بررسی میزان تاثیر اثرات ژنتیکی غالبیت بر صحت ارزیابی ژنومی

سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 138

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_RAP-14-39_016

تاریخ نمایه سازی: 27 خرداد 1402

چکیده مقاله:

چکیده مبسوط مقدمه و هدف: بررسی مقالات منتشر شده در حوزه انتخاب ژنومی نشان می ­دهد که در اکثر مطالعات انجام شده در گونه­ های دامی و زراعی ارزیابی ژنومی و پیش­ بینی ارزش­ های اصلاحی ژنومی بدون در نظر گرفتن اثرات ژنتیکی غالبیت انجام شده است. در صورتیکه مطالعاتی که اخیرا انجام شده، نشان می­دهند که اثرات ژنتیکی غالبیت به نحو قابل توجهی در تنوع فنوتیپی صفات تولیدی دام ­های اهلی مشارکت دارند. از این رو به ­نظر می­رسد چشم پوشی از اثرات ژنتیکی غالبیت صحت ارزیابی ژنومی را تحت تاثیر قرار می­دهد. در این مطالعه پیامدهای در نظر نگرفتن اثرات ژنتیکی غالبیت در مدل ارزیابی ژنومی بر صحت، میانگین مربعات خطا، اریبی و قابلیت اعتماد ارزش­ های اصلاحی ژنومی بررسی شد. مواد و روش­ ها: ژنومی شامل ۵ کروموزوم، هر کدام به طول یک مورگان و حاوی ۵۰۰۰ نشانگر تک نوکلئوتیدی دو آللی (SNP) در سطح وراثت‎پذیری ۰/۵ شبیه­ سازی شد. به همه جایگاه­ های صفات کمی (QTLها) اثرات ژنتیکی افزایشی داده شد. توزیع ­های متفاوت اثرات QTL (یکنواخت، نرمال و گاما) و نیز سه سناریو از تعدادQTL  به صورت ۵، ۱۰ و ۲۰% از تعداد کل SNPها (به ترتیب ۲۵۰، ۵۰۰ و ۱۰۰۰ QTL) به صورت فرضیه­های شبیه­سازی در نظر گرفته شد. در سناریوهای مختلف به صفر، ۱۰، ۲۵، ۵۰ و ۱۰۰% از QTLها اثرات غالبیت داده شد. ارزش ­های اصلاحی ژنومی با استفاده از روش بهترین پیش‎بینی نااریب خطی ژنومی (GBLUP) برآرود شده و شاخص ­های روش LR، شامل صحت پیش‎بینی، میانگین مربعات خطای پیش‎بینی، اریبی و قابلیت اعتماد ارزش ­های اصلاحی برای تجزیه و تحلیل ارزش ­های اصلاحی حاصل از GBLUP مورد استفاده قرار گرفتند. یافته­ ها: نتایج نشان داد در صورتیکه اثرات ژنتیک غالبیت در تنوع فنوتیپی صفت مشارکت داشته باشند اما در مدل ارزیابی ژنومی لحاظ نشده و به صورت تفکیک نشده از اثرات ژنتیکی افزایشی باقی بمانند، منجر به کاهش صحت ارزش­ های اصلاحی ژنومی تا حدود ۲۵% خواهد شد. همچنین میانگین مربعات خطای پیش­بینی ارزش ­های اصلاحی ژنومی نیز با افزایش درصد QTLهای دارای اثر غالبیت (از ۰/۰۰ به ۱۰۰%) تا ۶۰% افزایش یافت. میزان اریبی ارزش ­های اصلاحی ژنومی نیز تحت تاثیر چشم پوشی از اثرات غالبیت قرار گرفت و با افزایش درصد QTLهای دارای اثر غالبیت (از ۰/۰۰ به ۱۰۰%) تا ۳۶% افزایش یافت. در ضمن قابلیت اعتماد ارزش ­های اصلاحی ژنومی نیز به طور چشمگیری با افزایش درصد QTLهای دارای اثر غالبیت (از ۰۰/۰۰ به ۱۰۰%) تا حدود ۴۰% کاهش یافت. نتیجه گیری: به طورکلی نتایج این تحقیق نشان داد که عدم تفکیک اثرات ژنتیکی غالبیت از اثرات ژنتیکی افزایشی منجر به برآوردهای با صحت پایین، اریب و غیرقابل اعتماد از ارزش های اصلاحی ژنومی می­ شود که در نهایت بازدهی انتخاب ژنومی را کاهش می­ دهد. بنابراین پیشنهاد می شود که به منظور افزایش کارایی طرح­ های انتخاب ژنومی، اثرات غالبیت در مدل ارزیابی ژنومی منظور شود.

