دوره 13، شماره 38 - ( زمستان 1401 1401 )
جلد 13 شماره 38 صفحات 193-187 |
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:
seyedsharifi R, Ala Noshahr F, seif davati J, hedayat evrigh N. (2022). Genomic Prediction of Additive and Dominance Effects on Some Economic Traits of Moghani Sheep. rap. 13(38), 187-193. doi:10.52547/rap.13.38.187
URL: http://rap.sanru.ac.ir/article-1-1326-fa.html
URL: http://rap.sanru.ac.ir/article-1-1326-fa.html
سیدشریفی رضا، اعلاء نوشهر فاطمه، سیف دواتی جمال، هدایت ایوریق نعمت. پیش بینی ژنومی اثرات افزایشی و غالبیت بر برخی صفات اقتصادی گوسفند مغانی پژوهشهاي توليدات دامي 1401; 13 (38) :193-187 10.52547/rap.13.38.187
گروه علوم دامی، دانشکده کشاورزی، دانشگاه محقق اردبیلی، اردبیل، ایران
چکیده: (1188 مشاهده)
چکیده مبسوط
مقدمه و هدف: اثرات ژنتیکی غالبیت ممکن است سهم مهمی در کل تنوع ژنتیکی صفات کمی و پیچیده داشته باشند. با این حال، تحقیقات نشانگرهای گسترده ژنوم برای مطالعه پیش بینی ژنومی و مکانیسم‌های ژنتیکی صفات پیچیده عموماً اثرات ژنتیکی غالبیت را نادیده می‌گیرند. افزایش در دسترس بودن مجموعه داده‌های ژنومی و مزایای بالقوه اثرات ژنتیکی غیرافزایشی، اخیراً ترکیب نمودن این اثرات در مدل‌های پیش بینی ژنومی بسیار مورد توجه قرار گرفته است.
مواد و روش ها: ژنومی با 3 کروموزوم با اندازه هر کدام 100 سانتی مورگان، دارای ه 200 و 1000 QTL و نشانگر دو آللی روی هر کروموزوم شبیه سازی شدند. سپس اطلاعات مربوط به رکوردهای شجره، خویشاوندی، سال تولد، وزن از شیرگیری، جنس نتاج، درصد دوقلوزایی، وزن لاشه، کیفیت لاشه، سن اولین زایش، تراکم پشم و سایر صفات اقتصادی گوسفند مغانی که از طریق مرکز اصلاح نژاد جعفرآباد مغان (طی سالهای 1382 تا 1393) در دسترس قرار گرفت، ماتریس فنوتیپی مدل را تشکیل دادند. اثرات ژنتیکی افزایشی و غالبیت و صحت پیش بینی ژنومی 7 صفت شامل صفات رشد، کیفیت لاشه، پشم و باروری از طریق دو مدل خطی اتخاذ شد: (1) یک مدل اثر افزایشی (MAG) و (2) یک مدل شامل اثرات ژنتیکی افزایشی و غالبیت (MADG)، علاوه بر این، از روش اعتبارسنجی متقابل 5 لایه برای ارزیابی قابلیت پیش بینی ژنومی در دو مدل مختلف توسط نرم افزار R بسته HIBLUP استفاده شد.
یافته ها: نتایج تخمین مؤلفه‌های واریانس برای هر صفت نشان داد که وزن لاشه گرم (0/617) و درصد برهزایی به ازاء هر میش (0/578)، بخش بزرگی از تنوع فنوتیپی توسط اثرات ژنتیکی غالبیت توضیح داده می‌شود. نتایج اعتبار سنجی متقاطع نشان داد که مدل MADG، شامل اثرات ژنتیکی افزایشی و غالبیت، نسبت به مدل MAG که تنها دارای اثرات ژنتیکی افزایشی است مزیت دارد. یعنی مدلی که اثرات ژنتیکی غالبیت را شامل می‌شود، صحت پیش بینی ژنومی را بهبود میبخشد.
مقدمه و هدف: اثرات ژنتیکی غالبیت ممکن است سهم مهمی در کل تنوع ژنتیکی صفات کمی و پیچیده داشته باشند. با این حال، تحقیقات نشانگرهای گسترده ژنوم برای مطالعه پیش بینی ژنومی و مکانیسم‌های ژنتیکی صفات پیچیده عموماً اثرات ژنتیکی غالبیت را نادیده می‌گیرند. افزایش در دسترس بودن مجموعه داده‌های ژنومی و مزایای بالقوه اثرات ژنتیکی غیرافزایشی، اخیراً ترکیب نمودن این اثرات در مدل‌های پیش بینی ژنومی بسیار مورد توجه قرار گرفته است.
