آمار
| تعداد نشریات | 13 |
| تعداد شماره‌ها | 654 |
| تعداد مقالات | 6,823 |
| تعداد مشاهده مقاله | 9,780,819 |
| تعداد دریافت فایل اصل مقاله | 9,153,643 |
مقایسه عملکرد معادلات قطعی در پیش بینی صحت ارزیابی ژنومی در ساختارهای مختلف ژنتیکی | ||
| نشریه پژوهش در نشخوار کنندگان | ||
| دوره 10، شماره 4، اسفند 1401، صفحه 39-52 اصل مقاله (726.25 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22069/ejrr.2022.19965.1840 | ||
| نویسندگان | ||
| بهاره اکبری1؛ سید حسن حافظیان2؛ محسن قلی زاده* 3 | ||
| 1دانش‌آموخته کارشناسی‌ارشد، گروه علوم دامی، دانشکده علوم دامی و شیلات، دانشگاه علوم کشاورزی و منابع طبیعی ساری | ||
| 2استاد، گروه علوم دامی، دانشکده علوم دامی و شیلات، دانشگاه علوم کشاورزی و منابع طبیعی ساری | ||
| 3دانشیار گروه علوم دامی، دانشکده علوم دامی و شیلات، دانشگاه علوم کشاورزی و منابع طبیعی ساری، | ||
| چکیده | ||
| سابقه و هدف: شناسایی نشانگرهای تک نوکلئوتیدی و روش های مختلف ارزیابی ژنومی در قالب انتخاب به کمک نشانگر در سطح ژنوم منجر به پیشرفت ژنتیکی چشمگیری در صفات اقتصادی حیوانات اهلی شده است. موفقیت پیش بینی ژنومی بر اساس صحت آن ارزیابی می شود. معادله های قطعی، ارتباط بین صحت پیش بینی و عوامل موثر روی صحت پیش بینی را مشخص می سازند و بنابراین قبل از انجام انتخاب ژنومی، امکان طراحی برنامه بهینه مانند اندازه مناسب جمعیت مرجع برای دستیابی به سطح مطلوب صحت انتخاب را فراهم می نمایند. هدف از مطالعه حاضر ارزیابی پیش بینی صحت معادله های قطعی و مقایسه آن با صحت پیش بینی ارزش های اصلاحی ژنومی در مطالعه شبیه سازی شده بود. مواد و روش ها: از چهار مدل قطعی شامل معادله دتوایلر و همکاران، معادله گودارد، معادله گودارد و همکاران و معادله رابییر و همکاران برای پیش بینی صحت ارزیابی ژنومی در ساختارهای ژنتیکی مختلف شامل طیف مختلف وراثت پذیری، اندازه جمعیت مرجع و تعداد قطعات مستقل کروموزومی استفاده شد. برای مقایسه و ترسیم پیش بینی صحت برآورد ارزش اصلاحی ژنومی از برنامهShinyGPAS استفاده شد. به منظور مقایسه عملکرد معادلات قطعی با صحت پیش بینی در جمعیت شبیه سازی شده، شبیه سازی جمعیتی با استفاده از نرم افزار QMSIM صورت گرفت. بدین منظور در شبیه سازی ژنوم، سه سطح وراثت پذیری 1/0، 3/0 و 5/0 و دو سطح اندازه جمعیت مرجع 1000 و 2000 فردی در نظر گرفته شد و برآورد ارزش های اصلاحی ژنومی با استفاده از روش بیز A و بیز B در بسته نرم افزاری BGLR در محیط R انجام شد یافته ها: در وراثت پذیری های پایین بیشترین مقدار پیش بینی صحت در معادله گودارد مشاهده شد که نزدیک ترین پیش بینی صحت (56/0) را با صحت ارزیابی ژنومی داده شبیه سازی شده به روش بیز A (56/0) داشت. با وراثت پذیری متوسط (3/0) معادله گودارد (74/0) و رابییر و همکاران (73/0) بیشترین نزدیکی و تطابق را به صحت ارزیابی داده های شبیه سازی شده داشتند. با افزایش اندازه جمعیت از 1000 به 2000 فرد همراه با افزایش وراثت پذیری، عملکرد معادله های قطعی به صحت برآورد شده توسط روش های بیز نزدیک شد و بیشترین انطباق در روش گودارد و رابییر دیده شد. در قطعات مستقل کروموزومی پایین بیشترین صحت ارزش اصلاحی به دست آمده مربوط به معادله رابیر و همکاران با مقدار 860/0 مشاهده شد با افزایش قطعات مستقل کروموزومی، بیشترین مقدار صحت ارزش اصلاحی به دست آمده مربوط به معادله پیش بینی کننده گودارد بود. نتیجه گیری: نتایج تحقیق نشان داد معادله های قطعی از توانایی مناسبی برای پیش بینی صحت ارزیابی ژنومی برخوردار هستند و عملکرد آن ها با تغییر ساختار ژنتیکی متفاوت است. نتایج پیشنهاد می کنند که به طور کلی پیش بینی صحت ارزیابی ژنومی با استفاده از معادله های گودارد و رابیر انطباق بیشتری با صحت ارزیابی ژنومی در داده های شبیه سازی شده برخوردار هستند. | ||
| کلیدواژه‌ها | ||
| ارزیابی ژنومی؛ صحت؛ معادله قطعی؛ شبیه سازی | ||
| مراجع | ||
|
Brard, S. and Ricard, A. 2015. Is the use of formulae a reliable way to predict the accuracy of genomic selection. Journal of Animal Breeding and Genetics, 132(3): 207–217.
