دوره 13، شماره 35 - ( بهار 1401 )
جلد 13 شماره 35 صفحات 148-139 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Taheri yeganeh A, Sanjabi M R, Fayazi J, Zandi M, Van Der Werf J. (2022). Estimation of Variance Components and Genome Partitioning According to Minor Allele Frequency for Quantitative Traits in Sheep. Res Anim Prod. 13(35), 139-148. doi:10.52547/rap.13.35.139
URL: http://rap.sanru.ac.ir/article-1-1225-fa.html
URL: http://rap.sanru.ac.ir/article-1-1225-fa.html
طاهری یگانه امیر، سنجابی محمدرضا، فیاضی جمال، زندی محمد، ون در ورف جولیوس. برآورد اجزای واریانس ژنومی بر اساس فراوانی آللی کمیاب برای صفات کمی در گوسفند پژوهشهاي توليدات دامي 1401; 13 (35) :148-139 10.52547/rap.13.35.139
1- سازمان پژوهش های علمی و صنعتی ایران
2- ژنتیک و اصلاح نژاد دام، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان
3- دانشکده کشاورزی و علوم روستائی دانشگاه نیوانگلند، آرمیدال، استرالیا
2- ژنتیک و اصلاح نژاد دام، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان
3- دانشکده کشاورزی و علوم روستائی دانشگاه نیوانگلند، آرمیدال، استرالیا
چکیده: (2403 مشاهده)
چکیده مبسوط
مقدمه و هدف: برآورد دقیق اجزای واریانس ژنتیکی، از ملزومات پیش بینی صحیح ارزش های اصلاحی می باشد. کشف نشانگرهای SNP و پیشرفت‌های به دست آمده در ژنتیک مولکولی وکشف روش‌های نوین توالی‌یابی کل ژنوم موجودات زنده و پیشرفت روش‌های بیوانفورماتیک و دانش رایانه ای و... حجم بسیار زیادی از داده‌های مولکولی را فراهم آورده و در علم ژنتیک شاخه‌ای به نام ژنومیک ایجاد کرده است. هدف از انجام این پژوهش برآورد اجزای واریانس ژنومی گوسفند بوردر با استفاده از داده‌های SNP بود.
مواد و روش‌ها: برای انجام این پژوهش از پنل SNP که با تراشه نشانگری 50k شرکت ایلومینا، تعیین ژنوتیپ شده بودند، استفاده شد. داده ها در مزرعه فالکینر استرالیا جمع آوری شدند. صفات مورد مطالعه اوزان تولد و شیرگیری، قطر و طول تار پشم بودند. برای مطالعه رابطه بین فراوانی آللی و مقدار واریانس ژنتیکی افزایشی توجیه شده، SNPها در پنج گروه مختلف از فراوانی آللی کمیاب (MAF)، با تعداد تقریبا برابر در هر گروه، طبقه بندی شدند (0/01-0/1، 0/1-0/2، 0/2-0/3، 0/3-0/4 و 0/4-0/5). تجزیه و تحلیل‌ها با رویکرد حداکثر درست‌نمایی محدود شده ژنومی و روش تجزیه و تحلیل صفات پیچیده ژنوم گسترده، با نرم‌افزار GCTA انجام گرفت.
یافته‌ها: وراثت‌پذیری ژنومی برآورد شده توسط SNPهای با فراوانی آللی کمیاب بیشتر از یک درصد، برای اوزان تولد، شیرگیری، قطر و طول تار پشم به ترتیب برابر 0/58 و 0/47، 0/59 و 0/2 بود. سهم گروه‌های مختلف SNPهای با فراوانی آللی کمیاب در توجیه واریانس ژنتیکی برای صفات متفاوت بوده و به طور کلی بخش قابل توجهی از واریانس ژنتیکی، توسط SNPهای با MAF < 0/20 توجیه شد. همبستگی ژنومی بین صفات وزن بدن بالا و بین صفات پشم پایین برآورد شد. در مجموع واریانس‌های ژنتیکی 5 گروه مختلف MAF، که در آنالیز جداگانه نسبت به واریانس محاسبه شده توسط همه SNPها به صورت همزمان، بسیار بزرگتر بود. اما مجموع این واریانس‌ها در آنالیز توأم، مشابه مقدار به دست آمده از کل SNPها، برای همه صفات مورد بررسی بود.
