فهرس المقالات BayesA

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - 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
  رضا سید شریفی فاطمه علاء نوشهر نعمت هدایت ایوریق جمال سیف دواتی
  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 د أکثر

  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. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - The Impact of Different Genetic Architectures on Accuracy of Genomic Selection Using Three Bayesian Methods
  ف. علاء نوشهر س.ع. رأفت ر. ایمانی-نبئی ص. علیجانی ک. روبرت گرنیه
  Genome-wide evaluation uses the associations of a large number of single nucleotide polymorphism (SNP) markers across the whole genome and then combines the statistical methods with genomic data to predict the genetic values. Genomic predictions relieson linkage disequi أکثر

  Genome-wide evaluation uses the associations of a large number of single nucleotide polymorphism (SNP) markers across the whole genome and then combines the statistical methods with genomic data to predict the genetic values. Genomic predictions relieson linkage disequilibrium (LD) between genetic markers and quantitative trait loci (QTL) in a population. Methods that use all markers simultaneously may therefore result in greater reliabilities of predictions of the total genetic merit, indicating that a larger proportion of the genetic variance is explained. This is hypothesized that the genome-wide methods deal differently with genetic architecture of quantitative traits and genome. The genomic nonlinear Bayesian variable selection methods (BayesA, BayesBand Bayesian LASSO) are compared using the stochastic simulation across three effective population sizes (Ne). Thereby, a genome with three chromosomes, 100 cM each was simulated. For each animal, a trait was simulated with heritability of 0.50, three different marker densities (1000, 2000 and 3000 markers) and number of the QTL was assumed to be either 100, 200 or 300. The data were simulated with two different QTL distributionswhich were uniform and gamma (α=1.66, β=0.4). Marker density, number of the QTL and the QTL effect distributions affected the genomic estimated breeding value accuracy with different Ne (P<0.05). In comparison of three methods, the greatest genomic accuracy obtained by BayesB method for traits influenced by a low number of the QTL, high marker density, gamma QTL distribution and high Ne. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  3 - Effects of Marker Density, Number of Quantitative Trait Loci and Heritability of Trait on Genomic Selection Accuracy
  ف. علاء نوشهر س.ع. رأفت ر. ایمانی-نبئی ص. علیجانی ک. روبرت گرنیه
  The success of genomic selection mainly depends on the extent of linkage disequilibrium (LD) between markers and quantitative trait loci (QTL), number of QTL and heritability (h2) of the traits. The extent of LD depends on the genetic structure of the population and mar أکثر

  The success of genomic selection mainly depends on the extent of linkage disequilibrium (LD) between markers and quantitative trait loci (QTL), number of QTL and heritability (h2) of the traits. The extent of LD depends on the genetic structure of the population and marker density. This study was conducted to determine the effects of marker density, level of heritability, number of QTL, and to compare the accuracy of predicting breeding values using two diverse approaches: GBLUP and BayesA using simulated data under two different distributions of the QTL effect. Thereby, three traits (milk production, carcass weight and mature body weight) were simulated with the heritability of 0.10, 0.30 and 0.50, respectively; for each ovine animal, a genome with three chromosomes, 100 cM each. Three different marker densities was considered (1000, 2000 and 3000 markers) and the number of QTL was assumed to be either 100, 200 or 300. Data were simulated with two different distributions of the QTL effect which were uniform and gamma (α=1.66 and β=0.4) the marker density, number of the QTL, the QTL effect distributions and heritability levels significantly affected the accuracy of genomic breeding values (P<0.05). The BayesA produced estimates with greater accuracies in traits influenced by a low number of the QTL and with the gamma QTL effects distribution. Based on the findings of this simulation, heritability, as well as dense marker panels, aiming to increase the level of LD between the markers and QTL, is likely to be needed for successful implementation of the genomic selection. تفاصيل المقالة