صحت پیش‌بینی ژنومی تحت معماری‌های ژنتیکی و روش‌های برآورد متفاوت

Subject Areas : Camel

ع. عاطفی ¹ , ع.ا. شادپرور ² , ن. قوی حسین-زاده ³

1 - Department of Animal Science, Faculty of Agricultural Science, University of Guilan, Rasht, Iran
2 - Department of Animal Science, Faculty of Agricultural Science, University of Guilan, Rasht, Iran
3 - Department of Animal Science, Faculty of Agricultural Science, University of Guilan, Rasht, Iran

Received: 2017-02-14 Accepted : 2017-07-01 Published : 2018-03-01

Keywords: QTL, وراثت پذیری, صحت, بیزی, معماری ژنتیکی, ژنومی,

Abstract :

صحت پیش‌بینی ارزش‌های اصلاحی ژنومی در سطوح مختلف اندازه جمعیت مرجع، وراثت‌پذیری صفت و تعداد QTL مورد بررسی قرار گرفت. پنج روش بیزی شامل رگرسیون ریدج بیزی، بیز A، بیز B، بیز C و بیز لزو برای برآورد اثرات نشانگری طی 27 سناریو حاصل از ترکیب سه سطح وراثت‌پذیری (1/0، 3/0 و 5/0)، اندازه جمعیت مرجع (600، 1000 و 1600) و تعداد QTL (50، 100 و 150) مورد استفاده قرار گرفت. یک مدل جایگاه ژنی محدود برای شبیه‌سازی تصادفی یک جمعیت تاریخی شامل 100 حیوان در 100 نسل اول مورد استفاده قرار گرفت. طی 100 نسل بعدی اندازه جمعیت به تدریج به 1000 فرد افزایش یافت. سپس افراد نسل‌های 201 و 202 که دارای اطلاعات ژنوتیپی و فنوتیپی معلوم بودند به عنوان افراد جمعیت مرجع در نظر گرفته شده و نسل 203 و 204 بعنوان جمعیت تأیید لحاظ شدند. ژنوم شامل 5 کروموزوم هر کدام به طول 100 سانتی‌مورگان و 500 نشانگر چند‌شکلی تک نوکلئوتیدی بود که به صورت تصادفی در سطح کروموزوم‌ها توزیع شده بودند. QTL‌ها و نشانگرها دو آللی بودند. در تحقیق حاضر، وراثت‌پذیری اثر معنی‌دار مثبتی بر صحت داشت (001/0P<). با افزایش اندازه جمعیت مرجع میانگین صحت برآورد ژنومی از 03/0 + 64/0 به 04/0 + 70/0 افزایش یافت (001/0P<). صحت برآوردها به صورت غیر خطی به افزایش تعداد QTL عکس‌ العمل نشان داد. بیشترین و کمترین مقدار صحت روش‌های بیزی به ترتیب 05/0 + 84/0 و 04/0 + 40/0 بود. نتایج نشان می‌دهد که داشتن مقدار اطلاعات زیاد (وراثت‌پذیری بالا به عنوان مشارکت بیشتر ژن‌ها در واریانس فنوتیپی و جمعیت مرجع بزرگتر) منجر به صحت‌های بالاتر در تمام روش‌های برآورد استفاده شده می‌شود.

References:

Bastiaansen J.W., Bink M.C., Coster A., Maliepaard C. and Calus M.P. (2010). Comparison of analyses of the QTLMAS XIII common dataset. I: genomic selection. BMC Proc. 4(1), 1-11.

Calus M. and Veerkamp R. (2007). Accuracy of breeding values when using and ignoring the polygenic effect in genomic breeding value estimation with a marker density of one SNP per cM. J. Anim. Breed. Genet. 124(6), 362-368.

Clark S.A., Hickey J.M. and Van der Werf J.H. (2011). Different models of genetic variation and their effect on genomic evaluation. Genet. Sel. Evol. 43(18), 12.

Coster A., Bastiaansen J.W., Calus M.P., van Arendonk J.A. and Bovenhuis H. (2010). Sensitivity of methods for estimating breeding values using genetic markers to the number of QTL and distribution of QTL variance. Genet. Sel. Evol. 42, 9.

