صحت روش‌های مختلف بیزی در ارزیابی ژنومی صفات آستانه‌ای با معماری ژنتیکی متفاوت

نوع مقاله : مقاله پژوهشی

نویسندگان

1 1-دانشجوی دکتری گروه علوم دامی دانشکده کشاورزی دانشگاه فردوسی مشهد، ایران 2- هیئت علمی گروه علوم دامی دانشکده کشاورزی،دانشگاه زابل

2 گروه علوم دامی، دانشکده کشاورزی، دانشگاه فردوسی

3 دانشگاه زابل

چکیده

چکیده
سابقه و هدف: انتخاب ژنومی که نوعی انتخاب به کمک نشانگرهای ژنتیکی می‌باشد، اثر همه نشانگرهای ژنتیکی پراکنده در سرتاسر ژنوم را به‌طور هم‌زمان برآورد می‌کند. درنتیجه انتخاب ژنومی به‌طور بالقوه توانایی توجیه همه واریانس ژنتیکی صفت را دارد. اساس کار در انتخاب ژنومی عدم تعادل پیوستگی بین نشانگر و جایگاه صفات کمی می‌باشد. با توجه به کمتر مورد توجه قرار گرفتن ارزیابی ژنومی صفات دارای توزیع فنوتیپی گسسته که اکثراً دارای وراثت‌پذیری پائین هم می باشند، در این تحقیق صحت ارزیابی های ژنومی صفات آستانه ای و صفات پیوسته حیوانات در قالب سناریوهای مختلفی با استفاده از شبیه سازی رایانه‌ای مورد تجزیه و تحلیل قرار گرفت

مواد و روشها: در این مطالعه ژنومی حاوی 1000 نشانگر تک نوکلئوتیدی دو آللی با تراکم 1/0 سانتی مورگان بصورت تصادفی روی کروموزومی به طول 100 سانتی مورگان شبیه‌سازی شد. تعداد QTLهای10، 50 و 100 و سطوح وراثت‌پذیری 1/0، 2/0 و 3/0 برای صفات آستانه‌ای و پیوسته در نظر گرفته شد. صفات آستانه‌ای با سطوح فنوتیپی دو، چهار، هشت و شانزده و صفات پیوسته به‌عنوان شاهد در سه جمعیت 1000، 2000 و 5000 با سه روش آماری بیز A، بیزB و بیز C مورد ارزیابی قرار گرفت. پیاده سازی سناریوهای مورد نظر در این مطالعه با استفاده از بسته های hypred و BGLR در محیط نرم افزار R انجام گرفت.

یافته ها:
مقادیر صحت ارزشهای اصلاحی ژنومی صفات مختلف در همه سناریوهای مورد بررسی نشان از افزایش همبستگی بین ارزش های اصلاحی برآورد شده با ارزش های اصلاحی واقعی با افزایش تعداد سطوح فنوتیپی در صفات آستانه ای دارد. دامنه تغییرات صحت های بدست آمده در سناریوهای مختلف برای صفت آستانه ای با دو گروه فنوتیپی از همه صفات دیگر بیشتر بوده است. البته با افزایش تعداد گروه بندی ها تفاوت بین صفات با 2 گروه فنوتیپی با صفات با چهار گروه فنوتیپی قابل محسوس تر می باشد. ولی از 4 سطح فنوتیپی هر چه بالاتر می رویم مقادیر بدست آمده نزدیکتر به هم می باشد. صحت های پیش‌بینی شده در روش‌های مورد مطالعه بدلیل تشابه ماهیت محاسباتی به هم نزدیک بوده ولی تغییر صحت ها نسبت به تغییر تعداد QTL ها برای صفات آستانهای و صفات پیوسته در روش آماری بیز C منظم تر مشاهده می شود. با افزایش وراثت‌پذیری صفت، صحت برآورد اثرات آللی و متعاقب آن پیش‌بینی ارزش‌های اصلاحی ژنومی افزایش یافت. کمترین و بیشترین مقادیر صحت ارزش های اصلاحی ژنومی به ترتیب برای صفات آستانه‌ای دوسطحی آنالیز شده با روش بیز B در سطح وراثت‌پذیری 1/0 و صفات پیوسته آنالیز شده با روش بیزA در سطح وراثت‌پذیری 3/0 ثبت شد. برای پیش‌بینی ارزش‌های اصلاحی ژنومی در انتخاب ژنومی نیاز به برآورد اثرات آللی (SNP) در جمعیت مرجع می‌باشد. لذا افزایش تعداد QTLها از 10 به 100 و افزایش تعداد افراد جمعیت مرجع از 1000 به 5000 فرد منجر به افزایش میزان صحت پیش‌بینی ارزش‌های اصلاحی ژنومی در همه صفات آستانه‌ای و صفات پیوسته گردید.

