دوره 8، شماره 17 - ( پاییز 1396 )
جلد 8 شماره 17 صفحات 193-184 |
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:
karimi K. (2018).
Investigation of the Population Structure in Iranian Native Cattle using Discriminant Analysis of Principal Components
. rap. 8(17), 184-193. doi:10.29252/rap.8.17.184
URL: http://rap.sanru.ac.ir/article-1-854-fa.html
URL: http://rap.sanru.ac.ir/article-1-854-fa.html
کریمی کریم. بررسی ساختار جمعیتی گاوهای بومی ایران با استفاده از تحلیل افتراقی مؤلفه‌های اصلی پژوهشهاي توليدات دامي 1396; 8 (17) :193-184 10.29252/rap.8.17.184
چکیده: (3557 مشاهده)
مدیریت مؤثر منابع ژنتیکی در دامهای اهلی مبتنی بر شناخت ساختار و تنوع ژنتیکی جمعیتها است. به کارگیری دادههای حجیم ژنومی جهت شناسایی ارتباط ژنتیکی میان جمعیتها نیازمند استفاده از روشهایی است که ابعاد و پیچیدگی این دادهها را کاهش دهند. هدف از تحقیق حاضر استفاده از روش تحلیل افتراقی مؤلفه‌های اصلی جهت بررسی ساختار ژنتیکی جمعیت گاوهای بومی ایران بر اساس دادههای حاصل از نشانگرهای متراکم چندشکل تک نوکلئوتیدی بوده است. تعداد 90 رأس گاو از هشت جمعیت مختلف از گاوهای بومی کشور شامل نژادهای سرابی، سیستانی، کردی، کرمانی، مازندرانی، تالشی، نجدی و پارس مورد نمونهبرداری قرار گرفتند. تعیین ژنوتیپ نمونهها با استفاده از Illumina BovineHD SNP chip شامل 777962 جایگاه SNP انجام گرفت. فواصل ژنتیکی میان نژادهای مختلف بر اساس تفاوت در فراوانیهای آللی جمعیتها تعیین شد. تحلیل افتراقی مؤلفه‌های اصلی به کمک بسته adegenet در نرمافزار R بر روی دادهها اجرا شد. دو نژاد پارس و کرمانی کمترین فاصله ژنتیکی را در بین نژادهای مورد بررسی داشتند و بیشترین فاصله ژنتیکی میان دو
واژه‌های کلیدی: تحلیل افتراقی مؤلفه‌های اصلی، کاهش ابعاد داده ها، چندشکلی تک نوکلئوتیدی، گاوهای بومی ایران
نوع مطالعه: پژوهشي |
موضوع مقاله:
تخصصي
دریافت: 1396/10/20 | ویرایش نهایی: 1396/11/8 | پذیرش: 1396/10/20 | انتشار: 1396/10/20
دریافت: 1396/10/20 | ویرایش نهایی: 1396/11/8 | پذیرش: 1396/10/20 | انتشار: 1396/10/20
فهرست منابع
1. Bartenhagen, C., H.U. Klein, C. Ruckert, X. Jiang and M. Dugas. 2010. Comparative study of unsupervised dimension reduction techniques for the visualization of microarray gene expression data. BMC Bioinformatics, 11: 1-11. [DOI:10.1186/1471-2105-11-567]
2. Ben Jemaa, S., M. Boussaha, M. Ben Mehdi, J.H. Lee and S.H. Lee. 2015. Genome-wide insights into population structure and genetic history of tunisian local cattle using the illumina bovinesnp50 beadchip. BMC Genomics, 16: 677. [DOI:10.1186/s12864-015-1638-6]
3. Boettcher, P.J., M. Tixier-Boichard, M.A. Toro, H. Simianer, H. Eding, G. Gandini, S. Joost, D. Garcia, L. Colli, P. Ajmone-Marsan and G. Consortium. 2010. Objectives, criteria and methods for using molecular genetic data in priority setting for conservation of animal genetic resources. Animal Genetics, 41: 64-77. [DOI:10.1111/j.1365-2052.2010.02050.x]
