
تعداد نشریات | 13 |
تعداد شمارهها | 623 |
تعداد مقالات | 6,501 |
تعداد مشاهده مقاله | 8,619,606 |
تعداد دریافت فایل اصل مقاله | 8,210,476 |
فراتحلیل مطالعات پویش ژنومی بررسی ارتباط نشانگرهای تک نوکلوتیدی با اسیدهای چرب شیر در گاو هلشتاین | ||
نشریه پژوهش در نشخوار کنندگان | ||
دوره 12، شماره 3، آذر 1403، صفحه 87-106 اصل مقاله (1.97 M) | ||
نوع مقاله: مقاله کامل علمی- پژوهشی | ||
شناسه دیجیتال (DOI): 10.22069/ejrr.2024.22033.1930 | ||
نویسندگان | ||
سمیه بخشعلی زاده1؛ سعید زره داران* 2؛ کریم حسن پور3 | ||
1دانشآموخته دکتری، گروه علوم دامی، دانشکده کشاورزی، دانشگاه فردوسی مشهد | ||
2استاد، گروه علوم دامی، دانشکده کشاورزی، دانشگاه فردوسی مشهد، | ||
3استادیار، گروه علوم دامی، دانشکده کشاورزی، دانشگاه تبریز | ||
چکیده | ||
سابقه و هدف: شیر گاو به عنوان یکی از منابع غذایی اصلی با طیف وسیعی از ترکیبات مغذی برای انسانها شناخته میشود. یکی از اجزای کلیدی شیر، اسیدهای چرب هستند که به عنوان اجزای اساسی چربی موجود در شیر شناخته میشوند. این اجزا باعث ایجاد ساختار چربی منحصر به فرد در شیر میشوند. پویش ژنومی با دقت آماری بالا، نقش مهمی در شناسایی جایگاههای علّی کاندید موثر در بروز صفات کمی دارد. تعداد زیادی از مطالعات پویش ژنومی در گاو، به ویژه در گاوهای هلشتاین، شرایط مطلوبی را برای ادغام چندین مطالعه مستقل فراهم میکند. با استفاده از روشهایی مانند فراتحلیل، امکان شناسایی دقیقتر جایگاههای مرتبط با صفات کمی اسیدهای چرب شیر در گاوهای هلشتاین فراهم شدهاست. هدف اصلی این پژوهش، شناسایی دقیق جایگاههای صفات کمی مرتبط با اسیدهای چرب شیر در گاوهای هلشتاین است. برای دستیابی به این هدف، از تکنیک فراتحلیل بهره گرفته شد. این مطالعه میتواند با شناخت بهتر از ساختار ژنتیکی اسیدهای چرب، در بهبود صحت انتخابهای ژنتیکی و بهینهسازی اسیدهای چرب در شیر گاوهای هلشتاین موثر باشد. مواد و روشها: جستجو برای مجموعه مطالعات پویش ژنومی در گوگل اسکولار با استفاده از کلید واژههای گاوهای هلشتاین، مطالعات پویش ژنومی و اسیدهای چرب شیر انجام شد. مجموعه چندشکلیهای تک نوکلئوتیدی بدست آمده برای گاوهای هلشتاین (چینی، دانمارکی و هلندی) از کشورهای مختلف در 4 مطالعه مستقل از سال 2012 تا 2019 در دسترس بود. از مطالعات قبلی پویش ژنومی، تعداد 1524 چندشکلی تک نوکلئوتیدی مرتبط با اسیدهای چرب شیر در دسترس می باشد. فراتحلیل با استفاده از خلاصه آماری پویش ژنومی (یعنی مقادیر P، اندازه نمونه، اثرات آللی و غیره) در بین گاوهای هلشتاین انجام شد. در مطالعه حاضر، از نرمافزار METAL برای فراتحلیل مدل وزنی امتیاز Z استفاده شد. این روش، چندشکلیهای تک نوکلئوتیدی معنیدار را با P کمتر از 05/0 با هم ترکیب و ارزیابی میکند. یافتهها: این مطالعه، مهمترین چندشکلیهای تک نوکلئوتیدی را برای اسیدهای چرب شیر شناسایی کرد، به عنوان مثال، معنیدارترین چندشکلی تک نوکلئوتیدی برای اسید چرب اشباع 16 کربنه C16:0 شامل rs109421300و rs137372738 به ترتیب با 102e-05/1P= و 23e-62/6P= بودند. بنابراین این چندشکلیهای تک نوکلئوتیدی نقش مهمی در بهبود اسیدهای چرب شیر و کیفیت تولید شیر دارند. نتیجهگیری: در مجموع، نتایج این مطالعه نشان داد که با توجه به سطوح معنیداری بالاتر برای چندشکلیهای تک نوکلئوتیدی در مطالعه فراتحلیل در مقایسه با مطالعات پویش ژنومی انفرادی، میتوان با صحت بیشتری به شناسایی جایگاههای کمی و چندشکلیهای تک نوکلئوتیدی پرداخت. این نوع مطالعات کمک میکند تا درک بهتری از مناطق جایگاههای کمی برای صفات اسیدهای چرب شیر داشته باشیم. بنابراین، شناسایی چندشکلیهای تک نوکلئوتیدی و ژنهای مهم با صحت بالاتر میتواند نقش مؤثری در ارزیابی ژنومی و طراحی برنامههای اصلاح نژادی با هدف بهبود اسیدهای چرب و کیفیت تولید شیر داشته باشد. | ||
کلیدواژهها | ||
اسیدهای چرب شیر؛ فراتحلیل؛ گاوهای هلشتاین؛ مطالعات پویش ژنومی | ||
مراجع | ||
Anderson, C. A., Pettersson, F. H., Barrett, J. C., Zhuang, J. J., Ragoussis, J., Cardon, L. R. & Morris, A. P. (2008). Evaluating the effects of imputation on the power, coverage, and cost efficiency of genome-wide SNP platforms. The American Journal of Human Genetics, 83: 112-119.