نتیجه گیری: برای ارزیابی ژنومی صفات آستانه‌ای استفاده از روش‌های آستانه‌ای را می توان جایگزین روش‌های استاندارد کرد. چون ارزیابی ژنومی صفات آستانه‌ای با روش‌های استاندارد منجر به کاهش صحت ارزیابی‌های ژنومی می‌گردد، حتی برای صفات با 16 گروه فنوتیپی هم استفاده از روشهای آستانه ای در همه سناریوها منجر به دقت بیشتر ارزشهای اصلاحی ژنومی نسبت به روشهای استاندارد گردید. افزایش گروه‌بندی صفات آستانه‌ای منجر به افزایش صحت ارزش های اصلاحی ژنومی می گردد، ولی بیش از 8 سطح فنوتیپی برای صفات آستانه ای توصیه نمی شود، چون تأثیر چندانی در افزایش صحت ارزیابی‌های ندارد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Accuracy of Bayesian methods in genomic evaluation threshold traits with different genetic architecture

1- Abdollahi-Arpanahi R., Pakdel, A., and Zandi-Baghchehmaryam, MB. 2012. From infinitesimal model to Genomic Selection. Genetic-Novin. 29:105-121. (In Persian)
2- Calus, M., De Roos, A., and Veerkamp, R. 2008. Accuracy of genomic selection using different methods to define haplotypes. Journal of Genetics. 178: 553-561.
3- Daetwyler, H.D., Calus, M.P., Pong-Wong, R., de los Campos, G., and Hickey, J. M. 2013. Genomic prediction in animals and plants: simulation of data, validation, reporting, and benchmarking. Journal of Genetics. 193: 347-365.
4- Daetwyler, H.D., Villanueva, B., and Woolliams, J.A. 2008. Accuracy of predicting the genetic risk of disease using a genome-wide approach. PLoS One. 3: e3395.
5- De los Campos, G., and Perez Rodriguez, P. 2015. Package BGLR "Bayesian Generalized Linear Regression". Department of Biostatistics, University of Alabama-Birmingham.
6- De los Campos, G., Hickey, J., Pong-Wong, R., Daetwyler, H., and Calus, M. 2013. Whole-genome regression and prediction methods applied to plant and animal breeding. Journal of Genetics, 193(2): 327-345.
7- Gianola, D., and Foulley, J. 1983. Sire evaluation for ordered categorical data with a threshold model. Journal of Genetics Selection Evolution. 15: 201-224.
8- Goddard, M. 2009. Genomic selection- prediction of accuracy and maximisation of long term response. Journal of Genetics. 136: 245–257.
9- 1González-Recio, O., and Forni, S. 2011. Genome-wide prediction of discrete traits using Bayesian regressions and machine learning. Journal of Journal of Genetics Selection Evolution. 43: 7.
10- Habier, D., Fernando, R.L., Kizilkaya, K., and Garrick, D.J. 2011. Extension of the Bayesian alphabet for genomic selection. Journal of BMC Bioinformatics. 12: 186.
11- Haley, C., and Visscher, P. 1998. Strategies to utilize marker-quantitative trait loci associations. Journal of Dairy Science. 81: 85-97.
12- Hayes, B.J., Bowman, P.J., Chamberlain, A.C., Verbyla, K., and Goddard, M.E. 2009. Accuracy of genomic breeding values in multi-breed dairy cattle populations. Journal of Genetics Selection Evolution. 41: 51.
13- Kizilkaya, K., Fernando, R.L., and Garrick, D.J. 2014. Reduction in accuracy of genomic prediction for ordered categorical data compared to continuous observations. Journal of Genetics Selection Evolution. 46: 37.
14- Lande, R., and Thompson, R. 1990. Efficiency of marker-assisted selection in the improvement of quantitative traits. Journal of Genetics. 124: 743-756.
15- Lepori Honeyman, A. 2014. Genomic selection for traits of economic importance in sheep: a thesis presented
