دوره 14، شماره 42 - ( زمستان 1402 )
جلد 14 شماره 42 صفحات 113-102 |
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:
Ghafouri-Kesbi F. (2023). Assessing the Performance of Ridge Regression Method-6 in Genomic Evaluation of Discrete Threshold Traits with Additive and Dominance Genetic Architecture. Res Anim Prod. 14(42), 102-113. doi:10.61186/rap.14.42.102
URL: http://rap.sanru.ac.ir/article-1-1371-fa.html
URL: http://rap.sanru.ac.ir/article-1-1371-fa.html
غفوری کسبی فرهاد. بررسی عملکرد روش ششم از رگرسیون ریج در ارزیابی ژنومی صفات آستانه‌دار با معماری ژنتیکی افزایشی و غالبیت پژوهشهاي توليدات دامي 1402; 14 (42) :113-102 10.61186/rap.14.42.102
گروه علوم دامی، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران
چکیده: (672 مشاهده)
چکیده مبسوط
مقدمه و هدف: یکی از مسائل مهم در انتخاب ژنومی، برآورد اثر نشانگرها است. روشهای مختلفی در طی سال‌های اخیر جهت برآورد اثر نشانگرها پیشنهاد شده‌اند که هر کدام ارزشهای اصلاحی ژنومی را با صحت متفاوتی برآورد می نمایند. یکی از روشهای مورد استفاده در ارزیابی ژنومی روش رگرسیون ریج می‌باشد (rrBLUP) که در مطالعات مختلف برای پیش بینی ارزشهای اصلاحی ژنومی مورد استفاده قرار گرفته است. اخیراً با اعمال تغییراتی در پارامترهای روشrrBLUP نسخه‌ای از این روش تحت عنوان رگرسیون ریج-روش ششم (RR-m6) برای حل مسائل رگرسیون پیشنهاد شده است. با این حال، تاکنون این روش در ارزیابی ژنومی صفات آستانه‌دار با معماری ژنتیکی افزایشی و غالبیت مورد استفاده قرار نگرفته است و عملکرد آن در این زمینه مشخص نیست. لذا در این تحقیق عملکرد پیش بینی این روش با سایر روشهای رایج در ارزیابی ژنومی مقایسه شد.
مواد و روش‌ها: ژنومی شامل 10 کروموزوم، هر کدام حاوی 1000 نشانگر تک نوکلئوتیدی دو آللی (SNP) در سطح وراثت پذیری 0/5 شبیه‌سازی شد. به همه جایگاه‌های صفات کمی (QTLها) اثرات ژنتیکی افزایشی داده شد که اثرات آنها با توزیع گاما مدلسازی شد. دو سناریو از تعدادQTL به‌صورت 1% و 10% از تعداد کل SNPها (به‌ترتیب 10 و 100 QTL به ازاء هر کروموزوم) در نظر گرفته شد. همچنین در سناریوهای مختلف به 0/0، 50 و 100% از QTLها اثر غالبیت داده شد. ارزشهای اصلاحی ژنومی با استفاده از روشهای RR-m6، rrBLUP، GBLUP، BayesA، درخت رگرسیونی (RT)، جنگل تصادفی (Random Forest, RF) و Boosting برآرود شده و شاخص‌های صحت پیش بینی، اریبی و پراکنش (تورم ارزشهای اصلاحی ژنومی) برای تجزیه و تحلیل ارزشهای اصلاحی حاصل و مقایسه روشهای مختلف مورد استفاده قرار گرفتند. در ضمن، زمان محاسباتی و میزان حافظه مورد نیاز برای پردازش کدهای مربوط به هر روش بر روی CPU محاسبه شد.
یافته‌ها: نتایج نشان داد استفاده از یک مدل صرفاً افزایشی زمانی که اثرات ژنتیک غالبیت در تنوع فنوتیپی صفت مشارکت داشته باشند، منجر به کاهش صحت و افزایش اریبی و پراکنش ارزشهای اصلاحی ژنومی خواهد شد که میزان آن با تعداد QTLهایی که اثر غالبیت دارند رابطه مستقیم داشت. در مقایسه با سایر روش‌ها، روش RR-m6 عملکرد بسیار مطلوبی از خود نشان داد به‌صورتیکه در تمامی سناریوهای مطالعه شده، ارزشهای اصلاحی ژنومی حاصل از آن از بیشترین صحت و کمترین اریبی و پراکنش برخوردار بود اگرچه در بیشتر موارد تفاوت آن با روش BayesA معنی‌دار نبود. از نظر سرعت محاسباتی روش RR-m6 سریعترین روش‌ها بود و در ضمن در مقایسه با سایر روش‌ها به حافظه کمتری برای انجام تجزیه و تحلیل ها احتیاج داشت.