4. Burgos-Paz, W., C.A. Souza, A. Castello, A. Mercade, N. Okumura, I.N. Sheremet'eva and M. Perez-Enciso. 2013. Worldwide genetic relationships of pigs as inferred from X chromosome SNPs. Animal Genetics, 44(2): 130-138. [DOI:10.1111/j.1365-2052.2012.02374.x]
5. Filippi, C.V., A. Natalia, J.G. Rivas, J. Zubrzycki, A. Puebla, D. Cordes, M.V. Moreno, C.M. Fusari, D. Alvarez, R.A. Heinz, H.E. Hopp, N.B. Paniego and V.V. Lia. 2015. Population structure and genetic diversity characterization of a sunflower association mapping population using SSR and SNP markers. BMC Plant Biology, 15: 52. [DOI:10.1186/s12870-014-0360-x]
6. Decker, J.E., S.D. McKay, M.M. Rolf, J. Kim, A. Molina Alcala, T.S. Sonstegard, O. Hanotte, A. Gotherstrom, C.M. Seabury, L. Praharani, M. Saif-Ur-Rehman, R.D. Schnabel and J.F. Taylor. 2014. Worldwide patterns of ancestry, divergence, and admixture in domesticated cattle. PLoS Genetics, 10: e1004254. [DOI:10.1371/journal.pgen.1004254]
7. Degner, J.F., J.C. Marioni, A.A. Pai, J.K. Pickrell, E. Nkadori, Y. Gilad and J.K. Pritchard. 2009. Effect of read-mapping biases on detecting allele-specific expression from RNA-sequencing data. Bioinformatics, 25(24): 3207-3212. [DOI:10.1093/bioinformatics/btp579]
8. Dell'Acqua, M., D.M. Gatti, G. Pea, F. Cattonaro, F. Coppens, G. Magris and M.E. Pè. 2015. Genetic properties of the MAGIC maize population: a new platform for high definition QTL mapping in Zea mays. Genome Biology, 16(1): 1-23. [DOI:10.1186/s13059-015-0716-z]
9. Heitlinger, E., H. Taraschewski, U. Weclawski, K. Gharbi and M. Blaxter. 2014. Transcriptome analyses of Anguillicola crassus from native and novel hosts. PeerJ, 2: e684. [DOI:10.7717/peerj.684]
10. Ji, H., X. Li, Q.f. Wang and Y. Ning. 2013. Differential principal component analysis of ChIP-seq. Proceedings of the National Academy of Sciences, 110(17): 6789-6794. [DOI:10.1073/pnas.1204398110]
11. Jombart, T. 2008. adegenet: a R package for the multivariate analysis of genetic markers. Bioinformatics, 24: 1403-1405. [DOI:10.1093/bioinformatics/btn129]
12. Jombart, T., S. Devillard and F. Balloux. 2010. Discriminant analysis of principal components: a new method for the analysis of genetically structured populations. BMC Genetics, 11: 1-15. [DOI:10.1186/1471-2156-11-94]
13. Jombart, T. and I. Ahmed. 2011. adegenet 1.3-1: new tools for the analysis of genome-wide SNP data. Bioinformatics, 27: 3070-3071. [DOI:10.1093/bioinformatics/btr521]
14. Karimi, K., A. Esmailizadeh Koshkoiyeh, M. Asadi Fuzi, L.R. Porto-Neto and C. Gondro. 2015. Prioritization for conservation of Iranian native cattle breeds based on genome-wide SNP data. Conservation Genetics, 17: 77-89. [DOI:10.1007/s10592-015-0762-9]
15. Karimi, K., A. Esmailizadeh Koshkoiyeh and M. AsadiFuzi. 2015. Analysis of genetic structure of Iranian indigenous cattle populations using dense single nucleotide polymorphism markers. Animal Production Research, 4(3): 93-104.
