دوره 16، شماره 1 - ( بهار 1404 )
جلد 16 شماره 1 صفحات 120-109 |
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:
Azizi P, Moradi Shahrbabak H, Moradi Shahrbabak M, Mokhber M. (2025). Identification of Genomic Regions Related to Litter Size With Divergent Selection between Iranian Indigenous Sheep Breeds and Iceland Sheep Breed using FST Unbiased Statistics. Res Anim Prod. 16(1), 109-120. doi:10.61186/rap.16.1.109
URL: http://rap.sanru.ac.ir/article-1-1449-fa.html
URL: http://rap.sanru.ac.ir/article-1-1449-fa.html
عزیزی پرویز، مرادی شهربابک حسین، مرادی شهربابک محمد، مخبر مهدی. بررسی تفاوت‌های ژنومی مرتبط با عملکرد باروری بین نژادهای گوسفندان بومی ایران و ایسلند با استفاده از آماره‌ی نااریب FST پژوهشهاي توليدات دامي 1404; 16 (1) :120-109 10.61186/rap.16.1.109
1- گروه علوم دامی، دانشکده مهندسی و فناوری کشاورزی، دانشگاه تهران، تهران، ایران
2- گروه علوم دامی، دانشکده مهندسی و فناوری کشاورزی، دانشگاه تهران، تهران، ایران،
3- گروه علوم دامی، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران
2- گروه علوم دامی، دانشکده مهندسی و فناوری کشاورزی، دانشگاه تهران، تهران، ایران،
3- گروه علوم دامی، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران
چکیده: (390 مشاهده)
چکیده مبسوط
مقدمه و هدف: به‌دلیل افزایش تقاضا برای فرآورده‌های دامی، حتی در مواردی که تاکید بر تولید شیر یا پشم است، بازدهی تولیدمثلی یکی از اهداف اصلی در صنعت پرورش گوسفند است. به‌ویژه هنگامی‌که برنامه‌های اصلاحی بر تولید گوشت تأکید داشته باشند، افزایش بازدهی تولیدمثلی مهم‌ترین شاخص به‌شمار می‌رود. هر چند که افزایش باروری به‌روش‌های متفاوت میسر است، اما افزایش نرخ تخمک‌گذاری و تعداد بره در هر زایش برای رسیدن به باروری بالا از اهداف اصلی برنامه های اصلاح نژادی است. بنابراین، بهبود عملکرد تولیدمثلی گوسفند اهمیت ویژه‌ای بر سودآوری این حیوان، به‌‌خصوص در سیستم‌های پرورشی نیمه بسته و بسته دارد. در این پژوهش، تفاوت‌های ژنومی مرتبط با عملکرد باروری بین نژادهای گوسفندان بومی ایران و ایسلند با استفاده از آماره‌ی XPEHH مورد بررسی قرار گرفت.
مواد و روش‌ها: از اطلاعات ژنومی 204 نمونه شامل 54 نمونه مربوط به نژاد ایسلند و 154 نمونه مربوط به 11 نژاد از گوسفندان بومی ایران (افشاری، قزل، شال، کیوسی، کرمانی، بلوچی، قره گل، سنجابی، سیاه کبود، لری بختیاری و کبوده شیراز) استفاده شد. اطلاعات این گروه‌های ژنتیکی به‌ترتیب از پایگاه اطلاعاتی iSheep و آدرس https://disk.yandex.ru/d/3N2wEv0-9_NL0w، به‌دست آمد. برای اطمینان از کیفیت دادههای ژنومی، کنترل کیفیت بر روی دادههای اولیه اعمال و دادههای با کیفیت پایین کنار گذاشته شد. کنترل کیفی و فیلتراسیون داده‌ها با نرم‌افزار PLINK-1.9 انجام شد. در مراحل فیلتراسیون، حیوانات و نشانگرهایی که بیشتر از پنج درصد ژنوتیپ از دست رفته داشتند، حذف شدند. همچنین، نشانگرهایی ژنتیکی با حداقل فراوانی آللی کمتر از یک درصد و نیز مواردی که در تعادل هاردی واینبرگ قرار نداشتند، کنار گذاشته شدند. از کل دادههای اولیه‌‌ی موجود، شامل 552847 