نتیجه‌گیری: نتایج نشان داد از آنجا که روش RR-m6 ارزشهای اصلاحی ژنومی را با صحت بالایی پیش بینی می‌کند و در ضمن از نظر مدت زمان انجام محاسبات و میزان حافظه مورد نیاز نیز بسیار کارآمد است، می‌توان از آن برای ارزیابی ژنومی صفات آستانه دار استفاده نمود.
مقدمه و هدف: یکی از مسائل مهم در انتخاب ژنومی، برآورد اثر نشانگرها است. روشهای مختلفی در طی سال‌های اخیر جهت برآورد اثر نشانگرها پیشنهاد شده‌اند که هر کدام ارزشهای اصلاحی ژنومی را با صحت متفاوتی برآورد می نمایند. یکی از روشهای مورد استفاده در ارزیابی ژنومی روش رگرسیون ریج می‌باشد (rrBLUP) که در مطالعات مختلف برای پیش بینی ارزشهای اصلاحی ژنومی مورد استفاده قرار گرفته است. اخیراً با اعمال تغییراتی در پارامترهای روشrrBLUP نسخه‌ای از این روش تحت عنوان رگرسیون ریج-روش ششم (RR-m6) برای حل مسائل رگرسیون پیشنهاد شده است. با این حال، تاکنون این روش در ارزیابی ژنومی صفات آستانه‌دار با معماری ژنتیکی افزایشی و غالبیت مورد استفاده قرار نگرفته است و عملکرد آن در این زمینه مشخص نیست. لذا در این تحقیق عملکرد پیش بینی این روش با سایر روشهای رایج در ارزیابی ژنومی مقایسه شد.
مواد و روش‌ها: ژنومی شامل 10 کروموزوم، هر کدام حاوی 1000 نشانگر تک نوکلئوتیدی دو آللی (SNP) در سطح وراثت پذیری 0/5 شبیه‌سازی شد. به همه جایگاه‌های صفات کمی (QTLها) اثرات ژنتیکی افزایشی داده شد که اثرات آنها با توزیع گاما مدلسازی شد. دو سناریو از تعدادQTL به‌صورت 1% و 10% از تعداد کل SNPها (به‌ترتیب 10 و 100 QTL به ازاء هر کروموزوم) در نظر گرفته شد. همچنین در سناریوهای مختلف به 0/0، 50 و 100% از QTLها اثر غالبیت داده شد. ارزشهای اصلاحی ژنومی با استفاده از روشهای RR-m6، rrBLUP، GBLUP، BayesA، درخت رگرسیونی (RT)، جنگل تصادفی (Random Forest, RF) و Boosting برآرود شده و شاخص‌های صحت پیش بینی، اریبی و پراکنش (تورم ارزشهای اصلاحی ژنومی) برای تجزیه و تحلیل ارزشهای اصلاحی حاصل و مقایسه روشهای مختلف مورد استفاده قرار گرفتند. در ضمن، زمان محاسباتی و میزان حافظه مورد نیاز برای پردازش کدهای مربوط به هر روش بر روی CPU محاسبه شد.
یافته‌ها: نتایج نشان داد استفاده از یک مدل صرفاً افزایشی زمانی که اثرات ژنتیک غالبیت در تنوع فنوتیپی صفت مشارکت داشته باشند، منجر به کاهش صحت و افزایش اریبی و پراکنش ارزشهای اصلاحی ژنومی خواهد شد که میزان آن با تعداد QTLهایی که اثر غالبیت دارند رابطه مستقیم داشت. در مقایسه با سایر روش‌ها، روش RR-m6 عملکرد بسیار مطلوبی از خود نشان داد به‌صورتیکه در تمامی سناریوهای مطالعه شده، ارزشهای اصلاحی ژنومی حاصل از آن از بیشترین صحت و کمترین اریبی و پراکنش برخوردار بود اگرچه در بیشتر موارد تفاوت آن با روش BayesA معنی‌دار نبود. از نظر سرعت محاسباتی روش RR-m6 سریعترین روش‌ها بود و در ضمن در مقایسه با سایر روش‌ها به حافظه کمتری برای انجام تجزیه و تحلیل ها احتیاج داشت.
نتیجه‌گیری: نتایج نشان داد از آنجا که روش RR-m6 ارزشهای اصلاحی ژنومی را با صحت بالایی پیش بینی می‌کند و در ضمن از نظر مدت زمان انجام محاسبات و میزان حافظه مورد نیاز نیز بسیار کارآمد است، می‌توان از آن برای ارزیابی ژنومی صفات آستانه دار استفاده نمود.