کلیدواژه ها:

نویسندگان

مسلم کریمی

animal and Poultry Breeding and Genetics, Department of Animal Science, Faculty of Agriculture, Bu-Ali Sina University, Hamedan, Iran

فرهاد غفوری کسبی

Department of Animal Science, Faculty of Agriculture, Bu-Ali Sina University, Hamedan, Iran,

پویا زمانی

Department of Animal Science, Faculty of Agriculture, Bu-Ali Sina University, Hamedan

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 :
  • Ahmadi, Z., F. Ghafouri-Kesbi and P. Zamani. ۲۰۲۱. Assessing the ...
  • Aliloo, H., J.E. Pryce, O. González-Recio, B.G. Cocks and B.J. ...
  • Baneh, H., A. Nejati Javaremi and G.H. Rahimi. ۲۰۱۷. Genomic ...
  • De los Campos, G and P. Perez Rodriguez. ۲۰۲۰. BGLR: ...
  • Ebrahimi, K., G.R. Dashab, H. Faraji-Arough and M. Rokouei. ۲۰۱۸. ...
  • Fernando, R.L. and M. Grossman.۱۹۸۹. Marker-assisted selection using best linear ...
  • Ghafouri-Kesbi, F. ۲۰۱۴. Application of machine learning methods in genomic ...
  • Ghasemi-Siab, M., S. Varkoohi and M.H. Banabazi. ۲۰۲۱. Single nucleotide ...
  • Goddard, M. ۲۰۰۹. Genomic selection: prediction of accuracy and maximisation ...
  • Hayes B.J., P.M. Visscher and M.E. Goddard. ۲۰۰۹. Increased accuracy ...
  • Jasouri, M., P. Zamani and S. Alijani. ۲۰۱۷. Dominance genetic ...
  • Legarra, A. and A. Reverter. ۲۰۱۸. Semi-parametric estimates of population ...
  • Macedo, F.L., O.F. Christensen, J.M. Astruc, I. Aguilar, Y. Masuda ...
  • Meuwissen, T.H.E., B.J. Hayes and M.E. Goddard. ۲۰۰۱. Prediction of ...
  • Mohammadi, Y. ۲۰۱۹. Accuracy of genomic selection using models with ...
  • Mohammadi, Y. and M. Sattaei Mokhtari. ۲۰۱۸. Genomic selection accuracy ...
  • Morais, Jr, O., J. Duarte, F. Breseghello, A. Coelho, T. ...
  • Neves, H.H.R., R. Carvalheiro and S.A. Queiroz. ۲۰۱۲. A comparison ...
  • Sadeghi, S.A.T., M. Rokoue., M. Vafaye Valleh, M.A. Abbasi and ...
  • Spelman, R. and D. Garrick. ۱۹۹۷. Utilization of marker assisted ...
  • Sun, C., X.L. Wu, K.A. Weigel, G.J.M. Rosa, S. Bauck, ...
  • Technow, F. ۲۰۱۳. hypred: simulation of genomic data in applied ...
  • Vanaei, F., F. Ghafouri-Kesbi, A. Ahmadi and P. Zamani. ۲۰۲۲. ...
  • VanRaden, P.M. ۲۰۰۸. Efficient methods to compute genomic predictions. Journal ...
  • Varona, L., A. Legarra, M.A. Toro and Z.G. Vitezica. ۲۰۱۸. ...
  • Wang, C.L., X.D. Ding, J.Y. Wang, J.F. Liu, W.X. Fu, ...
  • Yadav, S., X. Wei, P. Joyce, F. Atkin, E. Deomano, ...
  • نمایش کامل مراجع