نتیجه‌گیری: اگر چه تعداد SNPها در گروه‌های مختلف، مشابه بود، اما مقدار واریانس ژنتیکی توجیه شده توسط گروه‌های مختلف MAF متفاوت بود. با توجه به نتایج به دست آمده حجم نمونه بسیار بزرگ، ایده‌آل و پوشش بهتر واریانت‌های با فراوانی پایین مورد نیاز است تا استنتاج قوی‌تر و قابل اعتمادتری به دست آید.
مقدمه و هدف: برآورد دقیق اجزای واریانس ژنتیکی، از ملزومات پیش بینی صحیح ارزش های اصلاحی می باشد. کشف نشانگرهای SNP و پیشرفت‌های به دست آمده در ژنتیک مولکولی وکشف روش‌های نوین توالی‌یابی کل ژنوم موجودات زنده و پیشرفت روش‌های بیوانفورماتیک و دانش رایانه ای و... حجم بسیار زیادی از داده‌های مولکولی را فراهم آورده و در علم ژنتیک شاخه‌ای به نام ژنومیک ایجاد کرده است. هدف از انجام این پژوهش برآورد اجزای واریانس ژنومی گوسفند بوردر با استفاده از داده‌های SNP بود.
مواد و روش‌ها: برای انجام این پژوهش از پنل SNP که با تراشه نشانگری 50k شرکت ایلومینا، تعیین ژنوتیپ شده بودند، استفاده شد. داده ها در مزرعه فالکینر استرالیا جمع آوری شدند. صفات مورد مطالعه اوزان تولد و شیرگیری، قطر و طول تار پشم بودند. برای مطالعه رابطه بین فراوانی آللی و مقدار واریانس ژنتیکی افزایشی توجیه شده، SNPها در پنج گروه مختلف از فراوانی آللی کمیاب (MAF)، با تعداد تقریبا برابر در هر گروه، طبقه بندی شدند (0/01-0/1، 0/1-0/2، 0/2-0/3، 0/3-0/4 و 0/4-0/5). تجزیه و تحلیل‌ها با رویکرد حداکثر درست‌نمایی محدود شده ژنومی و روش تجزیه و تحلیل صفات پیچیده ژنوم گسترده، با نرم‌افزار GCTA انجام گرفت.
یافته‌ها: وراثت‌پذیری ژنومی برآورد شده توسط SNPهای با فراوانی آللی کمیاب بیشتر از یک درصد، برای اوزان تولد، شیرگیری، قطر و طول تار پشم به ترتیب برابر 0/58 و 0/47، 0/59 و 0/2 بود. سهم گروه‌های مختلف SNPهای با فراوانی آللی کمیاب در توجیه واریانس ژنتیکی برای صفات متفاوت بوده و به طور کلی بخش قابل توجهی از واریانس ژنتیکی، توسط SNPهای با MAF < 0/20 توجیه شد. همبستگی ژنومی بین صفات وزن بدن بالا و بین صفات پشم پایین برآورد شد. در مجموع واریانس‌های ژنتیکی 5 گروه مختلف MAF، که در آنالیز جداگانه نسبت به واریانس محاسبه شده توسط همه SNPها به صورت همزمان، بسیار بزرگتر بود. اما مجموع این واریانس‌ها در آنالیز توأم، مشابه مقدار به دست آمده از کل SNPها، برای همه صفات مورد بررسی بود.