نشانگر SNP مربوط به کروموزم‌های بدنی با جایگاه شناخته شده از 204 حیوان، در نهایت 527292 نشانگر SNP مربوط به 204 حیوان با نرخ ژنوتایپینگ 0/9994 باقی ماندند. این سری داده‌ی مشترک برای آنالیزهای ساختار و تمایز ژنتیکی بین جمعیتی استفاده شد. سپس داده‌ها برای شناسایی نشانه‌های انتخاب شناسایی مجددا مورد فیلتراسیون قرار گرفت و در نهایت در این ویرایش از داده‌ها 527284 نشانگر SNP مربوط به 174 حیوان برای بررسی نشانه‌های انتخاب باقی ماندند. آنالیز شاخص تمایز ژنتیکی (FST) و آنالیز مؤلفه‌های اصلی (PCA) برای تعیین گروه‌های ژنتیکی با نرم‌افزار PLINK1.9، صورت گرفت. به‌منظور شناسایی نشانه‌های انتخاب، از آماره‌ی XPEHH استفاده شد. در نهایت 0/1 درصد مناطق ژنومی با ارزش عددی بالا (0/32)، به‌عنوان نشانه‌های انتخاب شناسایی و تعیین شدند. استخراج ژن‌های مرتبط با مناطق ژنومی تحت انتخاب توسط پایگاه اطلاعاتی آنلاین BIOMART با انطباق روی ژنوم گوسفند (Oar_v3.1) انجام شد. سسپس ژن‌های شناسایی شده جهت تعیین مسیرهای بیولوژیکی و وجود شبکه‌های احتمالی ژنی در سامانه‌های آنلاین DAVID و STRING (https://string-db.org/) مورد واکاوی بیشتر قرار گرفتند.
یافته‌ها: مطابق نتایج به‌دست‌آمده از آنالیز تجزیه به مولفه‌های اصلی (PCA)، گروه با چندقلوزایی بالا (ایسلند) به‌طور کامل از گروه ژنتیکی با چندقلوزایی پایین (نژادهای ایرانی) مجزا هستند. تمایز کامل بین دو گروه با چندقلوزایی پایین و بالا، می‌تواند مربوط به جدایش منطقه‌ای این دو گروه باشد. مؤلفه دوم توجیه تمایز بین برخی از نژادهای ایرانی از همدیگر است. به‌طوری که دو نژاد کرمانی و کیوسی (نگهداری‌شده در مرکز پرورشی کیوسی در استان کرمان) با مؤلفه‌ی دوم از گروه ژنتیکی اصلی مربوط به سایر نژادهای ایرانی شده‌است. با واکاوی‌های بیشتر ساختار جمعیتی و ارتباط ژنتیکی بین دام‌های مورد مطالعه، با آنالیز FST و رسم درخت فیلوژنی مستخرج از اطلاعات تعیین فواصل ژنتیکی، تأیید شد. نژاد ایسلند بیشترین فاصله‌ی ژنتیکی را با سایر نژادهای مورد مطالعه را دارد. نزدیک‌ترین نژاد از لحاظ ژنتیکی به ایسلند مربوط به نژاد سیاه کبود شیراز (SDK) و دورترین مربوط به نژاد کرمانی است. برای کاهش اریبی موجود در مطالعات مربوط به نشانه‌های انتخاب و با توجه به تمایز نسبی گروه‌های کرمانی و کیوسی، اطلاعات این گروه از حیوانات نیز از ادامه آنالیزها کنار گذاشته شد. تعداد 391 ژن مرتبط با مناطق ژنومی تحت انتخاب، به‌عنوان نشانه‌ی انتخاب شناسایی شدند. از میان ژن‌های شناسایی شده، تعداد حداقل 13 مورد شامل ژن‌های BMPR2، SLC26A4، WNT16، CREB3L4، PRLR، ACVR2B، PRKCSH، HOXA9، HOXA10، Dkks، KATNAL1، OSBP2 و W5PHY6_SHEEP به‌نوعی با عملکرد تولیدمثلی و صفت چندقلوزایی در گوسفند مرتبط بودند. هرچند هیچ مسیر بیولوژیکی قابل توجه و معنی‌دار از لحاظ آماری که با عملکرد تولیدمثلی در گوسفند ارتباط داشته باشد، شناسایی نشد. در هر صورت، برخی از ژن‌های شناسایی شده، اثرات عمده‌ای در عملکرد باروری گوسفند دارند. ژن‌های شناسایی شده از مطالعه حاضر و تلفیق آن با سایر اطلاعات مرتبط با صفت چندقلوزایی می‌تواند در طراحی برنامه‌های اصلاح نژادی جهت بهبود عملکرد تولیدمثلی، مؤثر باشد.
