سیاوش منظوری؛ امیر حسین خلت آبادی فراهانی؛ محمد حسین مرادی
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 22 اسفند 1401
چکیده
مطالعه حاضر به‌منظور انتخاب نشانگرهای مؤثر در جداسازی نژاد و مقایسه عملکرد روش‌های انتخاب نشانگر با داده‌های 304 حیوان از 14 نژاد مختلف که با استفاده از پنل نشانگر Illumina SNP50K ژنوتیپ شده بودند، انجام شد. دانش و فهم ساختار ژنتیکی برای درک بهتر تغییرات ژنتیکی در مطالعات پویش ژنومی بسیار مهم است. محتوای اطلاعاتی هر نشانگر زیستی به عنوان ...
بیشتر
مطالعه حاضر به‌منظور انتخاب نشانگرهای مؤثر در جداسازی نژاد و مقایسه عملکرد روش‌های انتخاب نشانگر با داده‌های 304 حیوان از 14 نژاد مختلف که با استفاده از پنل نشانگر Illumina SNP50K ژنوتیپ شده بودند، انجام شد. دانش و فهم ساختار ژنتیکی برای درک بهتر تغییرات ژنتیکی در مطالعات پویش ژنومی بسیار مهم است. محتوای اطلاعاتی هر نشانگر زیستی به عنوان شاخصی برای انتخاب نشانگرها در کاهش اندازه پنل‌های نشانگری کاربرد دارد. برای تخمین محتوای اطلاعاتی هر نشانگر، از آماره Fst رایت، آماره θ، آماره دلتا، آماره D، آماره Gst، آماره G'st، آماره G"st و آنالیز مؤلفه های اصلی استفاده گردید. در این مطالعه، از آماره لگاریتم نسبت درستنمایی برای انتخاب نشانگرها استفاده شد. با توجه به نتایج، همه روش‌های انتخاب برای شناسایی نشانگرها دارای رفتار و عملکرد مشابهی بودند. تعداد نشانگرهای مشترک بین روش‌ها حداقل 42 نشانگر و حداکثر 499 نشانگر SNP بود. به طور کلی، روش آماره Fst نیازمند تعداد کمتری از نشانگرها برای رسیدن به انتساب موفق بود. آماره‌های G'st و G"st با بیش از 350 نشانگر برای دستیابی به 95% انتساب صحیح، عملکرد ضعیفی را نشان دادند. لازم به ذکر است که تنها با 60 نشانگر برتر، دستیابی به موفقیت بیش از 70 درصد امکان پذیر است. با توجه به نتایج، Fst جفتی رایت از سایر روش‌های انتخاب SNP دارای عملکرد بهتری بود. نتایج حاصله منجر به ایجاد پنل‌های انحصاری جهت شناسایی نژادهای متنوع می‌گردد که دارای اهمیت اقتصادی زیادی است.
سیاوش منظوری؛ امیر حسین خلت آبادی فراهانی؛ محمد حسین مرادی؛ مهدی کاظمی بن چناری
دوره 24، شماره 3 ، مهر 1401، ، صفحه 259-270
چکیده
هدف این پژوهش مقایسه کارایی و عملکرد روش پیشرفته شبکه عصبی مصنوعی نسبت به تجزیه مؤلفههای اصلی در تفکیک نژادهای مختلف اسب بود. بنابراین، برای شناسایی یک زیرمجموعه از نشانگرهای SNP با بالاترین قدرت تفکیک نژادی و بررسی نحوه اختصاص حیوانات به گروههای نژادی خود از دو روش شبکه عصبی پرسپترون (الدن) و روش کلاسیک تجزیه مؤلفههای اصلی ...
بیشتر
هدف این پژوهش مقایسه کارایی و عملکرد روش پیشرفته شبکه عصبی مصنوعی نسبت به تجزیه مؤلفههای اصلی در تفکیک نژادهای مختلف اسب بود. بنابراین، برای شناسایی یک زیرمجموعه از نشانگرهای SNP با بالاترین قدرت تفکیک نژادی و بررسی نحوه اختصاص حیوانات به گروههای نژادی خود از دو روش شبکه عصبی پرسپترون (الدن) و روش کلاسیک تجزیه مؤلفههای اصلی (PCA) استفاده شد. نتایج حاصل نشان داد روش شبکه عصبی (الدن) قادر است که 37 نژاد اسب موردمطالعه در این پژوهش کنونی را، با زیرمجموعه کوچکی از نشانگرهای SNP (8000 نشانگر) و با قدرت تفکیک مشابه با تمام نشانگرهای ژنوم (صحت 98 درصدی)، از همدیگر مجزا و تفکیک کند. روش انتخاب PCA تنها توانست نژادهایی که دارای خاستگاههای متفاوت بودند را شناسایی و تفکیک کند. با توجه به نتایج بهدستآمده، روش PCA دارای خطا و ایراد بوده و برای اجرا روی داده‌های ژنومی نیاز به تغییرات و اصلاحات دارد. نتایج این پژوهش، رویکردهای عملی را در طراحی آرایههای اقتصادی در تفکیک نژادهای مختلف اسب ارائه میدهد.