نتیجه‌گیری: اگر چه تعداد SNPها در گروه‌های مختلف، مشابه بود، اما مقدار واریانس ژنتیکی توجیه شده توسط گروه‌های مختلف MAF متفاوت بود. با توجه به نتایج به دست آمده حجم نمونه بسیار بزرگ، ایده‌آل و پوشش بهتر واریانت‌های با فراوانی پایین مورد نیاز است تا استنتاج قوی‌تر و قابل اعتمادتری به دست آید.
فهرست منابع
1. Abdollahi-Arpanahi, R., A. Pakdel, A. Nejati-Javaremi, M. Moradi Shahrbabak, G. Morota, B.D.Valente, et al. 2014. Dissection of additive genetic variability for quantitative traits in chickens using SNP markers. Animal Breeding and Genetics, 131: 183-193. [DOI:10.1111/jbg.12079]
2. Atefi, A., A.A. Shadparvar and N. Ghavi Hossein-Zadeh. 2020. Effect of markers effect estimation methods, population structure and trait architercture on the accuracy of genomic breeding values. Research on Animal Production, 11(30): 101-108 (In Persian).
3. Emrani, H., R. Vaez Torshizi, A. Masoudi and A. Ehsani. 2017. Estimation of genomic heritability for growth traits in an F2 crosses of Arian broiler line and Azerbaijan indigenous chicken using 60K SNP Beadchip. Animal Science Journal (Pajouhesh and Sazandegi), 114: 273-284.
4. Ghafouri Kesbi, F., G. Rahimi Mianji, M. Honarvar and A. Nejati Javaremi. 2016. Tuning and application of random forest algorithm in genomic evaluation. Rap, 7(13): 185-178 (In Persian).
5. Gowan, G.R., A. Chopra, V. Prakash and A.L. Arora. 2010. Estimates of (co)variance components and genetic parameters for bodyweights and first greasy fleece weight in Malpura sheep. Livestock Science, 131: 94-101. [DOI:10.1016/j.livsci.2010.03.006]
6. Hayes, B.J., P.J. Bowman, A.J. Chamberlain and M.E. 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]
7. Jafaroghli, M., A. Rashidi, M.S. Mokhtari and A.A. Shadparvar. 2010. (Co) Variance companents and genetic parameter estimates for growth traits in Moghani sheep. Small Ruminant Research, 91: 170-177. [DOI:10.1016/j.smallrumres.2010.03.010]
8. Jensen, J., G. Su and P. Madsen. 2012. Partitioning additive genetic variance into genomic and remaining polygenic components for complex traits in dairy cattle. BMC Genetics. 13: 44. [DOI:10.1186/1471-2156-13-44]