نتیجه‌گیری: در مطالعه‌ی مسیرهای بیولوژیکی شناسایی شده از مقایسه‌ی جمعیت‌های گوسفندان ایران با نژاد ایسلند که جزو شاخص‌ترین نژادهای چندقلوزای دنیا به‌شمار می‌رود، عمدتاً مسیرهای بیولوژیکی درگیر در ایمنیت، بویایی و ساختار هموگلوبینی، به‌عنوان مسیرهای تحت انتخاب شناسایی شدند و باوجود شناسایی تعداد متعددی از ژن‌های مرتبط با عملکرد تولیدمثلی این ژن‌ها در مسیرهای بیولوژیکی واحدی تشکیل یک شبکه ژنی معنی‌دار را ندادند. در هر صورت با توجه به شناسایی برخی ژن‌های شاخص در عملکرد تولیدمثلی، این اطلاعات می‌تواند بعد از تایید در مطالعات دیگر و تکمیلی در طراحی بهتر پروژه‌های بهبود عملکرد تولیدمثلی مؤثر باشد.
مقدمه و هدف: به‌دلیل افزایش تقاضا برای فرآورده‌های دامی، حتی در مواردی که تاکید بر تولید شیر یا پشم است، بازدهی تولیدمثلی یکی از اهداف اصلی در صنعت پرورش گوسفند است. به‌ویژه هنگامی‌که برنامه‌های اصلاحی بر تولید گوشت تأکید داشته باشند، افزایش بازدهی تولیدمثلی مهم‌ترین شاخص به‌شمار می‌رود. هر چند که افزایش باروری به‌روش‌های متفاوت میسر است، اما افزایش نرخ تخمک‌گذاری و تعداد بره در هر زایش برای رسیدن به باروری بالا از اهداف اصلی برنامه های اصلاح نژادی است. بنابراین، بهبود عملکرد تولیدمثلی گوسفند اهمیت ویژه‌ای بر سودآوری این حیوان، به‌‌خصوص در سیستم‌های پرورشی نیمه بسته و بسته دارد. در این پژوهش، تفاوت‌های ژنومی مرتبط با عملکرد باروری بین نژادهای گوسفندان بومی ایران و ایسلند با استفاده از آماره‌ی XPEHH مورد بررسی قرار گرفت.
مواد و روش‌ها: از اطلاعات ژنومی 204 نمونه شامل 54 نمونه مربوط به نژاد ایسلند و 154 نمونه مربوط به 11 نژاد از گوسفندان بومی ایران (افشاری، قزل، شال، کیوسی، کرمانی، بلوچی، قره گل، سنجابی، سیاه کبود، لری بختیاری و کبوده شیراز) استفاده شد. اطلاعات این گروه‌های ژنتیکی به‌ترتیب از پایگاه اطلاعاتی iSheep و آدرس https://disk.yandex.ru/d/3N2wEv0-9_NL0w، به‌دست آمد. برای اطمینان از کیفیت دادههای ژنومی، کنترل کیفیت بر روی دادههای اولیه اعمال و دادههای با کیفیت پایین کنار گذاشته شد. کنترل کیفی و فیلتراسیون داده‌ها با نرم‌افزار PLINK-1.9 انجام شد. در مراحل فیلتراسیون، حیوانات و نشانگرهایی که بیشتر از پنج درصد ژنوتیپ از دست رفته داشتند، حذف شدند. همچنین، نشانگرهایی ژنتیکی با حداقل فراوانی آللی کمتر از یک درصد و نیز مواردی که در تعادل هاردی واینبرگ قرار نداشتند، کنار گذاشته شدند. از کل دادههای اولیه‌‌ی موجود، شامل 552847 نشانگر SNP مربوط به کروموزم‌های بدنی با جایگاه شناخته شده از 204 حیوان، در نهایت 527292 نشانگر SNP مربوط به 204 حیوان با نرخ ژنوتایپینگ 0/9994 باقی ماندند. این سری داده‌ی مشترک برای آنالیزهای ساختار و تمایز ژنتیکی بین جمعیتی استفاده شد. سپس داده‌ها برای شناسایی نشانه‌های انتخاب شناسایی مجددا مورد