413. [DOI:10.1038/ng.814]
19. Khorshidi, R., M.D. MacNeil, D.P. Hays, M.K. Abo-Ismail, J.J. Crowley, E.C. Akanno, Z. Wang and G. Plastow. 2020. Estimation of genetic parameters and trend for growth traits in Hays converter cattle using multiple-trait and random regression models. Livestock Science, 241: 104245. [DOI:10.1016/j.livsci.2020.104245]
20. Lee, J., H. Cheng, D. Garrick. B. Golden, J.C.M Dekkers, K. Park, D. Lee and R. Fernando. 2017. Comparison of alternative approaches to single-trait genomic prediction using genotyped and non-genotyped Hanwoo beef cattle. Genetics Selection Evolution, 49: 1-9. [DOI:10.1186/s12711-016-0279-9]
21. Legarra, A., I. Aguilar and I. Misztal. 2009. A relationship matrix including full pedigree and genomic information. Journal of Dairy Science, 92: 4656-63. [DOI:10.3168/jds.2009-2061]
22. Meyer, K., B. Tier and A. Swan. 2018. Estimates of genetic trend for single-step genomic evaluations. Genetics Selection Evolution, 50: 39. [DOI:10.1186/s12711-018-0410-1]
23. Meuwissen, T., B. Hayes and M. Goddard. 2001. Prediction of total genetic value using genome-wide dense marker maps. Genetics. 157: 1819-1829. [DOI:10.1093/genetics/157.4.1819]
24. Miller, S. 2010. Genetic improvement of beef cattle through opportunities in genomics. Revista Brasileira de Zootecnia, 39: 247-255. [DOI:10.1590/S1516-35982010001300027]
25. Misztal, I., A. Legarra and I. Aguilar. 2014. Using recursion to compute the inverse of the genomic relationship matrix. Journal of Dairy Science, 97(6): 3943-3952. [DOI:10.3168/jds.2013-7752]
26. Naderi, Y. 2018. The importance of genetic relationships and phenotypic record on genomic accuracy of simulated imputation data via animal models in presence of genotype × environment interactions. Research on Animal Production, 22: 119-130 (In Persian). [DOI:10.29252/rap.9.22.119]
27. Nejati-Javaremi, A., C. Smith and J. Gibson. 1997. Effect of total allelic relationship on accuracy of evaluation and response to selection. Journal of Animal Science, 75: 1738-1745. [DOI:10.2527/1997.7571738x]
28. Nishimura, S., T. Watanabe, K. Mizoshita, K. Tatsuda, T. Fujita, N. Watanabe, Y. Sugimoto and A. Takasuga. 2012. Genome-wide association study identified three major QTL for carcass weight including the PLAG1-CHCHD7 QTN for stature in Japanese Black cattle. BMC Genetics, 13: 40. [DOI:10.1186/1471-2156-13-40]
29. Pausch, H., I.M. MacLeod, R. Fries, R. Emmerling, P.J. Bowman, H.D. Daetwyler and M.E. Goddard. 2017. Evaluation of the accuracy of imputed sequence variant genotypes and their utility for causal variant detection in cattle. Genetics Selection Evolution, 49: 24. [DOI:10.1186/s12711-017-0301-x]
30. Pérez-Cabal, M.A., A.I. Vazquez, D. Gianola, G.J.M. Rosa and K.A. Weigel. 2012. Accuracy of genome-enabled prediction in a dairy cattle population using different cross-validation layouts. Frontiers in Genetics, 3: 27. [DOI:10.3389/fgene.2012.00027]
31. Phocas, F. and D. Laloe. 2004. Genetic parameters for birth and weaning traits in French specialized beef cattle breeds. Livestock Production Science, 89: 121-128. [DOI:10.1016/j.livprodsci.2004.02.007]
32. Purcell, S., B. Neale, K. Todd-Brown, L. Thomas, M.A. Ferreira, D. Bender, J. Maller, P. Sklar, P.I. De Bakker and M.J. Daly and P.C. Sham. 2007. PLINK: a tool set for whole-genome association and population-based linkage analyses. The American Journal of Human Genetics, 81: 559-575. [DOI:10.1086/519795]
33. Rashidi, A. and H. Akhshi. 2007. Estimation of genetic and environmental trends for growth traits in Kordish sheep. Iranian Journal of Agricultural Sciences, 38: 329-335 (In Persian).
34. Saatchi, M., M.C. McClure, S.D. McKay, M.M. Rolf, J. Kim, J.E Decker, T.M. Taxis, R.H. Chapple, H.R. Ramey, S.L. Northcutt, S. Bauck, B. Woodward, J.C.M. Dekkers, R.L. Fernando, R.D. Schnabel, D.J. Garrick and J.F. Taylor. 2011. Accuracies of genomic breeding values in American Angus beef cattle using K-means clustering for cross-validation. Genetics Selection Evolution, 43: 40. [DOI:10.1186/1297-9686-43-40]
35. Saatchi, M, R.D. Schnabel, J.F. Taylor and D.J. Garrick. 2014. Large-effect pleiotropic or closely linked QTL segregate within and across ten US cattle breeds. BMC Genomics, 15: 442. [DOI:10.1186/1471-2164-15-442]
36. Saheb Alam, H., M. Gholizadeh, H. Hafezian and A. Farhadi. 2017. Comparison of Bayesian methods in the genomic evaluation with different genetic architecture. Research on Animal Production, 18: 177-186 (In Persian). [DOI:10.29252/rap.8.18.177]
37. Sullivan, P.G., J.W. Wilton, S.P. Miller and L.R. Banks. 1999. Genetic trends and breed overlap derived from multiple-breed genetic evaluations of beef cattle for growth traits. Journal of Animal Science, 77: 2019-2027. [DOI:10.2527/1999.7782019x]
38. Torres-Vázquez, J.A., J.H.J van der Werf and S.A. Clark. 2018. Genetic and phenotypic associations of feed efficiency with growth and carcass traits in Australian Angus cattle. Journal of Animal Science, 96: 4521-4531. [DOI:10.1093/jas/sky325]
39. VanRaden, P.M. 2008. Efficient Methods to Compute Genomic Predictions. Journal of Dairy Science, 91: 4414-4423. [DOI:10.3168/jds.2007-0980]
40. VanRaden, P.M., C.P. Van Tassell, G.R. Wiggans, T.S. Sonstegard, R.D. Schnabel, J.F. Taylor and F.S. 27. Schenkel. 2009. Invited review: reliability of genomic predictions for North American Holstein bulls. Journal of Dairy Science, 92: 16-24. [DOI:10.3168/jds.2008-1514]
41. Visscher, P. and C. Haley. 1998. Strategies for marker-assisted selection in pig breeding programmes. Stočarstvo, 52: 425-434.
42. Wiggans, G.R., T.S. Sonstegard, P.M. VanRaden, L.K. Matukumalli, R.D. Schnabel, J.F. Taylor, F.S. Schenkel and C.P. Van Tassell. 2009. Selection of single nucleotide polymorphisms and quality of genotypes used in genomic evaluation of dairy cattle in the United States and Canada. Journal of Dairy Science, 92: 3431-3436. [DOI:10.3168/jds.2008-1758]
43. Zheng, X., Z. Ju, J. Wang, Q. Li, J. Huang, A. Zhang, J. Zhong and C. Wang. 2011. Single nucleotide polymorphisms, haplotypes and combined genotypes of LAP3 gene in bovine and their association with milk production traits. Molecular Biology Reports, 38: 4053-4061. [DOI:10.1007/s11033-010-0524-1]

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