تاثیر استفاده از سطوح مختلف نشانگرهای خنثی به همراه جایگاه‌های علی و معماری های ژنتیکی مختلف بر صحت پیش بینی ارزش‌های اصلاحی ژنومی در دام های اهلی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری ، رشته ژنتیک و اصلاح نژاد دام، دانشگاه کشاورزی و منابع طبیعی ساری، دانشکده علوم دامی و شیلات، گروه علوم دامی،

2 دانشیار، رشته ژنتیک و اصلاح نژاد دام و مدیر گروه علوم دامی، دانشگاه کشاورزی و منابع طبیعی ساری، دانشکده علوم دامی و شیلات،

3 استادیار، رشته ژنتیک و اصلاح نژاد دام، دانشگاه ابوریحان، گروه علوم دامی، محقق گروه علوم دامی دانشگاه فلوریدا،

4 استادیار پژوهشی ، رشته ژنتیک و اصلاح نژاد دام، مرکز تحقیق و توسعه کشاورزی و منابع طبیعی صفی‌آباد دزفول،

10.22069/ejrr.2026.23949.2021

چکیده

سابقه و هدف: مهمترین سازه‌هایی که بر صحت پیش‌بینی ژنومی تاثیر می‌گذارند شامل تعداد نشانگرها، روش آماری، فراوانی آلل نادر، وراثت‌پذیری و معماری ژنتیکی می‌باشند که هر یک تحت شرایط ویژه‌ای اثراتشان متفاوت است. هدف از این پژوهش، بررسی اثر اضافه کردن چندشکلی‌های تک نوکلئوتیدی خنثی (غیرسببی) به مدل آماری بر صحت ارزیابی ارزش اصلاحی با درنظر گرفتن سازه‌های مختلف جمعیت و معماری‌های ژنتیکی مختلف بوده است.
مواد و روش‌ها: در این پژوهش تعداد 10 کروموزوم به طول 100 سانتی‌مورگان شبیه‌سازی شده و روی هر کروموزوم 1000 نشانگر چند‌شکلی تک نوکلئوتیدی دو آللی در نظر گرفته شده که به صورت تصادفی در طول ژنوم پراکنده شدند. در این پژوهش، واریانس فنوتیپی یک و وراثت‌پذیری‌ها بر طبق صفات با وراثت‌پذیری کم، متوسط و بالا به ترتیب 1/0، 2/0 و 5/0 در نظر گرفته شدند. در این شبیه‌سازی، جمعیت‌های با اندازه 1000، 2000 و 4000 فرد مورد استفاده قرار گرفت و تعداد 100 جایگاه صفت کمی روی 10 کروموزوم پراکنده شد. پیش‌بینی‌ها با دو روش کرنل بازتولید فضای هیلبرت و بیز B و مقایسات میانگین با استفاده از روش توکی انجام شد.
یافته‌ها: در همه‌ی سناریوها و با هر دو روش اختلاف معنی‌داری بین در نظر گرفتن جایگاه‌های صفات کمی به تنهایی و همراه با درصدهای مختلف چندشکلی‌های تک نوکلئوتیدی غیرسببی در مدل مشاهده شد. البته در هر دو روش اختلافات معنی‌داری نیز بین درصدهای پایین نشانگرهای خنثی و درصدهای بالا مشاهده شد. در بیشتر سناریوها مثلا زمانی که 10 درصد نشانگرهای خنثی در مدل وجود دارند، پیش‌بینی‌ها صحت بالاتری دارند نسبت به زمانی که 20 درصد، 40 درصد، 60 درصد و 100 درصد از نشانگرهای خنثی وارد مدل می‌شوند. با افزایش وراثت‌پذیری و تعداد افراد جمعیت مرجع صحت پیش‌بینی‌های ژنومی افزایش یافت. در وراثت‌پذیری‌های پایین، درصد افزایش صحت پیش‌بینی با افزایش جمعیت مرجع بیشتر بود. میانگین صحت ارزیابی با استفاده از روش بیز B به جز چند مورد، در زمان قرار دادن جایگاه‌های صفات کمی در مدل و نسبت‌های مختلف نشانگرهای خنثی به طور معنی‌داری دربیشتر سناریوها از روش کرنل بازتولید فضای هیلبرت بیشتر بود. به طور کلی در هر دو روش، بهترین پیش‌بینی‌ها در زمان استفاده از بالاترین وراثت-پذیری و اندازه جمعیت و فقط وارد کردن جایگاه‌های صفات کمی در مدل‌ها رخ داد.
نتیجه گیری: با توجه به این یافته‌ها، شناسایی جایگاه‌های سببی و وارد کردن آنها در ارزیابی‌های ژنومی باعث افزایش سرعت آنالیز و کاهش هزینه‌های تعیین ژنوتیپ می‌گردد و همچنین می‌تواند در ارزیابی‌های ژنومیکی بازده ژنتیکی صفات مهم اقتصادی را از طریق تقویت صحت پیش‌بینی افزایش دهد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

The effect of using different levels of noncausal markers along with causal loci and different genetic architectures on the accuracy of predicting genomic values in livestock

نویسندگان [English]

  • Masoumeh Saleh 1
  • Ayoub Farhadi 2
  • Rostam Abdollahi-Arpanahi 3
  • Mohsen Gholizadeh 2
  • Mahmoud Amiri Roodbar 4
1 1. PhD student, Department of Animal Science, Faculty of Animal Science and Fisheries, Sari Agriculture Sciences & Natural Resources University, Iran
2 Associate Professor, Department of Animal Science, Faculty of Animal Science and Fisheries, Sari Agriculture Sciences & Natural Resources University, Science,
3 Department of Animal Sciences, University of Florida
4 4. Research Assistant (Ph.D in Animal Genetics & Breeding), Department of Animal Science, Safiabad-Dezful Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education & Extension Organization (AREEO),Dezful, Iran,
چکیده [English]

Background and objective: The most important factors affecting the accuracy of genomic prediction include the number of markers, statistical method, minor allele frequency (MAF), heritability, and genetic architecture, that each of their effects differs under the specific conditions. The aim of this study was to investigate the effect of adding noncausal SNPs to the statistical model on the accuracy of breeding values by considering different population factors and different genetic architectures.
Materials and methods: In the present study, 10 chromosomes with a length of 100 cM were simulated and on each chromosome 1000 SNP markers of two alleles were considered which were randomly distributed along the genome. In this study, phenotypic variance was assumed 1.0 and heritability was considered as 0.1, 0.2 and 0.5 according to traits with low, medium and high heritability respectively. The population numbers for this simulation were 1,000, 2,000 and 4,000 people and 100 QTLs was distributed on 10 chromosomes. Predictions were done by RKHS and BayesB models and mean comparisons were also made using the Tukey method.
Results: In all scenarios and with both methods, there was a significant difference between considering QTLs alone and with different percentages of noncausal SNPs in the model. However, in both methods, significant differences were observed between low percentages of noncausal markers and high percentages.
In most scenarios, for example, when there were 10% noncausal markers in the model, the predictions were more accurate than when 20%, 40%, 60% and 100%.
The accuracy of genomic predictions increased with the increasing of heritability and the number of individuals in the reference population. In the case of low heritability scenarios, the percentage of increment of predictive accuracy was more than higher heritability with increasing of reference population. The mean of accuracy of evaluations using BayesB method compared RKHS, was significantly different in fitting QTLs in the model and different ratios of noncausal markers in most scenarios except for a few cases. In general, in both methods, the best predictions were made when using the highest heritability and population size and only entering QTLs in the models.
Conclusion: According to these findings, identifying causal sites and incorporating them into genomic assessments increases the rate of analysis and reduces the cost of genotyping. It can also enhance the genetic gain of important economic traits in genomic evaluations by enhancing predictive accuracy.
Conclusion: According to these findings, identifying causal sites and incorporating them into genomic assessments increases the rate of analysis and reduces the cost of genotyping. It can also enhance the genetic gain of important economic traits in genomic evaluations by enhancing predictive accuracy.

کلیدواژه‌ها [English]

  • SNP
  • QTL
  • RKHS
  • BayesB models

مراجع

Amiri Roudbar, M., Mohammadabadi, M.R., Ayatollahi Mehrgardi, A., Abdollahi-Arpanahi, R., Momen, M., Morota, G., Brito Lopes, F., Gianola, D. & Rosa, G.J.M. (2020). Integration of single nucleotide variants & whole-genome DNA methylation profiles for classification of rheumatoid arthritis cases from controls. Heredity, 124(5): 658-674.
Atashi, H. & Gorgani-Firoozjah, N. (2015). Study of the effect of increasing the number of markers on the accuracy of genomic evaluation using rrBLUP method. Iranian Journal of Animal Science, 46: 195-200. (In Persian).
Atefi, A., Shadparvar, A.A. & Ghavi Hossein-Zadeh, N. (2018). Accuracy of genomic prediction under different genetic architectures and estimation methods. Iranian Journal of Applied Animal Science , 8: 43-52.
Atefi, A., Shadparvar, A.A. & Hossein-Zadeh, N.G. (2016). Comparison of whole genome prediction accuracy across generations using parametric and semi parametric methods. Acta Scientiarum. Animal Sciences, 38: 447-453.
Calus, M.P.L., Meuwissen, T.H.E., de Roos, A.P.W. & Veerkamp, R.F. (2008). Accuracy of Genomic Selection Using Different Methods to Define Haplotypes. Genetics, 178: 553.
Coster, A., Bastiaansen, J.W.M., Calus, M.P.L., van Arendonk, J.A.M. & Bovenhuis, H. (2010). Sensitivity of methods for estimating breeding values using genetic markers to the number of QTL and distribution of QTL variance. Genetics Selection Evolution, 42:9.
Foroutanifar, S. (2016). Sensitivity of the accuracy of single-adjective and multi-adjective genomic predictions to the genetic architecture of traits. Modern Genetics, 11:391-398. (In Persian).
Foroutanifar, S., Mehrabani-Yeganeh, H. & Moradi-Shahrbabak, M. (2012). Effects of heritability, number of individuals in training population and map density on accuracy of single and two traits estimated genomic breeding values. Proceedings of 12th Iranian genetics congress, 10: 21-23. (In Persian).
Gianola, D., Fernando, R.L. & Stella, A. (2006). Genomic-assisted prediction of genetic value with semiparametric procedures. Genetics, 173:1761-1776.
Goddard, M. (2009). Genomic selection: prediction of accuracy and maximisation of long-term response. Genetica, 136:245-57.
Hao, Y., Wang, H., Yang, X., Zhang, H., He, C., Li, D., Li, H., Wang, G., Wang, J. & Fu, J. (2019). Genomic Prediction using Existing Historical Data Contributing to Selection in Biparental Populations: A Study of Kernel Oil in Maize. The Plant Genome, 12:1702-1712.
Luan, T., Woolliams, J., Lien, S., Kent, M., Svendsen, M. & Meuwissen, T. (2009). The accuracy of genomic selection in Norwegian Red Cattle assessed by cross-validation. Genetics, 183: 1119-26.
Mahmoudi, N.A.M., Ayatollahi mehrjerdi, A., Honarvar, M. & Ismaili Zadeh, A. (2015). Study of statistical distribution of QTL effects on the accuracy of genomic values estimated by Bayesian method. Iranian Journal of Animal Science Research, 7:356-363. (In Persian).
Meuwissen, T.H.E. (2009). Accuracy of breeding values of 'unrelated' individuals predicted by dense SNP genotyping. Genetics Selection Evolution, 41:35.
Meuwissen, T.H., Hayes, B.J. & Goddard, M.E. (2001). Prediction of total genetic value using genome-wide dense marker maps. Genetics, 157:1819-29.
Mohammadi Chamachar, N. Hafezian, S.H., Honarvar, M. & Farhadi, A. (2015). The effect of heritability and the number of quantitative traits loci on the accuracy of estimating genomic value. Journal of Ruminant Research, 3:111-124. (In Persian).
Naderi, R., Noshahri, A. & Amin Afshar, M. (2012). Effects of QTL variance on genomic selection accuracy. Animal Science and Research Journal, 81-91. (In Persian).
Norman, A., Taylor, J., Edwards, J., & Kuchel, H. (2018). Optimizing Genomic Selection in Wheat: Effect of Marker Density, Population Size and Population Structure on Prediction Accuracy. G3: Genes, Genomes, Genetics, 8:2889-2899.
Perez, P. & de los Campos, G. (2014). Genome-wide regression and prediction with the BGLR statistical package. Genetics, 198:483-95.
Sargolzaei, M. & Schenkel, F.S. (2009). QMSim: a large-scale genome simulator for livestock. Bioinformatics, 25:680-681.
Sarup, P., Jensen, J., Ostersen, T., Henryon, M & Sorensen, P. (2016). Increased prediction accuracy using a genomic feature model including prior information on quantitative trait locus regions in purebred Danish Duroc pigs. BMC Genetics, 17:11.
Solberg, T.R., Sonesson, A.K., Woolliams, J.A. & Meuwissen, T.H. (2008). Genomic selection using different marker types and densities. Journal of Animal Science, 86:2447-54.
VanRaden, P. M. (2008). Efficient methods to compute genomic predictions. Journal of Dairy Science, 91: 4414–4423.
VanRaden, P.M., O'Connell, J.R., Wiggans, G.R. & Weigel, K.A. (2011). Genomic evaluations with many more genotypes. Genetics Selection Evolution, 43:10.
Wang, Q., Yu, Y., Yuan, J., Zhang, X., Huang, H., Li. F. & Xiang, J. (2017). Effects of marker density and population structure on the genomic prediction accuracy for growth trait in Pacific white shrimp Litopenaeus vannamei. BMC Genetics, 18:45.
Xu, L., Wang, Z., Zhu, B., Liu, Y., Li, H., Bordbar, F., Chen, Y., Zhang, L., Gao, X., Gao, H., Zhang, S., Xu, L. & Li, J. (2019). Theoretical Evaluation of Multi-Breed Genomic Prediction in Chinese Indigenous Cattle. Animals, 9:789.
Yang, J., Benyamin, B., McEvoy, B. P., Gordon, S., Henders, A. K., Nyholt, D. R., & et al. (2010). Common SNPs explain a large proportion of the heritability for human height. Genetics, 42:565–569.
Zhang, A., Wang, H., Beyene, Y., Semagn, K., Liu, Y., Cao, S., Cui, Z., Ruan, Y., Burgueño, J., San Vicente, F., Olsen, M., Prasanna, B.M., Crossa, J., Yu, H. & Zhang, X. (2017). Effect of Trait Heritability, Training Population Size and Marker Density on Genomic Prediction Accuracy Estimation in 22 bi-parental Tropical Maize Populations. Frontiers in Plant Science, 8:1916.
Zhang, H., Yin, L., Wang, M., Yuan, X. & Liu, X. (2019). Factors Affecting the Accuracy of Genomic Selection for Agricultural Economic Traits in Maize, Cattle, and Pig Populations. Frontiers in Genetics, 10:189.
نشریه پژوهش‌ در نشخوار کنندگان
دوره 14، شماره 1
خرداد 1405
صفحه 143-157

فایل ها

هم رسانی

ارجاع به این مقاله

آمار