فیلتراسیون قرار گرفت و در نهایت در این ویرایش از داده‌ها 527284 نشانگر SNP مربوط به 174 حیوان برای بررسی نشانه‌های انتخاب باقی ماندند. آنالیز شاخص تمایز ژنتیکی (FST) و آنالیز مؤلفه‌های اصلی (PCA) برای تعیین گروه‌های ژنتیکی با نرم‌افزار PLINK1.9، صورت گرفت. به‌منظور شناسایی نشانه‌های انتخاب، از آماره‌ی XPEHH استفاده شد. در نهایت 0/1 درصد مناطق ژنومی با ارزش عددی بالا (0/32)، به‌عنوان نشانه‌های انتخاب شناسایی و تعیین شدند. استخراج ژن‌های مرتبط با مناطق ژنومی تحت انتخاب توسط پایگاه اطلاعاتی آنلاین BIOMART با انطباق روی ژنوم گوسفند (Oar_v3.1) انجام شد. سسپس ژن‌های شناسایی شده جهت تعیین مسیرهای بیولوژیکی و وجود شبکه‌های احتمالی ژنی در سامانه‌های آنلاین DAVID و STRING (https://string-db.org/) مورد واکاوی بیشتر قرار گرفتند.
یافته‌ها: مطابق نتایج به‌دست‌آمده از آنالیز تجزیه به مولفه‌های اصلی (PCA)، گروه با چندقلوزایی بالا (ایسلند) به‌طور کامل از گروه ژنتیکی با چندقلوزایی پایین (نژادهای ایرانی) مجزا هستند. تمایز کامل بین دو گروه با چندقلوزایی پایین و بالا، می‌تواند مربوط به جدایش منطقه‌ای این دو گروه باشد. مؤلفه دوم توجیه تمایز بین برخی از نژادهای ایرانی از همدیگر است. به‌طوری که دو نژاد کرمانی و کیوسی (نگهداری‌شده در مرکز پرورشی کیوسی در استان کرمان) با مؤلفه‌ی دوم از گروه ژنتیکی اصلی مربوط به سایر نژادهای ایرانی شده‌است. با واکاوی‌های بیشتر ساختار جمعیتی و ارتباط ژنتیکی بین دام‌های مورد مطالعه، با آنالیز FST و رسم درخت فیلوژنی مستخرج از اطلاعات تعیین فواصل ژنتیکی، تأیید شد. نژاد ایسلند بیشترین فاصله‌ی ژنتیکی را با سایر نژادهای مورد مطالعه را دارد. نزدیک‌ترین نژاد از لحاظ ژنتیکی به ایسلند مربوط به نژاد سیاه کبود شیراز (SDK) و دورترین مربوط به نژاد کرمانی است. برای کاهش اریبی موجود در مطالعات مربوط به نشانه‌های انتخاب و با توجه به تمایز نسبی گروه‌های کرمانی و کیوسی، اطلاعات این گروه از حیوانات نیز از ادامه آنالیزها کنار گذاشته شد. تعداد 391 ژن مرتبط با مناطق ژنومی تحت انتخاب، به‌عنوان نشانه‌ی انتخاب شناسایی شدند. از میان ژن‌های شناسایی شده، تعداد حداقل 13 مورد شامل ژن‌های BMPR2، SLC26A4، WNT16، CREB3L4، PRLR، ACVR2B، PRKCSH، HOXA9، HOXA10، Dkks، KATNAL1، OSBP2 و W5PHY6_SHEEP به‌نوعی با عملکرد تولیدمثلی و صفت چندقلوزایی در گوسفند مرتبط بودند. هرچند هیچ مسیر بیولوژیکی قابل توجه و معنی‌دار از لحاظ آماری که با عملکرد تولیدمثلی در گوسفند ارتباط داشته باشد، شناسایی نشد. در هر صورت، برخی از ژن‌های شناسایی شده، اثرات عمده‌ای در عملکرد باروری گوسفند دارند. ژن‌های شناسایی شده از مطالعه حاضر و تلفیق آن با سایر اطلاعات مرتبط با صفت چندقلوزایی می‌تواند در طراحی برنامه‌های اصلاح نژادی جهت بهبود عملکرد تولیدمثلی، مؤثر باشد.
