مطالعه تأثیر طول بلوک‌های هاپلوتیپی در بهبود صحت پیش بینی ژنومی به کمک روش‌های بیزی در گوسفند DOR: 20.1001.1.17359880.1400.14.2.2.1

الموضوعات : مجله پلاسما و نشانگرهای زیستی

رضا سید شریفی ¹ , فاطمه علاء نوشهر ² , نعمت هدایت ایوریق ³ , جمال سیف دواتی ⁴

1 - دانشگاه محقق اردبیلی
2 - فارغ التحصیل دکتری اصلاح نژاد دام دانشگاه تبریز
3 - عضو هیات علمی، گروه علوم دامی، دانشکده کشاورزی، دانشگاه محقق اردبیلی
4 - گروه علوم دامی، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران

تاريخ الإرسال : 12 السبت , رمضان, 1442 تاريخ التأكيد : 30 الأربعاء , رمضان, 1442 تاريخ الإصدار : 09 الأربعاء , رمضان, 1442

الکلمات المفتاحية: عدم تعادل پیوستگی, بیزA, بیزB, مطالعات گسترده ژنومی, SNP, بلوک های هاپلوتیپ,

ملخص المقالة :

زمینه و هدف: عدم تعادل پیوستگی(LD) و طرح ساختار بلوک‌های هاپلوتیپ سطح جمعیت پارامترهایی هستند که برای مدیریت مطالعات گسترده ژنومی(GWAS) و درک ماهیت رابطه غیر خطی بین فنوتیپ‌ها و ژنوتیپها مفید هستند. در مقایسه با چند شکلی تک نوکلئوتیدی(SNp )، استفاده از آللهای هاپلوتیپ در پیشبینی ژنومی و بهبود صحت پیش بینی کارآمدتر هستند. اما میزان افزایش صحت به چگونگی طراحی بلوکهای هاپلوتیپ بستگی دارد. این مطالعه با هدف آزمون اندازه بهینه برای طول هاپلوتیپ در پیش بینیهای ژنومی صورت گرفت.روش کار: در این مطالعه آللهای هاپلوتیپ با توجه به آللهای SNp در بلوکهای kb 125، kb 250، kb 500 و Mb 1 تعریف و آللهای هاپلوتیپ با فرکانسهای کمتر از 1، 5/2، 5 یا 10 درصد حذف شدند. از دو روش بیزA و بیزB برای پیش بینی اثرات ژنومیSNp ها و هاپلوتیپها در سه صفت با سه سطح وراثتپذیری(تولید شیر (1/0=h2)، وزن لاشه (3/0=h2) و وزن بدن در بلوغ=h2) 45/0)استفاده شد.یافته ها: بیشترین صحت پیش‌بینی ژنومی در صفت وزن بدن در زمان بلوغ توسط روش بیزB(652/0) در طول بلوک هاپلوتیپی kb 250 و کمترین توسط روش بیزA در صفت تولید شیر(407/0) در طول بلوک هاپلوتیپی Mb 1 حاصل گردید. بلوکهای هاپلوتیپی به طول kb 250 با آستانه فرکانس 1 درصد، بالاترین میزان صحت پیشبینی ژنومی را ارائه دادند. در مقایسه دو روش بیزA و بیزB، روش بیزB صحت برآورد بالاتری هم در مدلهای بر پایه SNp و هم بر پایه آللهای هاپلوتیپ ارائه داد.نتیجه گیری: قرار دادن آللهای هاپلوتیپ به جایSNp ها در مدل آماری، درصورت تعریف مناسب طول هاپلوتیپ، سبب بهبود صحت پیشبینی ژنومی میشود.

المصادر:

1.Barrett, JC., Fry, B., Maller, J., Daly, MJ. (2005). Haploview: analysis and visualization of LD and haplotype maps. Bioinformatics, 21; 263–265.

2.Browning, BL., Browning, SR. (2009). A unified approach to genotype imputation and haplotype-phase inference for large data sets of trios and unrelated individuals. Journal of Human Genetics, 84; 210–23.

3.Chang, CC., Chow, CC., Tellier, LCAM., Vattikuti, S., Purcell, SM., Lee, JJ. (2015). Second-generation PLINK: rising to the challenge of larger and richer datasets. Gigascience, 4; 7.

