اثر تراکم نشانگری، تعداد QTL و وراثت‌پذیری صفت بر صحت انتخاب ژنومی

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: 2016-05-30 Accepted : 2016-09-15 Published : 2017-12-01

Keywords: GBLUP, QTL, وراثت‌پذیری, بیزA, ارزش اصلاحی ژنومی, تراکم نشانگری,

Abstract :

پیشرفت انتخاب ژنومی به طور گسترده­ای وابسته به وجود عدم تعادل پیوستگی بین نشانگرها و QTLها، تعداد QTL و وراثت­پذیری صفت است. وجود عدم تعادل پیوستگی به ساختار ژنتیکی جمعیت و تراکم نشانگری بستگی دارد. این مطالعه جهت تخمین اثر تراکم نشانگر، وراثت­پذیری صفت و تعداد QTL روی صحت ارزش­های اصلاحی ژنومی توسط دو روش آماری GBLUP و بیزA صورت پذیرفت. بنابراین سه صفت (تولید شیر، وزن لاشه و وزن بلوغ) به ترتیب با وراثت­پذیری 1/0، 3/0 و 5/0 با ژنومی شامل 3 کروموزوم، هر کدام به طول 100 سانتی­مورگان در گوسفند شبیه­سازی شد. سه سطح مختلف تراکم نشانگری (1000، 2000 و 3000) با سه سطح متفاوت تعداد QTL شامل 100، 200 و 300 در نظر گرفته شد. داده­ها با دو توزیع متفات اثر QTL شامل توزیع یکنواخت و گاما (66/1=α و 4/0=β) شبیه‌سازی شدند. تراکم نشانگری، تعداد QTL، توزیع اثرات QTL و سطوح مختلف وراثت­پذیری صفت به طور معنی­داری صحت ارزش اصلاحی ژنومی را تحت تأثیر قرار دادند (05/0>P). بیشترین میزان صحت ارزش اصلاحی ژنومی توسط روش بیزA در صفاتی با تعداد QTL پایین و توزیع گاما اثر QTL حاصل شد. بر اساس نتایج حاصل از این شبیه­سازی، وراثت­پذیری صفت همانند تراکم نشانگری می­تواند سبب افزایش عدم تعادل پیوستگی بین نشانگرها و QTLها شود که این امر در اجرای موفق انتخاب ژنومی ضروری می­باشد.

References:

Calus M.P.L., Meuwissen T.H.E., De Roos A.P.W. and Veerkamp R.F. (2008). Accuracy of genomic selection using different methods to define haplotypes. Genetics. 178(1), 553-561.

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.

Gilmour A.R., Thompson R. and Cullis B.R. (1995). Average information REML: an efficient algorithm for variance pa-rameter estimation in linear mixed models. Biometrics. 51, 1440-1450.

Goddard M. (2008). 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.

Nejati Javaremi A., Smith C. and Gibson P.J. (1997). Effect of total allelic relationship on accuracy of evaluation and re-sponse to selection. J. Anim. Sci. 75, 1738-1745.

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. (2012). Comparison between Bayesc and GBLUP in estimating genomic breeding values under different QTL vari-ance distributions. Iranian J. Anim. Appl. Sci. 43, 261-268.

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.