نتیجه‌گیری: در مطالعه‌ی مسیرهای بیولوژیکی شناسایی شده از مقایسه‌ی جمعیت‌های گوسفندان ایران با نژاد ایسلند که جزو شاخص‌ترین نژادهای چندقلوزای دنیا به‌شمار می‌رود، عمدتاً مسیرهای بیولوژیکی درگیر در ایمنیت، بویایی و ساختار هموگلوبینی، به‌عنوان مسیرهای تحت انتخاب شناسایی شدند و باوجود شناسایی تعداد متعددی از ژن‌های مرتبط با عملکرد تولیدمثلی این ژن‌ها در مسیرهای بیولوژیکی واحدی تشکیل یک شبکه ژنی معنی‌دار را ندادند. در هر صورت با توجه به شناسایی برخی ژن‌های شاخص در عملکرد تولیدمثلی، این اطلاعات می‌تواند بعد از تایید در مطالعات دیگر و تکمیلی در طراحی بهتر پروژه‌های بهبود عملکرد تولیدمثلی مؤثر باشد.
فهرست منابع
1. Ajafar, M. H., Kadhim, A. H., & AL-Thuwaini, T. M. (2022). The reproductive traits of sheep and their influencing factors. Reviews in Agricultural Science, 10, 82-89. [DOI:10.7831/ras.10.0_82]
2. Alexandratos, N., & Bruinsma, J. (2012). World agriculture towards 2030/2050. Agricultural Development Economics Division, 12(3),1-147.
3. Alkass, J. E., Hermiz, H. N., & Baper, M. I. (2021). Some aspects of reproductive efficiency in awassi ewes: A review. Iraqi Journal of Agricultural Sciences, 52(1), 20-27. [DOI:10.36103/ijas.v52i1.1232]
4. Anderson, G. M., Hardy, S. L., Valent, M., Billings, H. J., Connors, J. M., & Goodman, R. L. (2003). Evidence that thyroid hormones act in the ventromedial preoptic area and the premammillary region of the brain to allow the termination of the breeding season in the ewe. Endocrinology, 144(7), 2892-2901. [DOI:10.1210/en.2003-0322]
5. Asadollahpour Nanaei, H., Kharrati-Koopaee, H., & Esmailizadeh, A. (2022). Genetic diversity and signatures of selection for heat tolerance and immune response in Iranian native chickens. BMC Genomics, 23(1), 224. [DOI:10.1186/s12864-022-08434-7]
6. Barendse, W., Harrison, B. E., Bunch, R. J., Thomas, M. B., & Turner, L. B. (2009). Genome wide signatures of positive selection: the comparison of independent samples and the identification of regions associated to traits. BMC Genomics, 10(1), 1-15. [DOI:10.1186/1471-2164-10-178]
7. Biabani, P., Mehrbani Yeganeh, H., & Mokhber, M. (2022). Detection of genetic differences between Holstein and Iranian north-west indigenous hybrid cattles using genomic data. Research On Animal Production, 13(37), 175-186. [In Persian] [DOI:10.52547/rap.13.37.175]
8. Böttner, M., Christoffel, J., Jarry, H., & Wuttke, W. (2006). Effects of long-term treatment with resveratrol and subcutaneous and oral estradiol administration on pituitary function in rats. Journal of Endocrinology, 189(1), 77-88. [DOI:10.1677/joe.1.06535]
9. Colli, L., Milanesi, M., Vajana, E., Iamartino, D., Bomba, L., Puglisi, F., Nicolazzi, E., El-Din Ahmed, S., Herrera, J., & Cruz, L. (2016). Water buffalo genomic diversity and post-domestication migration routes. In International Plant and Animal Genome XXIV. USA.