مواد و روش ها: ژنومی با 3 کروموزوم با اندازه هر کدام 100 سانتی مورگان، دارای ه 200 و 1000 QTL و نشانگر دو آللی روی هر کروموزوم شبیه سازی شدند. سپس اطلاعات مربوط به رکوردهای شجره، خویشاوندی، سال تولد، وزن از شیرگیری، جنس نتاج، درصد دوقلوزایی، وزن لاشه، کیفیت لاشه، سن اولین زایش، تراکم پشم و سایر صفات اقتصادی گوسفند مغانی که از طریق مرکز اصلاح نژاد جعفرآباد مغان (طی سالهای 1382 تا 1393) در دسترس قرار گرفت، ماتریس فنوتیپی مدل را تشکیل دادند. اثرات ژنتیکی افزایشی و غالبیت و صحت پیش بینی ژنومی 7 صفت شامل صفات رشد، کیفیت لاشه، پشم و باروری از طریق دو مدل خطی اتخاذ شد: (1) یک مدل اثر افزایشی (MAG) و (2) یک مدل شامل اثرات ژنتیکی افزایشی و غالبیت (MADG)، علاوه بر این، از روش اعتبارسنجی متقابل 5 لایه برای ارزیابی قابلیت پیش بینی ژنومی در دو مدل مختلف توسط نرم افزار R بسته HIBLUP استفاده شد.
یافته ها: نتایج تخمین مؤلفه‌های واریانس برای هر صفت نشان داد که وزن لاشه گرم (0/617) و درصد برهزایی به ازاء هر میش (0/578)، بخش بزرگی از تنوع فنوتیپی توسط اثرات ژنتیکی غالبیت توضیح داده می‌شود. نتایج اعتبار سنجی متقاطع نشان داد که مدل MADG، شامل اثرات ژنتیکی افزایشی و غالبیت، نسبت به مدل MAG که تنها دارای اثرات ژنتیکی افزایشی است مزیت دارد. یعنی مدلی که اثرات ژنتیکی غالبیت را شامل می‌شود، صحت پیش بینی ژنومی را بهبود میبخشد.
نتیجه گیری: عملکرد بهتر (صحت پیش بینی) مدل MADG برای برخی صفات در مقایسه با مدل MAG نشان می‌دهد که اثرات غلبه بایستی در مدل‌های ارزیابی ژنتیکی حیوانات گنجانده شود تا صحت پیش بینی فنوتیپ‌های آینده بهبود یابد. همچنین کاربرد مدل MADG میتواند ابزار مفیدی برای تصمیم حذف حیوانات در مزارع باشد و استفاده از کل ژنتیک بالقوه نتاج در برنامه های جفت گیری ممکن است عملکرد نتاج را بهبود بخشد.
نوع مطالعه: پژوهشي |
موضوع مقاله:
ژنتیک و اصلاح نژاد دام
دریافت: 1401/7/12 | ویرایش نهایی: 1401/10/18 | پذیرش: 1401/8/24 | انتشار: 1401/9/10
دریافت: 1401/7/12 | ویرایش نهایی: 1401/10/18 | پذیرش: 1401/8/24 | انتشار: 1401/9/10
فهرست منابع
1. Aliloo, H., J. Pryce, O. Gonzalez-Recio, B. Cocks, B. Hayes. 2016. Accounting for dominance to improve genomic evaluations of dairy cows for fertility and milk production traits. Genetic Selection Evolution, 48: 8. [DOI:10.1186/s12711-016-0186-0]
2. Aliloo, H., J. Pryce, O. Gonzalez-Recio, B. Cocks, M.E. Goddard, B.J. Hayes. 2017. Including nonadditive genetic effects in mating programs to maximize dairy farm profitability. Journal of Dairy Science, 100: 1203-22. [DOI:10.3168/jds.2016-11261]
3. Alipanah, M. 2019. Estimation of dominance variance and its effects on the evaluation of thegenetic parameters for carcass quality traits. Journal of Animal Production, 22(1): 1-8.
4. Alves, K., L. Brito, C. Baes, M. Sargolzaei, J. Robinson, F. Schenkel. 2020. Estimation ofadditive and non-additive genetic effects for fertility and reproduction traitsin North American Holstein cattle using genomic information. Journal of Animal Breeding [DOI:10.1111/jbg.12466]
5. Genetic, 137: 316-30.
6. Ertl, J., A. Legarra, Z. Vitezica, L. Varona, C. Edel, R. Emmerling. 2014. Genomicanalysis of dominance effects on milk production and conformation traits infleckvieh cattle. Genetic Selection Evolution, 46: 40. [DOI:10.1186/1297-9686-46-40]
7. Falconer, D., and T. F. C. Mackay. 1996. Introduction to Quan-titative Genetics, Ed. 4. Pearson Education Limited, LONGMAN,Harlow, United Kingdom.
