دوره 7، شماره 14 - ( پاییز و زمستان 1395 )                   جلد 7 شماره 14 صفحات 203-198 | برگشت به فهرست نسخه ها


XML English Abstract Print


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

Comparison of Methods for the Implementation of Genomic Selection in Holstein . rap. 2016; 7 (14) :203-198
URL: http://rap.sanru.ac.ir/article-1-712-fa.html
تیموریان محمد، شریعتی محمد مهدی، اسلمی نژاد علی اصغر. مقایسه روش های مختلف آماری در انتخاب ژنومی گاوهای هلشتاین. پژوهشهاي توليدات دامي. 1395; 7 (14) :203-198

URL: http://rap.sanru.ac.ir/article-1-712-fa.html


چکیده:   (3079 مشاهده)

انتخاب ژنومی، ارزش­های ژنتیکی را در صفات پیچیده کمی از طریق ترکیب داده­های ژنومی و فنوتیپی با استفاده از
مدل­های آماری پیش­بینی می­کند. صحت پیش­بینی ارزش­های ژنتیکی در جمعیت تحت انتخاب اثر زیادی بر موفقیت این روش انتخاب دارد. مدل آماری که برای برآورد اثرات نشان
­گری در جمعیت مرجع از آن استفاده می­شود، از عوامل مؤثر بر صحت پیش­بینی­ها می­باشد. عوامل مختلفی مانند تراکم نشان­گری، جمعیت مرجع و معماری ژنتیکی صفت بر انتخاب بهترین مدل آنالیز تاثیر­ گذارند. در این مطالعه، گاوهای هلشتاین ایران شبیه­سازی و مدل­های مختلف آنالیز در انتخاب ژنومی این جمعیت بررسی شدند. مدل­ GBLUP و چهار مدل­ بیزی A، B، LASSO و  در حالت­های مختلفی از جمعیت مرجع، تعداد جایگاه­های صفت کمی (QTL) و تراکم نشان گری مقایسه شدند. روش­های بیزی نسبت به روش GBLUP صحت برآورد بالاتری داشتند و این برتری در حالت کم بودن تعداد ژن­های بزرگ اثر و استفاده از اطلاعات جمعیت­های دیگر در تشکیل جمعیت مرجع ایران بیشتر بود. برای انتخاب ژنومی در جمعیت گاوهای هلشتاین ایران، به کارگیری مدل بیز B در جمعیت مرجعی شامل گاوهای نر و ماده و بهره­گیری از اطلاعات جمعیت­های دیگر پیشنهاد می­گردد.

متن کامل [PDF 344 kb]   (4068 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: تخصصي
دریافت: 1395/10/1 | پذیرش: 1395/10/1 | انتشار: 1395/10/1