10. Daza, D. O., & Larhammar, D. (2018). Evolution of the receptors for growth hormone, prolactin, erythropoietin and thrombopoietin in relation to the vertebrate tetraploidizations. General and Comparative Endocrinology, 257, 143-160. [DOI:10.1016/j.ygcen.2017.06.021]
11. Dolatabady, M. M., & Habibizad, J. (2019). Single nucleotide polymorphisms (SNPs) of GDF9 gene in Bahmaei and Lak Ghashghaei sheep breeds and its association with litter size. Iranian Journal of Applied Animal Science, 9(3), 427-432
12. Esmaeili-Fard, S. M., Gholizadeh, M., Hafezian, S. H., & Abdollahi-Arpanahi, R. (2021). Genes and pathways affecting sheep productivity traits: Genetic parameters, genome-wide association mapping, and pathway enrichment analysis. Frontiers in Genetics, 12, 710613. [DOI:10.3389/fgene.2021.710613]
13. Feng, X., Li, F., Wang, F., Zhang, G., Pang, J., Ren, C., Zhang, T., Yang, H., Wang, Z., & Zhang, Y. (2018). Genome-wide differential expression profiling of mRNAs and lncRNAs associated with prolificacy in Hu sheep. Bioscience reports, 38(2), BSR20171350. [DOI:10.1042/BSR20171350]
14. Ghasemi, M., Hashemi, A., Mokhber, M., & Salehi, R. (2020). Association of exon 4 region of Gpr54 gene polymorphisms with litter size trait in Iranian Sanjabi and Ghezel sheep breeds by PCR-SSCP. Research On Animal Production, 11(29), 116-123. [In Persian] [DOI:10.52547/rap.11.29.116]
15. Gholizadeh, M., & Esmaeili-Fard, S. M. (2022). Meta-analysis of genome-wide association studies for litter size in sheep. Theriogenology, 180, 103-112. [DOI:10.1016/j.theriogenology.2021.12.025]
16. Gholizadeh, M., Rahimi-Mianji, G., Nejati-Javaremi, A., De Koning, D. J., & Jonas, E. (2014). Genomewide association study to detect QTL for twinning rate in Baluchi sheep. Journal of genetics, 93, 489-493. [DOI:10.1007/s12041-014-0372-1]
17. Grainger, S., & Willert, K. (2018). Mechanisms of Wnt signaling and control. Wiley Interdisciplinary Reviews: Systems Biology and Medicine, 10(5), e1422. [DOI:10.1002/wsbm.1422]
18. Habara, O., Logan, C. Y., Kanai-Azuma, M., Nusse, R., & Takase, H. M. (2021). WNT signaling in pre-granulosa cells is required for ovarian folliculogenesis and female fertility. Development, 148(9), dev198846. [DOI:10.1242/dev.198846]
19. Ivanova, T., Stoikova-Grigorova, R., Ignatova, M., Dimitrova, I., & Koutev, V. (2021). Phenotypic and genetic characteristics of fecundity in sheep. A review. Bulgarian Journal of Agricultural Science, 27(5), 1002-1008.
20. Jiang, Y., Xie, M., Chen, W., Talbot, R., Maddox, J. F., Faraut, T., Wu, C., Muzny, D. M., Li, Y., & Zhang, W. (2014). The sheep genome illuminates biology of the rumen and lipid metabolism. Science, 344(6188), 1168-1173. [DOI:10.1126/science.1252806]
21. Khaltabadi Farahani, A. H., Mohammadi, H., & Moradi, H. (2020). Gene set enrichment analysis using genome-wide association study to identify genes and pathways associated with litter size in various sheep breeds. Animal Production, 22(3), 325-335.
22. Kijas, J. W., Lenstra, J. A., Hayes, B., Boitard, S., Porto Neto, L. R., San Cristobal, M., Servin, B., McCulloch, R., Whan, V., & Gietzen, K. (2012). Genome-wide analysis of the world's sheep breeds reveals high levels of historic mixture and strong recent selection. PLoS Biology, 10(2), e1001258. [DOI:10.1371/journal.pbio.1001258]
23. Kinsella, R. J., Kähäri, A., Haider, S., Zamora, J., Proctor, G., Spudich, G., Almeida-King, J., Staines, D., Derwent, P., & Kerhornou, A. (2011). Ensembl BioMarts: a hub for data retrieval across taxonomic space. Database, 2011, bar030. [DOI:10.1093/database/bar030]
24. Li, M., Song, Y., Rawal, S., Hinkle, S. N., Zhu, Y., Tekola-Ayele, F., Ferrara, A., Tsai, M. Y., & Zhang, C. (2020). Plasma prolactin and progesterone levels and the risk of gestational diabetes: a prospective and longitudinal study in a multiracial cohort. Frontiers in Endocrinology, 11, 83. [DOI:10.3389/fendo.2020.00083]
25. Mohammadan Mosammam, R., Farahavar, A., Yavari, M., & Aliarabi, H. (2023). The effect of injection of GnRH dissolved in aluminum hydroxide gel nanoparticles or propyleneglycol on estrus synchronization, ovulation induction and fertility outcome after artificial insemination in Mehraban ewes. Research On Animal Production, 14(41), 1-12. )In Persian( [DOI:10.61186/rap.14.41.1]