8. Fuerst, C., J. Sölkner. Additive and non-additive genetic variances for milk yield, fertility, and lifetime performance traits of dairy cattle. 1994. Journal of Dairy Science, 77: 1114-25. [DOI:10.3168/jds.S0022-0302(94)77047-8]
9. Gonzalez Recio, O., M. Haile Mariam, J.E. Pryce. 2015. Improving the reliability of female fertility breeding values using type and milk yield traitsthat predict energy status in Australian Holstein cattle. Journal of Dairy Science, 99: 493-504. [DOI:10.3168/jds.2015-10001]
10. Ghiasi, H., R. Abdollahi-Arpanahi, M. Razmkabir, M. Khaldari and R. Taherkhani. 2018. Estimation of additive and dominance genetic variance components for female fertility traits in Iranian Holstein cows. Journal of Agricultural Science, 1-5. [DOI:10.1017/S0021859618000497]
11. Haldane, J.B.S. 1919. The combination of linkage values and the calculation of distances between the loci of linked factors. Journal of Genetic, 8: 299-309.
12. Legarra, A., C. Robert-Granié, E. Manfredi. 2008. Performance of genomic selection in mice. Genetics, 180: 611-8. [DOI:10.1534/genetics.108.088575]
13. Misztal, I., L. Varona, M. Culbertson, J. Bertrand, J. Mabry, T. Lawlor. 1998. Studies on the value of incorporating the effect of dominance in genetic evaluations of dairy cattle, Beef cattle and swine. Biotechnol Agronomic Society Environment, 2: 227-33.
14. Munoz, P., M. Resende, S. Gezan, M. Resende, G. Campos, M. Kirst. 2014. Unraveling additive from non-additive effects using genomic relationship matrices. Genetics, 198:1759-68. [DOI:10.1534/genetics.114.171322]
15. Palucci, V., L. Schaeffer, F. Miglior, V. Osborne. 2007. Non-additive genetic effects for fertility traits in Canadian Holstein cattle (open access publication). Genetic Selection Evolution, 39: 181-93. [DOI:10.1186/1297-9686-39-2-181]
16. Purcell, S., B. Neale, K. Todd-Brown, L. Thomas, M. Ferreira, D. Bender. 2007. Plink: a tool set for whole-genome association and population-based linkageanalyses. Journal of Human Genetics, 81: 559-7. [DOI:10.1086/519795]
17. R DEVELOPMENT CORE TEAM. R: a language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria, Version 3.2.4 (16-03-2016).
18. Sargolzaei, M. and F.S. Schenkel. 2009. QMSim: a large-scale genome simulator for livestock. Bioinformatics, 25: 680-681. [DOI:10.1093/bioinformatics/btp045]
19. Su, G., P. Madsen, U. Nielsen, E. Mäntysaari, G. Aamand, O.F. Christensen. 2012. Genomic prediction for Nordic red cattle using one-step and selection index blending. Journal of Dairy Science, 95: 909-17. [DOI:10.3168/jds.2011-4804]
20. Sun, C., P.M. Vanraden, J.B. Cole, J.R. O'connell. 2014. Improvement of prediction ability for genomic selection of dairy cattle by including dominance effects. PLoS ONE, 9: 103934. [DOI:10.1371/journal.pone.0103934]
21. Toro, M. A., and L. Varona. 2010. A note on mate allocation for dominance handling in genomic selection. Genetic Selection Evolution, 42: 33. [DOI:10.1186/1297-9686-42-33]
22. Vanraden, P.M. 2008. Efficient methods to compute genomic predictions. Journal of Dairy Science, 91: 4414-2. [DOI:10.3168/jds.2007-0980]
23. Van Tassell, CP., I. Misztal, L. Varona. 2000. Method R estimates of additive genetic, dominance genetic, and permanent environmental fraction of variance for yield and health traits of Holsteins. Journal of Dairy Science, 83: 1873-7. [DOI:10.3168/jds.S0022-0302(00)75059-4]
24. Varona, L., A. Legarra, M. Toro, Z. Vitezica. 2018. Review: non-additive effects in
25. genomic selection. Genetics, 9: 78.
26. Visscher, P., J. Yang, M. Goddard. 2010. A commentary on 'common SNPs explain a
27. large proportion of the heritability for human height' by Yang et al. Twin Res Human Genetic, 13: 517-24. [DOI:10.1375/twin.13.6.517]
28. Weller, J., E. Ezra, M. Ron. 2017. Invited review: a perspective on the future of genomic selection in dairy cattle. Journal of Dairy Science, 100: 8633-44. [DOI:10.3168/jds.2017-12879]
29. Wellmann, R., J. Bennewitz. 2012. Bayesian models with dominance effects for genomic evaluation of quantitative traits. Genetic Research, 94: 21-37. [DOI:10.1017/S0016672312000018]
30. Yang, J., B. Benyamin, B. Mcevoy, S. Gordon, A. Henders, D. Nyholt et al. 2010. Common SNPs explain a large proportion of the heritability for human height. National Genetic, 42: 565-9. [DOI:10.1038/ng.608]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