نوع مطالعه: پژوهشي |
موضوع مقاله:
ژنتیک و اصلاح نژاد دام
دریافت: 1402/1/3 | ویرایش نهایی: 1402/10/27 | پذیرش: 1402/5/9 | انتشار: 1402/10/26
دریافت: 1402/1/3 | ویرایش نهایی: 1402/10/27 | پذیرش: 1402/5/9 | انتشار: 1402/10/26
فهرست منابع
1. AbdolahiArpanahi, R. (2017). Comparison of parametric and resampling methods in genetic evaluation of quantitative traits with different genetic structure. Animal Production, 19(1), 1-12. 10.22059/jap.2017.206657.623047.
2. Aliloo, H., Pryce, J. E., González-Recio, O., Cocks, B. G., & Hayes, B. J. (2016). Accounting for dominance to improve genomic evaluations of dairy cows for fertility and milk production traits. Genetics Selection Evolution, 48(1), 1-11. 10.1186/s12711-016-0186-0. [DOI:10.1186/s12711-016-0186-0]
3. Ashoori-Banaei, S., Ghafouri-Kesbi, F., & Ahmadi, A. (2021). Comparison of regression tree-based methods in genomic selection. Journal of Genetics, 100, 1-8. 10.1007/s12041-021-01334-x. [DOI:10.1007/s12041-021-01334-x]
4. Baneh, H., Nejati-Javaremi, A., Rahimi-Mianji, G. H., & Honarvar, M. (2017). Genomic evaluation of threshold traits with different genetic architecture using bayesian approaches. Research on Animal Production, 8(6). 10.29252/rap.8.15.149. [DOI:10.29252/rap.8.15.149]
5. Breiman, L. (2001). Random Forests. Machine learning, 45, 5-32. [DOI:10.1023/A:1010933404324]
6. de Villemereuil, P. (2018). Quantitative Genetic Methods Depending on the Nature of the Phenotypic Trait. Annals of the New York Academy of Sciences, 1422(1), 29-47. 10.1111/nyas.13571. [DOI:10.1111/nyas.13571]
7. Doublet, A. C., Croiseau, P., Fritz, S., Michenet, A., Hozé, C., Danchin-Burge, C., ... & Restoux, G. (2019). The impact of genomic selection on genetic diversity and genetic gain in three French dairy cattle breeds. Genetics Selection Evolution, 51, 1-13. 10.1186/s12711-019-0495-1. [DOI:10.1186/s12711-019-0495-1]
8. Endelman, J.B. (2011). Ridge Regression and Other Kernels for Genomic Selection with R Package rrblup. The plant genome, 4(3) 10.3835/plantgenome2011.08.0024. [DOI:10.3835/plantgenome2011.08.0024]
9. Ghafouri-Kesbi, F., Rahimi-Mianji, G., Honarvar, M., & Nejati-Javaremi, A. (2016). Predictive ability of random forests, boosting, support vector machines and genomic best linear unbiased prediction in different scenarios of genomic evaluation. Animal Production Science, 57(2), 229-236. 10.1071/AN15538. [DOI:10.1071/AN15538]
10. Gianola, D. (1982). Theory and Analysis of Threshold Characters. Journal of animal Science, 54(5), 1079-1096. 10.2527/jas1982.5451079x. [DOI:10.2527/jas1982.5451079x]
11. de los Campos, P.P.R. (2022). BGLR: Bayesian Generalized Linear Regression. Available At: https://cran.r-project.org/web/packages/BGLR/BGLR.pdf
12. Henderson, C.R. (1975). Best Linear Unbiased Estimation and Prediction under a Selection Model. Biometrics, 423-447. 10.2307/2529430. [DOI:10.2307/2529430]
13. Hill, W. & A. Robertson. (1968). Linkage Disequilibrium in Finite Populations. Theoretical and applied genetics, 38, 226-231. 10.1007/BF01245622. [DOI:10.1007/BF01245622]
14. Hill, W.G. (2008). Estimation, Effectiveness and Opportunities of Long Term Genetic Improvement in Animals and Maize. Lohmann information, 43(1), 3-20.
