منوچهر مرادی؛ رستم عبدالهی آرپناهی؛ بهزاد همتی؛ ابوالقاسم لواف
چکیده
هدف از این مطالعه مقایسه سه روش پارامتری (GBLUP، BayesB، RKHS) و دو روش بازنمونهگیری (Bagging GBLUP و Random Forest) در پیش بینی ارزشهای اصلاحی ژنومیک برای صفاتی با ساختار ژنتیکی متفاوت بود. یک ژنوم با سه کروموزوم، هر کروموزوم به طول یک مورگان شبیهسازی شد و روی آن 1500 نشانگر تک نوکلئوتیدی (SNP) در سه سناریو 50، 100 و 200QTL به طور یکنواخت پخش شدند. اثر جایگزینی ...
بیشتر
هدف از این مطالعه مقایسه سه روش پارامتری (GBLUP، BayesB، RKHS) و دو روش بازنمونهگیری (Bagging GBLUP و Random Forest) در پیش بینی ارزشهای اصلاحی ژنومیک برای صفاتی با ساختار ژنتیکی متفاوت بود. یک ژنوم با سه کروموزوم، هر کروموزوم به طول یک مورگان شبیهسازی شد و روی آن 1500 نشانگر تک نوکلئوتیدی (SNP) در سه سناریو 50، 100 و 200QTL به طور یکنواخت پخش شدند. اثر جایگزینی QTLها با استفاده از توزیع نرمال استاندارد، گاما و یکنواخت با وراثتپذیری 30 درصد مدل سازی شدند. توانایی پیشبینی روشهای آماری با استفاده از آمارههای همبستگی بین ارزشهای اصلاحی پیشبینی شده و واقعی و همچنین رگرسیون ارزش اصلاحی واقعی بر پیشبینی شده بررسی شد. نتایج نشان داد در جمعیتهای تایید، روش RF باعث بیش-برآورد رگرسیون ارزشهای اصلاحی واقعی بر پیشبینی شده شد، در حالی که روشهای GBLUP، BayesB و RKHS منجر به کم-برآورد ضریب رگرسیون شدند. به جز روش Bagging GBLUP در دیگر روشها تفاوت معنی داری با تغییر توزیع اثرات QTL مشاهده نشد اما در مجموع عملکرد دو روش GBLUP و BayesB نسبت به دیگر روشها بهتر بود. یکی از دلایل احتمالی برتری GBLUP و BayesB بر دیگر روشها میتواند شبیه سازی صفات با اثرات صرفا ًژنتیکی افزایشی بوده باشد. به طور کلی، روشهای GBLUP و BayesB بر روش های بازنمونهگیری در پیشبینی های ژنومی ارجحیت دارند.