9. Khaldari, M. 2011. Statistical Methods. Tehran. University Jihad Publications, Tehran Branch (In Persian).
10. Lee, S.H., T.R. DeCandia, S. Ripke, J. Yang, P.F. Sullivan, M.E. Goddard and et al. 2012. Estimating the proportion of variation in susceptibility to schizophrenia captured by common SNPs. Nature Genetics, 44: 247-250. [DOI:10.1038/ng.1108]
11. Lee, S.H., D. Harold, D.R. Nyholt, M.E. Goddard, K.T. Zondervan, J. Williams and et al. 2013. Estimation and partitioning of polygenic variation captured by common SNPs for Alzheimer's disease, multiple sclerosis and endometriosis. Human Molecular Genetics, 22: 832-841. [DOI:10.1093/hmg/dds491]
12. Madad Jirandeh, M., J. Shoja, S. Alijani, A. Rafat and J.C.M. Dekkers. 2020. Comparison of single and multi-step bayesian methods for predicting genomic breeding values in genotyped and non-genotyped animals-A aimulation study. Research on Animal Production, 10(26): 122-131. [DOI:10.29252/rap.10.26.122]
13. Matebesi, P.A., S.W.P. Cloete and J.B. Van Wyk. 2009. Genetic parameter estimation of 16-month live weight and objectively measured wool traits in the Tygerhoek Merino flock. South African Journal of Animal Science, 39(1): 73-82. [DOI:10.4314/sajas.v39i1.43549]
14. Ogawa, S.H., H. Matsuda1, Y. Taniguchi, T. Watanabe, Y. Sugimoto and H. Iwaisaki. 2016. Estimated genetic variance explained by single nucleotide polymorphisms of different minor allele frequencies for carcass traits in Japanese black cattle. Journal of Biosciences and Medicines, 4: 89-97. [DOI:10.4236/jbm.2016.45009]
15. Park, M.N., D. Seo, K.Y. Chung, S.H. Lee, Y.J. Chung, H.J. Lee, J.H. Lee, B. Park, T.J. Choi and S.H. Lee. 2020. Genomic partitioning of growth traits using a high-density single nucleotide polymorphism array in Hanwoo (Korean cattle). Asian-Australas Journal Animal Science, 33(10): 1558-1565. October 2020
https://doi.org/10.5713/ajas.19.0699 [DOI:10.5713/ajas.19.0699 pISSN 1011-2367 eISSN 1976-5517.]
16. Pimentel, E.C.G., M. Erbe, S. Konig and H. Simianer. 2011. Genome partitioning of genetic variation for milk production and composition traits in Holstein cattle. Frontiers in Genetics, 2,19. [DOI:10.3389/fgene.2011.00019]
17. Purcell, S., B. Neale, K. Todd-Brown, L. Thomas. M.A.R. Ferreira, D. Bender and et al. 2007. PLINK: a tool set for whole-genome association and population-based linkage analyses. American Journal of Human Genetic, 81: 559-575. [DOI:10.1086/519795]
18. Rashedi Dehsahraei, A., J. Fayazi, R. Abdollaho Arpanahi, J. Van Der Werf and H. Roshanfekr. 2017. Estimation of variance components for body weight of Merino sheep at birth and weaning using single nucleotide markers and REML and Bayesian approaches. Journal of Ruminant Research, 5(2): 29-44.
19. Rashedi Dehsahraei, A., J. Fayazi, R. Abdollaho Arpanahi, J. Van Der Werf and H. Roshanfekr. 2018. The effect of Prosopis farcta on the performance, some blood parameters, immune and antioxidant system of broiler chickens under heat stress conditions. Animal Science Journal (Pajouhesh & Sazandegi) 120: 35-46 (In Persian).
20. Safari, E., N.M. Fogarti, A.R. Gilmour, K.D. Atkins, S.I. Mortimer, A.A. Swan and et al. 2007. Across population genetic parameters for wool, growth, and reproduction traits in Australian Merino sheep. 2. Estimates of heritability and variance components. Australian Journal of Agricultural Research. 58(2): 177-184. [DOI:10.1071/AR06162]
21. Uemoto, Y., Sh. Sasaki, T. Kojima, Y. Sugimoto and T. Watanabe. 2015. Impact of QTL minor allele frequency on genomic evaluation using real genotype data and simulated phenotypes in Japanese Black cattle. BMC Genetics, 2015 16:134. [DOI:10.1186/s12863-015-0287-8]
22. Varkoohi, S. 2014. A review of genomic selection methods in livestock breeding. First National Conference on Agriculture, Environment and Food Security. Jiroft University (In Persian).
23. .Yang, J., B. Benyamin, B.P. McEvoy, S. Gordon, A.K. Henders, D.R. Nyholt and et al. 2010. Common SNPs explain a large proportion of the heritability for human height. Nature Genetics, 42: 565-569. [DOI:10.1038/ng.608]
24. Yang, J., H. Lee, M. Goddard and P. Visscher. 2014. GCTA: A tool for genome‐wide complex trait analysis. Version 1.24, 28 July 2014. University of Queensland.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