Bakhshalizadeh, S., Zerehdaran, S. & Javadmanesh, A. (2021). Meta-analysis of genome-wide association studies and gene networks analysis for milk production traits in Holstein cows. Livestock Science, 250: 104605.
Bouwman, A. C., Visker, M. H., van Arendonk, J. A. & Bovenhuis, H. (2012). Genomic regions associated with bovine milk fatty acids in both summer and winter milk samples, BMC Genetics,13: 1-13.
Brouwer, I. A., Wanders, A. J. & Katan, M. B. (2013). Tran’s fatty acids and cardiovascular health: research completed. European Journal of Clinical Nutrition, 67: 541-547.
Cai, Z., Dusza, M., Guldbrandtsen, B., Lund, M.S. & Sahana, G. (2020). Distinguishing pleiotropy from linked QTL between milk production traits and mastitis resistance in Nordic Holstein cattle. Genetics Selection Evolution, 52: 1-15.
Cochran, W. G. (1954). The combination of estimates from different experiments. Biometrics, 10: 101-129.
Connor, W. E. (2000). Importance of n− 3 fatty acids in health and disease. The American Journal of Clinical Nutrition, 71:171S-175S.
FAO-WHO. (2008). FAO Food Nutrition Paper. # 91. Fats and Fatty Acids in Human Nutrition, Report of an Expert Consultation. Available online: http://www.fao.org/3/a-i1953e.
Gebreyesus, G., Buitenhuis, A. J., Poulsen, N. A., Visker, M. H. P. W., Zhang, Q., Van Valenberg, H. J. F. & Bovenhuis, H. (2019). Multi-population GWAS and enrichment analyses reveal novel genomic regions and promising candidate genes underlying bovine milk fatty acid composition. Bmc Genomics, 20: 1-16.
Gjuvsland, A. B., Wang, Y., Plahte, E. & Omholt, S. W. (2013). Monotonicity is a key feature of genotype-phenotype maps. Frontiers in Genetics, 4: 216.
Goddard, M. E. & Hayes, B. J. (2009). Mapping genes for complex traits in domestic animals and their use in breeding programmes. Nature Reviews Genetics, 10: 381-391.
Grummer, R. R. (1991). Effect of feed on the composition of milk fat. Journal of Dairy Science, 74 :3244-3257.
Higgins, J. P., Little, J., Ioannidis, J. P., Bray, M. S., Manolio, T. A., Smeeth, L. & Khoury, M. J. (2007). Turning the pump handle: evolving methods for integrating the evidence on gene-disease association. American Journal of Epidemiology, 166: 863-866.
Jiang, J., Cole, J.B., Freebern, E., Da, Y., VanRaden, P.M. & Ma, L. (2019). Functional annotation and Bayesian fine-mapping reveals candidate genes for important agronomic traits in Holstein bulls. Communications Biology, 2: 212.
Khan, M.Z., Ma, Y., Ma, J., Xiao, J., Liu, Y., Liu, S., Khan, A., Khan, I.M. & Cao, Z. (2021). Association of DGAT1 with cattle, buffalo, goat, and sheep milk and meat production traits. Frontiers in Veterinary Science, 8:712470.
Lean, I. J., Rabiee, A. R., Duffield, T. F. & Dohoo, I. R. (2009). Invited review: Use of meta-analysis in animal health and reproduction: Methods and applications. Journal of Dairy Science, 92: 3545-3565.
Liu, L., Zhou, J., Chen, C.J., Zhang, J., Wen, W., Tian, J., Zhang, Z. & Gu, Y. (2020). GWAS-based identification of new loci for milk yield, fat, and protein in Holstein cattle. Animals, 10: 2048.
Mallett, R., Hagen-Zanker, J., Slater, R. & Duvendack, M. (2012). The benefits and challenges of using systematic reviews in international development research. Journal of Development Effectiveness, 4: 445-455.
Mansbridge, R. J. & Blake, J. S. (1997). Nutritional factors affecting the fatty acid composition of bovine milk. British Journal of Nutrition, 78: S37-S47.