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., Villanueva B., Bijma P. and Woolliams J.A. (2007). Inbreeding in genome wide selection. J. Anim. Breed. Genet. 124(6), 369-376.

Daetwyler H.D., Villanueva 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. (2013). Whole-genome regression and prediction methods applied to plant and animal breeding. Genetics. 193(2), 327-345.

De Los Campos G., Naya H., Gianola D., Crossa J., Legarra A., Manfredi E., Weigel K. and Cotes J.M. (2009). Predicting quantitative traits with regression models for dense molecular markers and pedigree. Genetics. 182(1), 375-385.

Dekkers J. (2007). Prediction of response to marker assisted and genomic selection using selection index theory. J. Anim. Breed. Genet. 124(6), 331-341.

Dekkers J. (2012). Application of genomics tools to animal breeding. Curr. Genom. 13(3), 207-212.

Gianola D., Fernando R.L. and Stella A. (2006). Genomic-assisted prediction of genetic value with semiparametric procedures. Genetics. 173(3), 1761-1776.

Goddard M. (2009). Genomic selection: Prediction of accuracy and maximisation of long term response. Genetica. 136(2), 245-257.

Habier D., Fernando R. and Dekkers J. (2007). The impact of genetic relationship information on genome-assisted breeding values. Genetics. 177(4), 2389-2397.

Hayes B., Bowman P., Chamberlain A. and Goddard M. (2009). Invited review: Genomic selection in dairy cattle: Progress and challenges. J. Dairy Sci. 92(2), 433-443.

Heslot N., Yang H.P., Sorrells M.E. and Jannink J.L. (2012). Genomic selection in plant breeding: a comparison of models. Crop. Sci. 52(1), 146-160.

Lorenzana R.E. and Bernardo R. (2009). Accuracy of genotypic value predictions for marker-based selection in biparental plant populations. Theor. Appl. Genet. 120(1), 151-161.

Luan T., Woolliams J.A., Lien S., Kent M., Svendsen M. and Meuwissen T.H. (2009). The accuracy of genomic selection in Norwegian red cattle assessed by cross-validation. Genet. 183(3), 1119-1126.

Meuwissen T.H.E.,HayesB.J.andGoddardM.E. (2001). Prediction of total genetic value using genome-wide dense marker maps. Genetics. 157(4), 1819-1829.

Moser G., Tier B., Crump R.E., Khatkar M.S. and Raadsma H.W. (2009). A comparison of five methods to predict genomic breeding values of dairy bulls from genome-wide SNP markers. Genet. Sel. Evol. 41, 56.

Muir W. (2007). Comparison of genomic and traditional BLUP estimated breeding value accuracy and selection response under alternative trait and genomic parameters. J. Anim. Breed. Genet. 124(6), 342-355.

Park T. and Casella G. (2008). The bayesian lasso. J. Am. Stat. Assoc. 103(482), 681-686.

Pérez P. and De Los Campos G. (2014). Genome-wide regression and prediction with the BGLR statistical package. Genet. Genet. 114, 164442.

Piyasatian N. and Dekkers J. (2013). Accuracy of genomic prediction when accounting for population structure and polygenic effects. Anim. Ind. Rep. 659(1), 68.

Tibshirani R. (1996). Regression shrinkage and selection via the lasso. J. Royal Stat. Soc. Series B (Methodological). 58(1), 267-288.

VanRaden P.M. and Sullivan P.G. (2010). International genomic evaluation methods for dairy cattle. Genet. Sel. Evol. 42, 7.

Verbyla K.L., Bowman P.J., Hayes B.J. and Goddard M.E. (2010). Sensitivity of genomic selection to using different prior distributions. BMC Proc. 4(5), 34-39.

Wientjes Y.C., Veerkamp R.F., Bijma P., Bovenhuis H., Schrooten C. and Calus M.P. (2015). Empirical and deterministic accuracies of across population genomic prediction. Genet. Sel. Evol. 47, 5.