Combs, E. and Bernardo, R. 2013. Accuracy of genomewide selection for different traits with constant population size, heritability, and number of markers. The Plant Genome, 6(1): 11.0030.
Daetwyler, H.D., Pong-Wong, R., Villanueva, B. and Woolliams, J.A. 2010. The impact of genetic architecture on genome-wide evaluation methods. Genetics, 185(3): 1021–1031.
Daetwyler, H.D., Villanuev, B. and Woolliams, J.A. 2008. Accuracy of predicting the genetic risk of disease using a genome-wide approach. PLOS ONE, 3(10): e3395.
de los Campos, G., Hickey, J.M. Pong-Wong, R., Daetwyler, H.D. and Calus, M.P.L. 2013. Whole-genome regression and prediction methods applied to plant and animal breeding. Genetics, 193(2): 327–345.
Goddard, M. 2009. Genomic selection: prediction of accuracy and maximisation of long term response. Genetica, 136(2): 245–257.
Goddard, M. E. 2017. Can we make genomic selection 100% accurate. Journal of Animal Breeding and Genetics, 134: 287–288.
Goddard, M.E., Hayes, B.J. and Meuwissen, T.H.E. 2011. Using the genomic relationship matrix to predict the accuracy of genomic selection. Journal of Animal Breeding and Genetics, 128(6): 409–421.
Hayes, B.J., Daetwyler, H.D., Bowman, P., Moser, G., Tier, B., Crump, R., Khatkar, M., Raadsma, H.W. and Goddard, M.E. 2009. Accuracy of genomic selection: comparing theory and results. Proccing of Association for Advancment of Animal Breeding and Genetics, 18(18): 34–37.
Hayes, B.J., Bowman, P.J., Chamberlain, A.C., Verbyla, K. and Goddard, M.E. 2009. Accuracy of genomic breeding values in multi-breed dairy cattle populations. Genetics Selection Evolution, 41(1): 1–9.
Henderson, C.R. 1975. Best linear unbiased estimation and prediction under a selection model. Biometrics, 423–447.
Marjanovic, J. and Calus, M.P.L. 2021. Factors affecting accuracy of estimated effective number of chromosome segments for numerically small breeds. Journal of Animal Breeding and Genetics, 138(2): 151–160.
Meuwissen, T.H.E., Hayes, B.J. and Goddard, M.E. 2001. Prediction of total genetic value using genome-wide dense marker maps. Genetics, 157(4): 1819–1829.
Morota, G. 2017. ShinyGPAS: interactive genomic prediction accuracy simulator based on deterministic formulas. Genetics Selection Evolution, 49(1): 91.
Pérez, P. and de Los Campos, G. 2014. Genome-wide regression and prediction with the BGLR statistical package. Genetics, 198(2): 483–495.
Rabier, C.E., Barre, P., Asp, T. and Charmet G. Mangin B. 2016. On the accuracy of genomic selection. PloS One, 11(6): e0156086.
Sargolzaei, M. and Schenkel, F.S. 2009. QMSim: a large-scale genome simulator for livestock. Bioinformatics, 25(5): 680–681.
Silva, G.G.Z., Dutilh, B.E., Matthews, T.D., Elkins, K., Schmieder, R., Dinsdale, E.A. and Edwards, R. A. 2013. Combining de novo and reference-guided assembly with scaffold_builder. Source Code for Biology and Medicine, 8(1): 1–5.
Solberg, T.R., Sonesson, A.K., Woolliams, J.A. and Meuwissen, T.H.E. 2008. Genomic selection using different marker types and densities. Journal of Animal Science, 86(10): 2447–2454.
Toosi, A. Fernando, R.L. and Dekkers, J.C.M. 2010. Genomic selection in admixed and crossbred populations. Journal of Animal Science, 88(1): 32–46.
van den Berg, I., Meuwissen, T.H E., MacLeod, I.M. and Goddard, M.E. 2019. Predicting the effect of reference population on the accuracy of within, across, and multibreed genomic prediction. Journal of Dairy Science, 102(4): 3155–3174.
VanRaden, P.M. 2008. Efficient methods to compute genomic predictions. Journal of Dairy Science, 91(11): 4414–4423.
VanRaden, P.M. and Sullivan, P.G. 2010. International genomic evaluation methods for dairy cattle. Genetics Selection Evolution, 42(1): 1-7.
Weber, K.L., Thallman, R.M., Keele, J.W. Snelling, W.M., Bennett, G.L., Smith, T.P.L., McDaneld, T.G., Allan, M.F., Van Eenennaam, A.L. and Kuehn, L.A. 2012. Accuracy of genomic breeding values in multibreed beef cattle populations derived from deregressed breeding values and phenotypes. Journal of Animal Science, 90(12): 4177–4190. | ||
|
آمار تعداد مشاهده مقاله: 340 تعداد دریافت فایل اصل مقاله: 342 |
||
سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب