فرهاد غفوری کسبی - Department of Animal Science, Faculty of Agriculture, Bu-Ali Sina University

چکیده مبسوط مقدمه و هدف: یکی از مسائل مهم در انتخاب ژنومی، برآورد اثر نشانگرها است. روش های مختلفی در طی سال های اخیر جهت برآورد اثر نشانگرها پیشنهاد شده ­اند که هر کدام ارزش های اصلاحی ژنومی را با صحت متفاوتی برآورد می نمایند. یکی از روش­های مورد استفاده در ارزیابی ژنومی روش رگرسیون ریج می ­باشد (rrBLUP) که در مطالعات مختلف برای پیش ­بینی ارزش­های اصلاحی ژنومی مورد استفاده قرار گرفته است. اخیرا با اعمال تغییراتی در پارامترهای روشrrBLUP نسخه­ ای از این روش تحت عنوان رگرسیون ریج-روش ششم (RR-m۶) برای حل مسائل رگرسیون پیشنهاد شده است. با این حال، تاکنون این روش در ارزیابی ژنومی صفات آستانه­ دار با معماری ژنتیکی افزایشی و غالبیت مورد استفاده قرار نگرفته است و عملکرد آن در این زمینه مشخص نیست. لذا در این تحقیق عملکرد پیش ­بینی این روش با سایر روش­ های رایج در ارزیابی ژنومی مقایسه شد. مواد و روش­ ها: ژنومی شامل ۱۰ کروموزوم، هر کدام حاوی ۱۰۰۰ نشانگر تک نوکلئوتیدی دو آللی (SNP) در سطح وراثت ­پذیری ۰/۵ شبیه­ سازی شد. به همه جایگاه های صفات کمی (QTLها) اثرات ژنتیکی افزایشی داده شد که اثرات آنها با توزیع گاما مدل­سازی شد. دو سناریو از تعدادQTL  به صورت ۱% و ۱۰% از تعداد کل SNPها (به ترتیب ۱۰ و ۱۰۰ QTL به ازاء هر کروموزوم) در نظر گرفته شد. همچنین در سناریوهای مختلف به ۰/۰، ۵۰ و ۱۰۰% از QTLها اثر غالبیت داده شد. ارزش­ های اصلاحی ژنومی با استفاده از روش ­های RR-m۶، rrBLUP، GBLUP، BayesA، درخت رگرسیونی (RT)، جنگل تصادفی (Random Forest, RF) و Boosting برآرود شده و شاخص­ های صحت پیش ­بینی، اریبی و پراکنش (تورم ارزش­های اصلاحی ژنومی) برای تجزیه و تحلیل ارزش­ های اصلاحی حاصل و مقایسه روش ­های مختلف مورد استفاده قرار گرفتند. در ضمن، زمان محاسباتی و میزان حافظه مورد نیاز برای پردازش کدهای مربوط به هر روش بر روی CPU محاسبه شد. یافته­ ها: نتایج نشان داد استفاده از یک مدل صرفا افزایشی زمانی که اثرات ژنتیک غالبیت در تنوع فنوتیپی صفت مشارکت داشته باشند، منجر به کاهش صحت و افزایش اریبی و پراکنش ارزش­های اصلاحی ژنومی خواهد شد که میزان آن با تعداد QTLهایی که اثر غالبیت دارند رابطه مستقیم داشت. در مقایسه با سایر روش­ ها، روش RR-m۶ عملکرد بسیار مطلوبی از خود نشان داد به صورتی­که در تمامی سناریوهای مطالعه شده، ارزش­ های اصلاحی ژنومی حاصل از آن از بیشترین صحت و کمترین اریبی و پراکنش برخوردار بود اگرچه در بیشتر موارد تفاوت آن با روش BayesA معنی ­دار نبود. از نظر سرعت محاسباتی روش RR-m۶ سریعترین روش­ ها بود و در ضمن در مقایسه با سایر روش­ ها به حافظه کمتری برای انجام تجزیه و تحلیل ها احتیاج داشت. نتیجه گیری: نتایج نشان داد از آن­جا که روش RR-m۶ ارزش­های اصلاحی ژنومی را با صحت بالایی پیش ­بینی می ­کند و در ضمن از نظر مدت زمان انجام محاسبات و میزان حافظه مورد نیاز نیز بسیار کارآمد است، می­ توان از آن برای ارزیابی ژنومی صفات آستانه دار استفاده نمود.

Dominance genetic effects, Genomic selection, QTL, Single nucleotide polymorphism, انتخاب ژنومی, اثرات ژنتیکی غالبیت, نشانگر تک نوکلئوتیدی دو آللی, QTL