16. Kim, E-S. and M.F. Rothschild. 2014. Genomic adaptation of admixed dairy cattle in East Africa. Frontiers in Genetics, 5 [DOI:10.3389/fgene.2014.00443]
17. Kim, E-S., R. Ros-Freixedes, R.N. Pena, T.J. Baas, J. Estany and M.F. Rothschild. 2015. Identification of signatures of selection for intramuscular fat and backfat thickness in two Duroc populations. Journal of Animal Science, 93: 3292-3302. [DOI:10.2527/jas.2015-8879]
18. Lawson, D.J. and D. Falush. 2012. Population identification using genetic data. Annual Review of Genomics and Human Genetics, 13: 337-361. [DOI:10.1146/annurev-genom-082410-101510]
19. Lin, B.Z., S. Sasazaki and H. Mannen. 2010. Genetic diversity and structure in Bos taurus and Bos indicus populations analyzed by SNP markers. Animal Science Journal, 81: 281-289. [DOI:10.1111/j.1740-0929.2010.00744.x]
20. McVean, G. 2009. A genealogical interpretation of principal components analysis. PLoS Genetics, 5:e1000686. [DOI:10.1371/journal.pgen.1000686]
21. Nei, M. 1972. Genetic distance between populations. American Naturalist, 106: 283-292. [DOI:10.1086/282771]
22. Paradis, E., J. Claude and K. Strimmer. 2004. APE: Analyses of phylogenetics and evolution in R language. Bioinformatics, 20: 289-290. [DOI:10.1093/bioinformatics/btg412]
23. Patterson, N., A.L. Price and D. Reich. 2006. Population Structure and Eigenanalysis. PLoS Genetics, 2:e190. [DOI:10.1371/journal.pgen.0020190]
24. Pembleton, L.W., N.O. Cogan and J.W. Forster. 2013. StAMPP: an R package for calculation of genetic differentiation and structure of mixed-ploidy level populations. Molecular Ecology Resources, 13: 946-952. [DOI:10.1111/1755-0998.12129]
25. Pometti, C.L., C.F. Bessega, B.O. Saidman and J.C. Vilardi. 2014. Analysis of genetic population structure in Acacia caven (Leguminosae, Mimosoideae), comparing one exploratory and two Bayesian-model-based methods. Genetics and Molecular Biology, 37: 64-72. [DOI:10.1590/S1415-47572014000100012]
26. Purcell, S., B. Neale, K. Todd-Brown, L. Thomas, M.A. Ferreira, D. Bender, J. Maller, P. Sklar, P.I. de Bakker, M.J. Daly and P.C. Sham. 2007. PLINK: a tool set for whole-genome association and population-based linkage analyses. American Journal of Human Genetics, 81: 559-575. [DOI:10.1086/519795]
27. Reynolds, J., B.S. Weir and C.C. Cockerham. 1983. Estimation of the coancestry coefficient: Basis for a short term genetic distance. Genetics, 105: 767-779.
28. Ringner, M. 2008. What is principal component analysis?. Nature Biotechnology, 26: 303-304. [DOI:10.1038/nbt0308-303]
29. Taberlet, P., E. Coissac, J. Pansu and F. Pompanon. 2011. Conservation genetics of cattle, sheep, and goats. Comptes Rendus Biologies, 334: 247-254. [DOI:10.1016/j.crvi.2010.12.007]
30. 30. Scheu, A., A. Powell, R. Bollongino, J.D. Vigne, A. Tresset, C. Çakırlar and J. Burger. 2015. The genetic prehistory of domesticated cattle from their origin to the spread across Europe. BMC Genetics, 16(1): 1-11. [DOI:10.1186/s12863-015-0203-2]
31. Smith, O. and J. Wang. 2014. When can noninvasive samples provide sufficient information in conservation genetics studies?. Molecular Ecology Resources, 14: 1011-1023. [DOI:10.1111/1755-0998.12250]
32. Tavakolian, j. 1999. Introduction on genetic resources of indigenous animals and poultry in Iran. Iranian Animal Research Institute, Karaj, Iran, 3-45 pp.
33. Wang, M.D., K. Dzama, C.A. Hefer and F.C. Muchadeyi. 2015. Genomic population structure and prevalence of copy number variations in South African Nguni cattle. BMC Genomics, 16(1): 1-16. doi: 10.1186/s12864-015-2122-z. [DOI:10.1186/s12864-015-2122-z]
34. Willing, E., C. Dreyer and C. Van Oosterhout. 2012. Estimates of genetic differentiation measured by FST do not necessarily require large sample sizes when using many snp markers. PLoS One, 7(8): e42649. [DOI:10.1371/journal.pone.0042649]
35. Xie, J., R. Li, S. Li, X. Ran, J. Wang, J. Jiang, and P. Zhao. 2016. Identification of Copy Number Variations in Xiang and Kele Pigs. PLoS One, 11(2): e0148565. [DOI:10.1371/journal.pone.0148565]
36. Xu, H-M., X-W. Sun, T. Qi, W.Y. Lin, N. Liu and X.Y. Lou. 2014. Multivariate dimensionality reduction approaches to identify gene-gene and gene-environment interactions underlying multiple complex traits. PLoS One, 9: e108103. [DOI:10.1371/journal.pone.0108103]
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