16- Mehraban, H., Nejati Javaremi, A., Mirayi Ashtiani, S., and Mehrabani Yeganeh, H. 2015. Simulation of base (historical) population and determining accuracy of linkage disequilibrium in genomic simulated studies. Journal of Agricultural Biotechnologies. 2: 45-51 (In Persian)
17- Meuwissen, T., Hayes, B., and Goddard, M. 2001. Prediction of total genetic value using genome-wide dense marker maps. Journal of Genetics. 157: 1819-1829.
18- Nejati-Javaremi, A., Smith, C., and Gibson, J. 1997. Effect of total allelic relationship on accuracy of evaluation and response to selection. Journal of Animal Science. 75 1738-1745.
19- Saatchi, M., McClure, M.C., McKay, S.D., Rolf, M.M., Kim, J., Decker, J.E., and Northcutt, S.L. 2011. Accuracies of genomic breeding values in American Angus beef cattle using K-means clustering for cross-validation. Journal of Genetics Selection Evolution. 43: 40.
20- Schaeffer, L. 2006. Strategy for applying genome‐wide selection in dairy cattle. Journal of Animal Breeding and Genetics. 123: 218-223.
21- Sved, J. 1971. Linkage disequilibrium and homozygosity of chromosome segments in finite populations. Theoretical population biology. 2: 125-141.
22- Silva, M., dos Santos, D., Boison, S., Utsunomiya, A., Carmo, A., Sonstegard, T., Cole, J., and Van Tassell, C. 2014. The development of genomics applied to dairy breeding. Livestock Science. 166: 66-75.
23- Solberg, T.R., Sonesson, A.K., Woolliams, J.A., Ødegard, J., and Meuwissen, T.H. 2009. Persistence of accuracy of genome-wide breeding values over generations when including a polygenic effect. Journal of Genetics Selection Evolution. 41: 53.
24- Technow, F. 2013. R Package hypred version 0.2: Simulation of genomic data in applied genetics. University of Hohenheim, Institute of Plant Breeding, Seed Science and Population Genetics, Stuttgart, Germany.
25- Van der Werf, J., and Hayes, B. 2013. Genome-wide association studies and genomic prediction. chapter 26, Genomic Selection in Animal Breeding Programs. Pp: 543-561, Humana Press.
26- Van Tassell, C., Van Vleck, L., and Gregory, K. 1998. Bayesian analysis of twinning and ovulation rates using a multiple-trait threshold model and Gibbs sampling. Journal of Animal Science. 76: 2048-2061.
27- Villanueva, B., Fernandez, J., Garcia-Cortes, L.A., Varona, L., Daetwyler, H.D., and Toro, M.A. 2011. Accuracy of genome-wide evaluation for disease resistance in aquaculture breeding programs. Journal of Animal. Science. 89: 3433-3442
28- Wang, C.L., Ding, X. D., Wang, J.Y., Liu, J.F., Fu, W.X., Zhang, Z., Jin, Z.J., and Zhang, Q. 2012. Bayesian methods for estimating GEBVs of threshold traits.Journal of Heredity. 110: 213-219.
29- Wimmer, V., Lehermeier, C., Albrecht, T., Auinger, H.J., Wang, Y., and Schon, C.C. 2013. Genome-wide prediction of traits with different genetic architecture through efficient variable selection. Journal of Genetics. 195: 573-587.
30- Zhang, Z., Zhang, Q., and Ding, X. 2011. Advances in genomic selection in domestic animals. Chinese Science Bulletin.56: 2655-2663.
31- Zhong, S., Dekkers, J.C., Fernando, R.L., and Jannink, J.L. 2009. Factors affecting accuracy from genomic selection in populations derived from multiple inbred lines: a Barley case study. Journal of Genetics. 182: 355-364.