4.Cuyabano, BCD., Su, G., Rosa, GJM., Lund, MS., and Gianola, D. (2015). Bootstrap study of genome-enabled prediction reliabilities using haplotype blocks across Nordic Red cattle breeds. Journal of Dairy Science, 98(10); 7351-7363.

5.De Los Campos, G., Hickey, JM., Pong-Wong, R., Daetwyler, HD., Calus, MP. (2013). Whole genome regression and prediction methods applied to plant and animal breeding. Genetics, 193; 327-45.

6.Ferdosi, MH., Henshall, J. and Tier, B. (2016). Study of the optimum haplotype length to build genomic relationship matrices. Genetics, 48(1); 75.

7.Gianola, D. (2013). Priors in Whole-Genome Regression: The Bayesian Alphabet Returns. Genetics, 194(3); 573-596.

8.Gabriel, SB., Schaffner, SF., Nguyen, H., Moore, JM., Roy J., Blumenstiel, B. (2002). The structure of haplotype blocks in the human genome. Science, 296; 2225–9.

9.Garrick, D., Fernando, R. (2013). Implementing a QTL detection study (GWAS) using genomic prediction methodology, genome-wide association studies and genomic prediction. Springer, P; 275-298.

10.Goddard, ME. (2008). Genomic selection: prediction of accuracy and maximization of long term response. Genetics, 136(2); 245–257.

11.Habier, D., Fernando, RL., Dekkers, JCM. (2007). The impact of genetic relationship information on genome-assisted breeding values. Genetics, 177(4); 2389-2397.

12.Haldane, JBS. (1919). The combination of linkage values and the calculation of distances between the loci of linked factors. Genetics, 8; 299-309.

13.Hayes, BJ., Chamberlain, AJ., McPartlan, H., Macleod, I., Sethuraman, L., Goddard, ME. (2007). Accuracy of marker-assisted selection with single markers and marker haplotypes in cattle. Genetics, 89(4); 215-220.

14.Hess, M., Druet, T., Hees, A., Garrick, D. (2017). Fixed length haplotypes can improve genomic prediction accuracy in an admixed dairy cattle population. Genetics Selection Evolution, 49; 54.

15.Hill, WG., Robertson, A. (1968). Linkage disequilibrium in finite populations. Theor. Appl. Genetics, 38; 226-231.

16.Meuwissen, T., Hayes, B., Goddard, M. (2013). Accelerating improvement of livestock with genomic selection. In: H. A. Lewin and R. M. Roberts, editors, Annual Review of Animal Biosciences, Vol 1. Annual Review of Animal Biosciences No. 1. Annual Reviews, Palo Alto, p; 221-237.

17.Meuwissen, THE., Hayes, BJ., Goddard, ME. (2001). Prediction of total genetic value using genome-wide dense marker maps. Genetics, 157(4); 1819–1829.

18.Nielsen, HM., Sonesson, AK., Yazdi H., Meuwissen, THE. (2009). Aquaculture, 289; 259–264.

19.Sargolzaei, M., Schenkel, FS. (2009). QMSim: a large-scale genome simulator for livestock. Bioinformatics, 25; 680-681.

20.Shirali, M., Miraei-Ashtiani, SR., Pakdel, A., Haley, C., Navarro, P., Pong-Wong, R. (2015). A comparison of the sensitivity of the BayesC and Genomic Best Linear Unbiased Prediction (GBLUP) methods of estimating genomic breeding values under different Quantitative Trait Locus (QTL) model assumptions. Iranian Journal of Applied Animal Science, 5(1); 41-46

21.Solberg, TR., Sonesson, AK., Woolliams, JA., Meuwissen, THE. (2008). Genomic selection using different marker types and densities. Journal of Animal Science, 86; 2447-2454.

22.Sved, JA. (1971). Linkage disequilibrium and homozygosity of chromosome segments in finite populations. Bioinformatics, 2; 125-141.

23.VanRaden, PM. (2008). Efficient methods to compute genomic predictions. Journal of Dairy Science, 91(11); 4414-4423.

24.Villumsen, TM., Janss, L. (2009). Bayesian genomic selection: the effect of haplotype length and priors. BMC Proceedings 3 Supp, l(1); S11.

25.Villumsen, TM,. Janss, L., Lund, MS. (2009). The importance of haplotype length and heritability using genomic selection in dairy cattle. Journal of Animal Breeding and Genetics, 126; 3-13.