نوع مقاله : مقاله پژوهشی
نویسندگان
1 دانشجوی دکتری گروه علوم دامی، دانشکدۀ علوم زراعی و دامی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج‌ـ‌ایران
2 دانشیار گروه علوم دامی، دانشکدۀ علوم زراعی و دامی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج‌ـ‌ایران
3 استاد گروه علوم دامی، دانشکدۀ علوم زراعی و دامی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج‌ـ‌ایران
چکیده
هدف از انجام تحقیق حاضر، مقایسۀ روشهای گوناگون آماری در پیش‌بینی ارزشهای اصلاحی ژنومیک برای صفاتی با معماری ژنتیکی متفاوت از‌نظر توزیع تأثیرات ژنی و نیز تعداد متفاوت جایگاههای صفت کمّی (QTLs) با‌استفاده از شبیهسازی کامپیوتری است. بدین منظور، ژنومی حاوی 500 نشانگر تک‌نوکلئوتیدی دوآللی (SNP) روی کروموزومی به طول 100 سانتی‌‌مورگان شبیهسازی، و توزیعهای متفاوت تأثیرات ژنی (یکنواخت، نرمال، و گاما) و نیز سه تعداد QTL (50، 100 و 200) به‌صورت فرضیه‌های شبیهسازی صفت روی آن درنظر گرفته شد. بدین ترتیب نه صفت با معماری ژنتیکی متفاوت ایجاد شد. به‌منظور پیش‌بینی ارزشهای اصلاحی افراد موجود در جمعیتهای مرجع و تأیید، از شش روش بهترین پیش‌بینی نااریب خطی ژنومیک[1] (GBLUP)، رگرسیون ریدج[2] (RRBLUP)، بیز A (BayesA)، بیز B (BayesB)، بیز Cπ (BayesCπ)، و بیز L (BayesL) استفاده گردید. با افزایش فاصلۀ بین نسل مرجع و نسل تأیید ناشی از برهم‌خوردن فاز لینکاژ، صحت ارزشهای اصلاحی ژنومیک در تمام روشها کاهش معنیداری نشان داد (05/0P<). همچنین زمانیکه توزیع تأثیر ژنی گاما بود روشهای بیزی در مقایسه با روش GBLUP و RRBLUP برتری آشکاری نشان دادند. هنگامی‌که توزیع تأثیرات ژنی نرمال بود، بیشترین صحت ارزشهای اصلاحی به‌دست آمد. با افزایش تعداد QTLها به‌سمت 200، صحت ارزشهای اصلاحی ژنومیک کاهش یافت. نتایج این تحقیق نشان داد که در‌مجموع روشهای بیزی و GBLUP از‌نظر صحت ارزشهای اصلاحی پیشبینیشده در مقایسه با روش RRBLUP عملکرد بهتری دارند. نتایج تحقیق حاضر نشان می‌دهد هنگامی‌که معماری صفات بررسی‌شده از مدل تعداد زیاد جایگاه ژنی پیروی نکند، معمولاً روشهای بیزی بر روشهای GBLUP و RRBLUP ارجحیت دارند.
1. Genomic-Best Linear Unbiased Prediction
2. Ridge Regression
کلیدواژه‌ها
عنوان مقاله [English]
Comparison of genomic evaluation methods in complex traits with different genetic architecture
نویسندگان [English]
- Rostam Abdollahi-Arpanahi 1
- Abas Pakdel 2
- Ardeshir Nejati-Javaremi 2
- Mohammad Moradi Shahrbabak 3
1 Ph.D. Student, Department of Animal Sciences, University College of Agriculture & Natural Resources, University of Tehran, Karaj, Iran
2 Associate Professor, Department of Animal Sciences, University College of Agriculture & Natural Resources, University of Tehran, Karaj, Iran
3 Professor, Department of Animal Sciences, University College of Agriculture & Natural Resources, University of Tehran, Karaj, Iran
چکیده [English]
The objective of this study was to compare six statistical methods for prediction of genomic breeding
values for traits with different genetic architecture in term of gene effects distributions and number of
Quantitative Traits Loci (QTLs). A genome consisted of 500 bi-allelic single nucleotide polymorphism
(SNP) markers distributed over a chromosomes with 100 cm length was simulated. Three different gene
effects distributions (uniform, normal and gamma) were considered. Number of QTLs varied from 50 to
200. Finally, nine quantitative traits with different genetic architecture were generated. The performance
of six statistical methods of genomic prediction that differ with respect to assumptions regarding
distribution of marker effects, including i) Genomic Best Linear Unbiased Prediction (GBLUP), ii) Ridge
Regression Best Linear Unbiased Prediction (RRBLUP), iii) Bayes A, iv) Bayes B, v) Bayes C, and vi)
Bayesian least absolute shrinkage and selection operator (Bayes L) are presented. The accuracy of
prediction declined significantly over generations (P< 0.05) but Bayesian methods outperformed GBLUP
and RRBLUP in persistence of accuracy of genomic estimated breeding values over generations.
Bayesian methods were superior to GBLUP and RRBLUP when the gene effects distribution generated
from gamma distribution. The highest accuracy of genomic breeding values was observed when the gene
effects come from normal distribution. In all statistical evaluation methods with increasing the number of
QTLs towards 200, the accuracy of predicted genomic values has been decreased. In general, Bayesian
and GBLUP methods performed better in prediction than RRBLUP method. These results gave some
evidences that when the genetic architecture of quantitative traits deviated from infinitesimal model
assumptions, Bayesian methods usually perform better than GBLUP and RR-BLUP.
کلیدواژه‌ها [English]
- Breeding value
- bayesian methods
- Genetic Architecture
- Genome
)