اثر معماری ژنتیکی مختلف بر صحت انتخاب ژنومی به کمک سه روش بیزی

Subject Areas : Camel

ف. علاء نوشهر ¹ , س.ع. رأفت ² , ر. ایمانی-نبئی ³ , ص. علیجانی ⁴ , ک. روبرت گرنیه ⁵

1 - Department of Animal Science, Faculty of Agriculture, University of Tabriz, Tabriz, Iran
2 - Department of Animal Science, Faculty of Agriculture, University of Tabriz, Tabriz, Iran
3 - Department of Animal Science, Faculty of Mathematical Science, University of Tabriz, Tabriz, Iran
4 - Department of Animal Science, Faculty of Agriculture, University of Tabriz, Tabriz, Iran
5 - INRA-INPT-ENSAT-INPT-ENVT, Université de Toulouse, UMR 1388 GenPhySE, Castanet Tolosan, France

Received: 2016-07-01 Accepted : 2016-09-15 Published : 2018-03-01

Keywords: LASSO, تراکم نشانگری, بیز A, بیز B, صحت ژنومی, اندازه مؤثر جمعیت,

Abstract :

ارزیابی ژنومی با استفاده از تعداد زیادی از چندشکلی­های تک نوکلئوتیدی (SNP) در سراسر ژنوم و ترکیب روش‌های آماری با داده­های ژنومی جهت پیش­بینی ارزش اصلاحی، قابل اجرا می­باشد. پیش­بینی ژنومی وابسته به وجود عدم تعادل پیوستگی بین نشانگرهای ژنتیکی و QTLها در جمعیت است. روش­هایی که به طور همزمان می­توانند اثر تمامی نشانگرها به کار بگیرند، سبب افزایش صحت پیش­بینی شده و در نتیجه بخش اعظم واریانس توسط این روش­ها قابل توصیف است. فرض بر این است که روش­های ژنومی به طور گسترده­ای توسط معماری ژنتیکی صفات و ژنوم تغییر می­کند. روش­های غیرخطی ژنومی شامل بیزA، بیزB و بیز LASSO، توسط شبیه­سازی با سه اندازه مؤثر جمعیت متفاوت (Ne) باهم مقایسه شدند. بنابراین ژنومی شامل 3 کروموزوم، هر کدام به طول 100 سانتی­مورگان شبیه­سازی شد. برای هر حیوان صفتی با وراثت­پذیری 5/0، سه سطح مختلف تراکم نشانگری (1000، 2000 و 3000) با سه سطح متفاوت تعداد QTL شامل 100، 200 و 300 فرض شد. داده­ها با دو توزیع متفات اثر QTL شامل توزیع یکنواخت و گاما (66/1=α و 4/0=β) شبیه سازی شدند. تراکم نشانگری، تعداد QTL و توزیع اثرات QTL به طور معنی­داری صحت ارزش اصلاحی ژنومی را در سطوح مختلف اندازه مؤثر جمعیت، تحت تأثیر قرار دادند (05/0>P). در مقایسه سه روش آماری، بیشترین میزان صحت ارزش اصلاحی ژنومی توسط روش بیز B در صفاتی با تعداد QTL پایین، تراکم نشانگری بالا، توزیع گاما اثر QTL و اندازه مؤثر جمعیت بالا حاصل شد.

References:

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, 1021-1031.

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

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, 375-385.

Gianola D. and van Kaam J. (2008). Reproducing kernel Hilbert spaces regression methods for genomic assisted prediction of quantitative traits. Genetics. 178(4), 2289-2303.

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

Habier D., Fernando R.L., Kizilkaya K. and Garrick D.J. (2011). Extension of the Bayesian alphabet for genomic selection. BMC Bioinform. 12, 186-193.

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

Hill W.G. and Robertson A. (1968). Linkage disequilibrium in finite populations. Theor. Appl. Genet. 38, 226-231.

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, 321-322.

Nadaf J. and Pong-Wong R. (2011). Applying different genomic evaluation approaches on QTLMAS2010 dataset. BMC Proc. 5(3), 9-16.

Park T. and Casella G. (2008). The Bayesian LASSO. J. Am. Stat. Assoc. 103, 681-686.

Sargolzaei M. and Schenkel F.S. (2009). QMSim: A large-scale genome simulator for livestock. Bioinformatics. 25, 680-681.

SAS Institute. (2003). SAS^®/STAT Software, Release 9.1. SAS Institute, Inc., Cary, NC. USA.

Shirali M., Miraei-Ashtiani S.R., Pakdel A., Haley C. and 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 J. Appl. Anim. Sci. 5(1), 41-46.

Solberg T.R., Sonesson A.K., Woolliams J.A. and Meuwissen T.H.E. (2008). Genomic selection using different marker types and densities. J. Anim. Sci. 86, 2447-2454.

Sved J.A. (1971). Linkage disequilibrium and homozygosity of chromosome segments in finite populations. Theor. Popul. Biol. 2, 125-141.

Tibshirani R. (1996). Regression shrinkage and selection via the LASSO. J. Roy. Stat. Soc. B Met. 58, 267-288.

Whittaker J.C., Thompson R. and Denham M.C. (2000). Marker-assisted selection using ridge regression. Genet. Res. 75(2), 249-252.

Wimmer V., Lehermeier C., Albrecht T., Auinger H.J., Wang Y. and Schön C.C. (2013). Genome-wide prediction of traits with different genetic architecture through efficient variable selection. Genetics. 195, 573-587.

Yi N. and Xu S. (2008). Bayesian LASSO for quantitative trait loci mapping. Genetics. 179, 1045-1055.