Marete, A. G., Guldbrandtsen, B., Lund, M. S., Fritz, S., Sahana, G. & Boichard, D. (2018). A meta-analysis including pre-selected sequence variants associated with seven traits in three French dairy cattle populations. Frontiers in Genetics, 9: 522.
Narayana, S. G., Schenkel, F. S., Fleming, A., Koeck, A., Malchiodi, F., Jamrozik, J. & Miglior, F. (2017). Genetic analysis of groups of mid-infrared predicted fatty acids in milk. Journal of Dairy Science, 100: 4731-4744.
Nayeri, S. & Stothard, P. (2016). Tissues, metabolic pathways and genes of key importance in lactating dairy cattle. Springer Science Reviews, 4: 49-77.
Palombo, V., Milanesi, M., Sgorlon, S., Capomaccio, S., Mele, M., Nicolazzi, E. & D'Andrea, M. (2018). Genome-wide association study of milk fatty acid composition in Italian Simmental and Italian Holstein cows using single nucleotide polymorphism arrays. Journal of Dairy Science, 101: 11004-11019.
Pausch, H., Emmerling, R., Gredler-Grandl, B., Fries, R., Daetwyler, H.D. & Goddard, M.E. (2017). Meta-analysis of sequence-based association studies across three cattle breeds reveals 25 QTL for fat and protein percentages in milk at nucleotide resolution. BMC Genomic, 18: 1-11.
Pereira, P. C. (2014). Milk nutritional composition and its role in human health. Nutrition, 30: 619-627.
Pulina, G., Francesconi, A. H. D., Stefanon, B., Sevi, A., Calamari, L., Lacetera, N. & Ronchi, B. (2017). Sustainable ruminant production to help feed the planet. Italian Journal of Animal Science, 16: 140-171.
Ramasamy, A., Mondry, A., Holmes, C. C. & Altman, D. G. (2008). Key issues in conducting a meta-analysis of gene expression microarray datasets. PLoS Medicine, 5: e184.
Raven, L.A., Cocks, B.G. & Hayes, B.J. (2014). Multibreed genome wide association can improve precision of mapping causative variants underlying milk production in dairy cattle. BMC Genomics, 15: 1-14.
Rung, J. & Brazma, A. (2013). Reuse of public genome-wide gene expression data. Nature Reviews Genetics, 14: 89-99.
Saffari, A., Silver, M. J., Zavattari, P., Moi, L., Columbano, A., Meaburn, E. L. & Dudbridge, F. (2018). Estimation of a significance threshold for epigenome‐wide association studies. Genetic Epidemiology, 42:20-33.
Spector, A. A. & Yorek, M. A. (1985). Membrane lipid composition and cellular function. Journal of Lipid Research, 26: 1015-1035.
Tullo, E., Frigo, E., Rossoni, A., Finocchiaro, R., Serra, M., Rizzi, N. & Bagnato, A. (2014). Genetic parameters of fatty acids in Italian Brown Swiss and Holstein cows. Italian Journal of Animal Science, 13: 3208.
Van den Berg, I., Boichard, D. & Lund, M. S. (2016a). Comparing power and precision of within-breed and multibreed genome-wide association studies of production traits using whole-genome sequence data for 5 French and Danish dairy cattle breeds. Journal of Dairy Science, 99: 8932-8945.
Van den Berg, I., Boichard, D., Guldbrandtsen, B. & Lund, M.S. (2016b). Using sequence variants in linkage disequilibrium with causative mutations to improve across-breed prediction in dairy cattle: a simulation study. G3: Genes, Genomes, Genetics, 6: 2553-2561.
Van den Berg, I., Xiang, R., Jenko, J., Pausch, H., Boussaha, M., Schrooten, C., Tribout, T., Gjuvsland, A.B., Boichard, D., Nordbø, Ø. & Sanchez, M.P. (2020). Meta-analysis for milk fat and protein percentage using imputed sequence variant genotypes in 94,321 cattle from eight cattle breeds. Genetics Selection Evolution, 52: 1-16.
VanRaden, P. M. (2008). Efficient methods to compute genomic predictions. Journal of Dairy Science, 91: 4414-4423.
Willer, C. J., Li, Y. & Abecasis, G. R. (2010). METAL: fast and efficient meta-analysis of genome wide association scans. Bioinformatics, 26: 2190-2191.
Xiang, R., MacLeod, I.M., Daetwyler, H.D., de Jong, G., O’Connor, E., Schrooten, C., Chamberlain, A.J. & Goddard, M.E. (2021). Genome-wide fine-mapping identifies pleiotropic and functional variants that predict many traits across global cattle populations. Nature Communications, 12: 860.
Yue, S. J., Zhao, Y. Q., Gu, X. R., Yin, B., Jiang, Y. L., Wang, Z. H. & Shi, K. R. (2017). A genome‐wide association study suggests new candidate genes for milk production traits in Chinese Holstein cattle. Animal Genetics, 48: 677-681. | ||
آمار تعداد مشاهده مقاله: 107 تعداد دریافت فایل اصل مقاله: 136 |