پیش بینی ژنومی اثرات افزایشی و غالبیت بر برخی صفات اقتصادی گوسفند مغانی

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 234

فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_RAP-13-38_020

تاریخ نمایه سازی: 2 بهمن 1401

چکیده مقاله:

چکیده مبسوط مقدمه و هدف: اثرات ژنتیکی غالبیت ممکن است سهم مهمی در کل تنوع ژنتیکی صفات کمی و پیچیده داشته باشند.  با این حال، تحقیقات نشانگرهای گسترده ژنوم برای مطالعه پیش بینی ژنومی و مکانیسم های ژنتیکی صفات پیچیده عموما اثرات ژنتیکی غالبیت را نادیده می گیرند. افزایش در دسترس بودن مجموعه داده های ژنومی و مزایای بالقوه اثرات ژنتیکی غیرافزایشی، اخیرا ترکیب نمودن این اثرات در مدل های پیش بینی ژنومی  بسیار مورد توجه قرار گرفته است. مواد و روش ­ها: ژنومی با ۳ کروموزوم با اندازه هر کدام ۱۰۰ سانتی مورگان،  دارای ه ۲۰۰  و ۱۰۰۰  QTL و نشانگر دو آللی روی هر کروموزوم شبیه ­سازی شدند. سپس اطلاعات مربوط به رکوردهای شجره، خویشاوندی، سال تولد، وزن از شیرگیری، جنس نتاج، درصد دوقلوزایی، وزن لاشه، کیفیت لاشه، سن اولین زایش، تراکم پشم و سایر صفات اقتصادی گوسفند مغانی که از طریق مرکز اصلاح نژاد جعفرآباد مغان (طی سال­های ۱۳۸۲ تا ۱۳۹۳) در دسترس قرار گرفت، ماتریس فنوتیپی مدل را تشکیل دادند. اثرات ژنتیکی افزایشی و غالبیت و صحت پیش ­بینی ژنومی ۷ صفت شامل صفات رشد، کیفیت لاشه، پشم و باروری از طریق دو مدل خطی اتخاذ شد: (۱) یک مدل اثر افزایشی (MAG) و (۲) یک مدل شامل اثرات ژنتیکی افزایشی و غالبیت (MADG)، علاوه بر این، از روش اعتبارسنجی متقابل ۵ لایه برای ارزیابی قابلیت پیش بینی ژنومی در دو مدل مختلف توسط نرم ­افزار R بسته HIBLUP استفاده شد. یافته­ ها: نتایج تخمین مولفه های واریانس برای هر صفت نشان داد که وزن لاشه گرم (۰/۶۱۷) و درصد بره­زایی به ازاء هر میش (۰/۵۷۸)، بخش بزرگی از تنوع فنوتیپی توسط اثرات ژنتیکی غالبیت توضیح داده می شود. نتایج اعتبار سنجی متقاطع نشان داد که مدل  MADG، شامل اثرات ژنتیکی افزایشی و غالبیت، نسبت به مدل MAG  که تنها دارای اثرات ژنتیکی افزایشی است مزیت دارد. یعنی مدلی که اثرات ژنتیکی غالبیت را شامل می شود، صحت پیش بینی ژنومی را بهبود می­بخشد. نتیجه­ گیری: عملکرد بهتر (صحت پیش بینی) مدل MADG  برای برخی صفات در مقایسه با مدل MAG نشان می دهد که اثرات غلبه بایستی در مدل های ارزیابی ژنتیکی حیوانات گنجانده شود تا صحت پیش بینی فنوتیپ های آینده بهبود یابد. همچنین کاربرد مدل  MADG می­تواند ابزار مفیدی برای تصمیم  حذف حیوانات در مزارع باشد و استفاده از کل ژنتیک بالقوه نتاج در برنامه­ های جفت گیری ممکن است عملکرد نتاج را بهبود بخشد.

نویسندگان

رضا سیدشریفی

University of Mohaghegh Ardabili, Faculty of Agriculture and Natural Resources, Department of Animal Science, Ardabil, Iran

فاطمه اعلاء نوشهر

Department of Animal Science, Faculty of Agriculture and Natural Resources, University of Tabriz, Tabriz, Iran

جمال سیف دواتی

University of Mohaghegh Ardabili, Faculty of Agriculture and Natural Resources, Department of Animal Science, Ardabil, Iran

نعمت هدایت ایوریق

University of Mohaghegh Ardabili, Faculty of Agriculture and Natural Resources, Department of Animal Science, Ardabil, Iran

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Aliloo, H., J. Pryce, O. Gonzalez-Recio, B. Cocks, B. Hayes. ...
  • Aliloo, H., J. Pryce, O. Gonzalez-Recio, B. Cocks, M.E. Goddard, ...
  • Alipanah, M. ۲۰۱۹. Estimation of dominance variance and its effects ...
  • Alves, K., L. Brito, C. Baes, M. Sargolzaei, J. Robinson, ...
  • Ertl, J., A. Legarra, Z. Vitezica, L. Varona, C. Edel, ...
  • Falconer, D., and T. F. C. Mackay. ۱۹۹۶. Introduction to ...
  • Fuerst, C., J. Sölkner. Additive and non-additive genetic variances for ...
  • Gonzalez Recio, O., M. Haile Mariam, J.E. Pryce. ۲۰۱۵. Improving ...
  • Ghiasi, H., R. Abdollahi-Arpanahi, M. Razmkabir, M. Khaldari and R. ...
  • Haldane, J.B.S. ۱۹۱۹. The combination of linkage values and the ...
  • Legarra, A., C. Robert-Granié, E. Manfredi. ۲۰۰۸. Performance of genomic ...
  • Misztal, I., L. Varona, M. Culbertson, J. Bertrand, J. Mabry, ...
  • Munoz, P., M. Resende, S. Gezan, M. Resende, G. Campos, ...
  • Palucci, V., L. Schaeffer, F. Miglior, V. Osborne. ۲۰۰۷. Non-additive ...
  • Purcell, S., B. Neale, K. Todd-Brown, L. Thomas, M. Ferreira, ...
  • R DEVELOPMENT CORE TEAM. R: a language and environment for ...
  • Sargolzaei, M. and F.S. Schenkel. ۲۰۰۹. QMSim: a large-scale genome ...
  • Su, G., P. Madsen, U. Nielsen, E. Mäntysaari, G. Aamand, ...
  • Sun, C., P.M. Vanraden, J.B. Cole, J.R. O’connell. ۲۰۱۴. Improvement ...
  • Toro, M. A., and L. Varona. ۲۰۱۰. A note on ...
  • Vanraden, P.M. ۲۰۰۸. Efficient methods to compute genomic predictions. Journal ...
  • Van Tassell, CP., I. Misztal, L. Varona. ۲۰۰۰. Method R ...
  • Varona, L., A. Legarra, M. Toro, Z. Vitezica. ۲۰۱۸. Review: ...
  • Visscher, P., J. Yang, M. Goddard. ۲۰۱۰. A commentary on ...
  • Weller, J., E. Ezra, M. Ron. ۲۰۱۷. Invited review: a ...
  • Wellmann, R., J. Bennewitz. ۲۰۱۲. Bayesian models with dominance effects ...
  • Yang, J., B. Benyamin, B. Mcevoy, S. Gordon, A. Henders, ...
  • نمایش کامل مراجع