26. Mokhber, M., Moradi-Shahrbabak, M., Sadeghi, M., Moradi-Shahrbabak, H., Stella, A., Nicolzzi, E., Rahmaninia, J., & Williams, J. L. (2018). A genome-wide scan for signatures of selection in Azeri and Khuzestani buffalo breeds. BMC Genomics, 19(1), 1-9. [DOI:10.1186/s12864-018-4759-x]
27. Mokhber, M., Shahrbabak, M. M., Sadeghi, M., Shahrbabak, H. M., & Williams, J. (2015). Genome-wide survey of signature of positive selection in Khuzestani and Mazandrani buffalo breeds. Iranian Journal of Animal Science, 46(2), 119-131. )In Persian(
28. Moosanezhad Khabisi, M., Esmailizadeh, A., & Asadi Fozi, M. (2022). Evaluation of genomic inbreeding rate in Iranian native sheep using dense SNP markers (600K). Research On Animal Production, 13(35), 158-167. (In Persian) [DOI:10.52547/rap.13.35.158]
29. Moradi, M. H., Nejati-Javaremi, A., Moradi-Shahrbabak, M., Dodds, K. G., & McEwan, J. C. (2012). Genomic scan of selective sweeps in thin and fat tail sheep breeds for identifying of candidate regions associated with fat deposition. BMC Genetics, 13(1), 1-15. [DOI:10.1186/1471-2156-13-10]
30. Moradi Shahrebabak, H., Biabani, P., Mehrbani Yeganeh, H., & Mokhber, M. (2023). Investigating the genetic diversity of Iranian native and Holstein cattle breeds using genomic data. Animal Sciences Journal, 36(138), 87-98. )In Persian(
31. Nicolazzi, E. L., Caprera, A., Nazzicari, N., Cozzi, P., Strozzi, F., Lawley, C., Pirani, A., Soans, C., Brew, F., & Jorjani, H. (2015). SNPchiMp v. 3: integrating and standardizing single nucleotide polymorphism data for livestock species. BMC Genomics, 16(1), 1-6. [DOI:10.1186/s12864-015-1497-1]
32. Niu, Z.-g., Qin, J., Jiang, Y., Ding, X.-D., Ding, Y.-g., Tang, S., & Shi, H.-c. (2021). The identification of mutation in BMP15 gene associated with litter size in Xinjiang Cele black sheep. Animals, 11(3), 668. [DOI:10.3390/ani11030668]
33. Notter, D. (2012). Genetic improvement of reproductive efficiency of sheep and goats. Animal Reproduction Science, 130(3-4), 147-151. [DOI:10.1016/j.anireprosci.2012.01.008]
34. Paz, E., Quiñones, J., Bravo, S., Montaldo, H., & Sepúlveda, N. (2015). Genotyping of BMPR1B, BMP15 and GDF9 genes in Chilean sheep breeds and association with prolificacy. Animal Genetics, 46(1), 98-99. [DOI:10.1111/age.12254]
35. Purcell, S., Neale, B., Todd-Brown, K., Thomas, L., Ferreira, M. A., Bender, D., Maller, J., Sklar, P., De Bakker, P. I., & Daly, M. J. (2007). PLINK: a tool set for whole-genome association and population-based linkage analyses. The American Journal of Human Genetics, 81(3), 559-575. [DOI:10.1086/519795]
36. Qanbari, S., Strom, T. M., Haberer, G., Weigend, S., Gheyas, A. A., Turner, F., Burt, D. W., Preisinger, R., Gianola, D., & Simianer, H. (2012). A high resolution genome-wide scan for significant selective sweeps: an application to pooled sequence data in laying chickens. PloS One, 7(11), e49525. [DOI:10.1371/journal.pone.0049525]
37. Sadeghi, M., Mokhber, M., & Shahrbabak, M. (2022). Genetic variation in hypothalamic-pituitary axis candidate genes and their effects on milk production traits in Iranian Holstein cattle. Russian Journal of Genetics, 58(11), 1393-1400. [DOI:10.1134/S1022795422110096]
38. Schang, G., Ongaro, L., Schultz, H., Wang, Y., Zhou, X., Brûlé, E., Boehm, U., Lee, S.-J., & Bernard, D. J. (2020). Murine FSH production depends on the activin type II receptors ACVR2A and ACVR2B. Endocrinology, 161(7), bqaa056. [DOI:10.1210/endocr/bqaa056]
39. Sherman, B. T., Hao, M., Qiu, J., Jiao, X., Baseler, M. W., Lane, H. C., Imamichi, T., & Chang, W. (2022). DAVID: a web server for functional enrichment analysis and functional annotation of gene lists (2021 update). Nucleic Acids Research, 50(W1), W216-W221. [DOI:10.1093/nar/gkac194]
40. Shi, S., Shao, D., Yang, L., Liang, Q., Han, W., Xue, Q., Qu, L., Leng, L., Li, Y., & Zhao, X. (2023). Whole genome analyses reveal novel genes associated with chicken adaptation to tropical and frigid environments. Journal of Advanced Research, 47, 13-25. [DOI:10.1016/j.jare.2022.07.005]
41. Simianer, H., Ma, Y., & Qanbari, S. (2014). Statistical problems in livestock population genomics. In Proceedings of the 10th World Congress on Genetics Applied to Livestock Production, 17-22.