15. Howard, R., Carriquiry, A. L., & Beavis, W. D. (2014). Parametric and nonparametric statistical methods for genomic selection of traits with additive and epistatic genetic architectures. G3: Genes, Genomes, Genetics, 4(6), 1027-1046. 10.1534/g3.114.010298. [DOI:10.1534/g3.114.010298]
16. Legarra, A., & Reverter, A. (2018). Semi-parametric estimates of population accuracy and bias of predictions of breeding values and future phenotypes using the LR method. Genetics Selection Evolution, 50, 1-18. 10.1186/s12711-018-0426-6. [DOI:10.1186/s12711-018-0426-6]
17. Liaw, A. (2022). Breiman and Cutler's Random Forests for Classification and Regression. Available At: http://cran.r-project.org/web/packages/randomForest/index.html
18. Macedo, F. L., Christensen, O. F., Astruc, J. M., Aguilar, I., Masuda, Y., & Legarra, A. (2020). Bias and accuracy of dairy sheep evaluations using BLUP and SSGBLUP with metafounders and unknown parent groups. Genetics Selection Evolution, 52(1), 1-10. 10.1186/s12711-020-00567-1. [DOI:10.1186/s12711-020-00567-1]
19. Meuwissen, T. H., Hayes, B. J., & Goddard, M. (2001). Prediction of total genetic value using genome-wide dense marker maps. genetics, 157(4), 1819-1829. 10.1093/genetics/157.4.1819. [DOI:10.1093/genetics/157.4.1819]
20. Mohammadi, Y. (2018). Accuracy of Genomic Selection Using Models with Additive Effects for Productive Traits in Iranian Holstein Cows. The second international conference and the third national conference on agriculture, environment and food security, Jiroft University, Jiroft, Iran.
21. Mohammadi, Y., & Sattaei Mokhtari, M. (2018). Genomic selection accuracy parametric and nonparametric statistical methods with additive and dominance genetic architectures. Research On Animal Production (Scientific and Research), 8(18), 161-167. 10.29252/rap.8.18.161. [DOI:10.29252/rap.8.18.161]
22. Neves, H. H., Carvalheiro, R., & Queiroz, S. A. (2012). A comparison of statistical methods for genomic selection in a mice population. BMC genetics, 13(1), 1-17. 10.1186/1471-2156-13-100. [DOI:10.1186/1471-2156-13-100]
23. Ogutu, J. O., Piepho, H. P., & Schulz-Streeck, T. (2011). A comparison of random forests, boosting and support vector machines for genomic selection. In BMC proceedings (Vol. 5, No. 3, pp. 1-5). BioMed Central. [DOI:10.1186/1753-6561-5-S3-S11]
24. Piepho, H. P., Ogutu, J. O., Schulz‐Streeck, T., Estaghvirou, B., Gordillo, A., & Technow, F. (2012). Efficient computation of ridge‐regression best linear unbiased prediction in genomic selection in plant breeding. Crop Science, 52(3), 1093-1104. 10.2135/cropsci2011.11.0592. [DOI:10.2135/cropsci2011.11.0592]
25. Ridgeway, G. (2022). gbm; Generalized Boosted Regression Models a Vailable At http://cran.r-project.org/packages/gbm/index.html.
26. Salehi, A., Bazrafshan, M., & Abdollahi-Arpanahi, R. (2021). Assessment of parametric and non-parametric methods for prediction of quantitative traits with non-additive genetic architecture. Annals of Animal Science, 21(2), 469-484. 10.2478/aoas-2020-0087. [DOI:10.2478/aoas-2020-0087]
27. Schulz-Streeck, T., B. Estaghvirou & F. Technow. (2015). Package 'Rrblup-Method6'. Available At: https://mran.microsoft.com/snapshot/2016-10-12/web/packages/rrBlupMethod6/index.html
28. Technow, F. (2013). Hypred: Simulation of Genomic Data in Applied Genetics. Available At: http://cran.r-project.org/web/packages/hypred/index.html
29. Teimuria, M., Shariati, M. M., & Aslaminejad, A. A. (2016). Comparison of methods for the implementation of genomic selection in Holstein. Research on Animal Production, 7(14), 198-203. 7(14), 198-203. 10.29252/rap.7.14.203. [DOI:10.29252/rap.7.14.203]
30. Therneau, T., B. Atkinson and B. Ripley B. 2022. Rpart: Recursive Partitioning for Classification, Regression and Survival Trees. An Implementation of Most of the Functionality of the 1984 Book by Breiman, Friedman, Olshen and Stone. Available At: https://cran.r-project.org/web/packages/rpart/index.html
31. Wickham, H. (2018). Pryr: Useful Tools to Pry Back the Covers of R and Understand the Language at a Deeper Level. Available At: https://cran.r-project.org/web/packages/pryr/index.html
32. Zhang, A., Wang, H., Beyene, Y., Semagn, K., Liu, Y., Cao, S., ... & Zhang, X. (2017). Effect of trait heritability, training population size and marker density on genomic prediction accuracy estimation in 22 bi-parental tropical maize populations. Frontiers in Plant Science, 8, 1916. 10.3389/fpls.2017.01916. [DOI:10.3389/fpls.2017.01916]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
