ارزیابی عملکرد روش‌هایBoosting و بیز A در چالش‌های مختلف معماری ژنومی صفات گسسته و پیوسته

نوع مقاله: مقاله پژوهشی

نویسنده

عضو هیات علمی تمام وقت دانشگاه آزاد اسلامی واحد آستارا

چکیده

سابقه و هدف: گزینش ژنومی چالشی امید بخش برای کشف رموز ژنتیکی صفات کمی و کیفی به ‌منظور بهبود رشد ژنتیکی و صحت پیش ‌بینی ژنومی در اصلاح دام می‌باشد .در این پژوهش، عملکرد روش‌های ‌Boosting و بیز A در برآورد ارزش‌های اصلاحی ژنومی صفات آستانه‌ای دودویی و پیوسته در تراکم مختلف نشانگری با استفاده از معماری‌های مختلف ژنومی مورد بررسی قرار گرفت.
مواد و روش‌ها: داده‌های ژنومی از طریق نرم افزار QMSim با سطوح متفاوت وراثت ‌پذیری (1/0 و 3/0)، سطوح مختلف LD (کم و زیاد)، تراکم‌های متفاوت جایگاه‌های صفات کمی (150 و 450) و تراکم مختلف نشانگری (K10 و k 50) برای تعداد 30 کروموزم شبیه ‌سازی شدند. جهت ایجاد فنوتیپ آستانه‌ای دودویی در مجموعه مرجع، افراد هر نسل بر اساس فنوتیپ پیوسته در خروجی QMSim رتبه‌ بندی شدند، سپس فنوتیپ آستانه‌ای افراد، وابسته به میانگین جمعیت شبیه ‌سازی ‌شده به ترتیب کد صفر (پایین‌تر از میانگین صفت) و کد یک (بالاتر از میانگین صفت) در نظرگرفته شد. در نهایت، ارزش‌های اصلاحی ژنومی با استفاده از روش‌های Boosting و بیز A محاسبه و جهت ارزیابی صحت ژنومی صفات آستانه‌ای و پیوسته، مورد استفاده قرار گرفتند.
نتایج: روش Boosting دامنه گسترده‌ای از صحت ژنومی در مقایسه با روش‌ بیز A با تغییرات تراکم نشانگرها نشان داد. روش Boosting در مقایسه با روش بیز آستانه‌ای A به ترتیب افزایشی 3/6 و 3/7 درصدی در صحت ژنومی صفات آستانه‌ای برای تراکم‌های نشانگری k10 و k50 نشان داد. عملکرد بیز A برای صفات با توزیع فنوتیپی پیوسته به طور قابل توجهی بیشتر از روش Boosting بود، خصوصا هنگامی که سناریوهای با تراکم نشانگری پایین استفاده شدند. ساختار معماری ژنومی از جمله وراثت ‌پذیری، تعداد QTL و LD از فاکتورهای موثر بر صحت ژنومی روشهای بیز و Boosting بودند. در این راستا نقش وراثت‌ پذیری بر عملکرد هریک از این روش‌ها مشهودتر بود. در مجموع، صحت‌های ژنومی روش بیز برای نوسانات تعداد QTL و روش Boosting برای نوسانات سطوح LD، حساسیت بیشتری نشان دادند. در تراکم بالای نشانگرها و برای صفات با فنوتیپ آستانه‌ای، بیشترین و کمترین میزان صحت ژنومی به ترتیب برای روش Boosting (598/0) و بیز آستانه‌ای A (510/0) هنگامی بود که تعداد بالای QTL وجود داشت. برای صفات پیوسته، بیشترین و کمترین میزان صحت ژنومی به ترتیب برای روش بیز A (702/0) و Boosting (569/0) در تعداد QTL پایین مشاهده شد. اثر مثبت افزایش LD بر صحت ژنومی روش‌های Boosting و بیز Aدر سناریوهای با تراکم نشانگر پایین نسبت به سناریوهای با تراکم نشانگری بالا مشهودتر بود.
نتیجه‌گیری: روند کلی نتایج این تحقیق نشان داد که روش Boosting در ارزیابی ژنومی صفات آستانه‌ای و روش بیز A در ارزیابی صفات پیوسته بهترین عملکرد را نشان می‌دهند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Performance evaluation of Boosting and Bayes A methods by different challenges of genomic architectures in discrete and continue traits

نویسنده [English]

  • Yousef Naderi
Assistant professor, Islamic Azad University, Astara Branch, Department of Animal Science, Astara, Iran. Young Researchers club, Islamic Azad University, Astara Branch, Astara, Iran
چکیده [English]

Background and objectives: Genomic selection is a promising challenge for discovering genetic variants influencing quantitative and threshold traits for improving the genetic gain and accuracy of genomic prediction in animal breeding. In this study, performance of Boosting and Bayes A methods was investigated to evaluate genomic breeding values for binary threshold and quantitative traits in different marker densities using different genomic architectures.
Materials and methods: Genomic data were simulated by QMSim software to reflect variations in heritability (h2 = 0.1 and 0.3), linkage disequilibrium (LD=low and high), number of QTL (QTL=150 and 450) and marker densities (10k and 50k) for 30 chromosomes. To create discrete threshold phenotypes in training set, individuals per generation were ranked ascending order according continuous phenotypes of QMSim output. Afterwards, depending on average simulated population, the threshold phenotype of individuals was define was code 0 (higher than average trait) and code 1 (lower than average trait). Eventually, genomic estimated breeding values were calculated using Bayes A and Boosting methods to evaluate accuracy of genomic prediction for threshold and continue traits.
Results: Comparing to Bayes A method, Boosting algorithm was showed a wide range of genomic accuracy to changes marker density. Comparing to threshold Bayes A method, Boosting algorithm demonstrated an increase of 6.3 and 7.3 percentage on genomic accuracy of threshold traits when 10k and 50k SNPs panels were used, respectively. For traits with continue phenotypic distribution, performance of Bayes A was much more than Boosting, especially when the sparse panels were used. The structure of genomic architecture including heritability, number of QTL and LD were the most important factors affecting the accuracy of genomic prediction using Bayes A and Boosting methods. In this way, impact of heritability on performance of each of these models was more evident. Overall, genomic accuracies of Bayes A and Boosting methods showed more sensitive to QTL and LD fluctuations, respectively. For threshold traits with high density marker panels, the highest and lowest of genomic accuracy were obtained using Boosting (0.598) and Bayes A (0.510) methods, respectively, when the data set containing a lot of QTL was applied. For continue traits, the highest and lowest of genomic accuracy were obtained using Bayes A (0.702) and Boosting (0.569) methods, respectively, when the data set containing a few of QTL was used. the positive effect of increase LD on accuracies of genomic prediction of Boosting and Bayes A for the sparse panels was much more noticeable than high density panels.
Conclusion: The general trend of the present results indicated that Boosting and Bayes A methods showed their best performance for threshold and continue traits, respectively.

کلیدواژه‌ها [English]

  • Threshold traits
  • Genomic accuracy
  • Heritability
  • Machine learning
  • Linkage disequilibrium