42. Smołucha, G., Gurgul, A., Jasielczuk, I., Kawęcka, A., & Miksza-Cybulska, A. (2021). A genome-wide association study for prolificacy in three Polish sheep breeds. Journal of Applied Genetics, 62, 323-326. [DOI:10.1007/s13353-021-00615-6]
43. Strillacci, M. G., Moradi-Shahrbabak, H., Davoudi, P., Ghoreishifar, S. M., Mokhber, M., Masroure, A. J., & Bagnato, A. (2021). A genome-wide scan of copy number variants in three Iranian indigenous river buffaloes. BMC Genomics, 22(1), 1-14. [DOI:10.1186/s12864-021-07604-3]
44. Szklarczyk, D., Kirsch, R., Koutrouli, M., Nastou, K., Mehryary, F., Hachilif, R., Gable, A. L., Fang, T., Doncheva, N. T., & Pyysalo, S. (2023). The STRING database in 2023: protein-protein associationnetworks and functional enrichment analyses for any sequenced genome of interest. Nucleic Acids Research, 51(D1), D638-D646. [DOI:10.1093/nar/gkac1000]
45. Teo, Y. Y., Fry, A. E., Clark, T. G., Tai, E., & Seielstad, M. (2007). On the usage of HWE for identifying genotyping errors. Annals of Human genetics, 71(5), 701-703. [DOI:10.1111/j.1469-1809.2007.00356.x]
46. Wang, Z.-H., Zhu, Q.-H., Li, X., Zhu, J.-W., Tian, D.-M., Zhang, S.-S., Kang, H.-L., Li, C.-P., Dong, L.-L., & Zhao, W.-M. (2021). iSheep: an integrated resource for sheep genome, variant and phenotype. Frontiers in Genetics, 12, 714852. [DOI:10.3389/fgene.2021.714852]
47. Weir, B. S., & Cockerham, C. C. (1984). Estimating F-statistics for the analysis of population structure. Evolution, 1358-1370. [DOI:10.2307/2408641]
48. Xia, Q., Li, Q., Gan, S., Guo, X., Zhang, X., Zhang, J., & Chu, M. (2020). Exploring the roles of fecundity-related long non-coding RNAs and mRNAs in the adrenal glands of small-tailed Han Sheep. BMC Genetics, 21(1), 1-11. [DOI:10.1186/s12863-020-00850-6]
49. Yoshino, O., McMahon, H. E., Sharma, S., & Shimasaki, S. (2006). A unique preovulatory expression pattern plays a key role in the physiological functions of BMP-15 in the mouse. Proceedings of the National Academy of Sciences, 103(28), 10678-10683. [DOI:10.1073/pnas.0600507103]
50. Zandi, M. B., Salek Ardestani, S., Vahedi, S. M., Mahboudi, H., Mahboudi, F., & Meskoob, A. (2022). Detection of Common Copy Number of Variants Underlying Selection Pressure in Middle Eastern Horse Breeds Using Whole-Genome Sequence Data. Journal of Heredity, 113(4), 421-430. [DOI:10.1093/jhered/esac027]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