فهرست منابع
1. Brondum, R.F., G. Su, M.S. Lund, P.J. Bowman, M.E. Goddard and B.J. Hayes. 2012. Genome position specific priors for genomic prediction. BMC Genomics, 13: 543-557. [DOI:10.1186/1471-2164-13-543]
2. Clark, S.A., J.M. Hickey and J.H. Van Der Werf. 2011. Different models of genetic variation and their effect on genomic evaluation. Genetics Selection Evolution, 43: 18-31. [DOI:10.1186/1297-9686-43-18]
3. Colombani, C., A. Legarra, S. Fritz, F. Guillaume, P. Croiseau, V. Ducrocq and C. Robert-Granie. 2013. Application of Bayesian least absolute shrinkage and selection operator (LASSO) and BayesCπ methods for genomic selection in French Holstein and Montbéliarde breeds. Journal of Dairy Science, 96: 575-591. [DOI:10.3168/jds.2011-5225]
4. Daetwyler, H.D., B. Villanueva, P. Bijma and J.A.Woolliams. 2007. Inbreeding in genome-wide selection. Journal of Animal Breeding and Genetics, 124: 369-376. [DOI:10.1111/j.1439-0388.2007.00693.x]
5. De Los Campos, G., H. Naya, D. Gianola, J. Crossa, A. Legarra, E. Manfredi, K. Weigel and J.M. Cotes. 2009. Predicting quantitative traits with regression models for dense molecular markers and pedigree. Genetics, 182: 375-385. [DOI:10.1534/genetics.109.101501]
6. De Roos, A., B. Hayes and M. Goddard. 2009. Reliability of genomic predictions across multiple populations. Genetics, 183: 1545-1553. [DOI:10.1534/genetics.109.104935]
7. Gao, H., G. Su, L. Janss, Y. Zhang and M.S. Lund. 2013. Model comparison on genomic predictions using high-density markers for different groups of bulls in the Nordic Holstein population. Journal of Dairy Science, 96: 4678-4687. [DOI:10.3168/jds.2012-6406]
8. Gianola, D., M. Perez-Enciso and M.A. Toro. 2003. On marker-assisted prediction of genetic value: beyond the ridge. Genetics, 163: 347-361.
9. Gianola, D. and J.B. Van Kaam. 2008. Reproducing kernel Hilbert spaces regression methods for genomic assisted prediction of quantitative traits. Genetics, 178: 2289-2303. [DOI:10.1534/genetics.107.084285]
10. Goddard, M. 2009. Genomic selection: prediction of accuracy and maximisation of long term response. Genetics, 136: 245-257. [DOI:10.1007/s10709-008-9308-0]
11. Habier, D., R. Fernando and J. Dekkers. 2007. The impact of genetic relationship information on genome-assisted breeding values. Genetics, 177: 2389-2397.
12. Hayes, B., P. Bowman, A. Chamberlain, K. Verbyla and M. Goddard. 2009. Accuracy of genomic breeding values in multi-breed dairy cattle populations. Genetics Selection Evolution, 41: 51-66 [DOI:10.1186/1297-9686-41-51]
13. Meuwssen, T., B. Hayes and M. Goddard. 2001. Prediction of total genetic value using genome-wide dense maker maps. Genetics, 157: 1819-1829.
14. Hayes, B.J., P.M. Visscher and M.E. Goddard. 2009. Increased accuracy of artificial selection by using the realized relationship matrix. Genetics Research, 91: 47-60. [DOI:10.1017/S0016672308009981]
15. Meuwissen, T. 2009. Accuracy of breeding values of 'unrelated'individuals predicted by dense SNP genotyping. Genetics Selection Evolution, 41: 35-49 [DOI:10.1186/1297-9686-41-35]
16. Meuwissen, T., T.R. Solberg, R. Shepherd and J.A. Woolliams. 2009. A fast algorithm for BayesB type of prediction of genome-wide estimates of genetic value. Genetics Selection Evolution, 41: 50-63. [DOI:10.1186/1297-9686-41-2]
17. Park, T. and G. Casella. 2008. The bayesian lasso. The American Statistical Association, 103: 681-686. [DOI:10.1198/016214508000000337]
18. Sargolzaei, M. and F.S. Schenkel. 2009. QMSim: a large-scale genome simulator for livestock. Bioinformatics, 25: 680-693. [DOI:10.1093/bioinformatics/btp045]
19. Shepherd, R.K., T.H. Meuwissen and J.A. Woolliams. 2010. Genomic selection and complex trait prediction using a fast EM algorithm applied to genome-wide markers. BMC Bioinformatics, 11: 529-542 [DOI:10.1186/1471-2105-11-529]
20. Vanraden, P. 2008. Efficient methods to compute genomic predictions. Journal of Dairy Science, 91: 4414-4423. [DOI:10.3168/jds.2007-0980]
21. Vanraden, P., C. Van Tassell, G. Wiggans, T. Sonstegard, R. Schnabel, J. Taylor and F. 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]
22. Verbyla, K.L., B.J. Hayes, P.J. Bowman and M.E. Goddard. 2009. Short Note: Accuracy of genomic selection using stochastic search variable selection in australian holstein friesian dairy cattle. Genetic Research, 91: 307-311. [DOI:10.1017/S0016672309990243]
23. Xu, S. 2003. Estimating polygenic effects using markers of the entire genome. Genetics, 163: 789-801.

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

کلیه حقوق این وب سایت متعلق به پژوهشهای تولیدات دامی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2021 CC BY-NC 4.0 | Research On Animal Production(Scientific and Research)

Designed & Developed by : Yektaweb