پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 114,978,659 |
| تعداد دریافت فایل اصل مقاله | 89,650,492 |
مقایسه روشهای گوناگون ارزیابی ژنومیک در صفاتی با معماری ژنتیکی متفاوت | ||
| تولیدات دامی | ||
| مقاله 7، دوره 15، شماره 1، تیر 1392، صفحه 65-77 اصل مقاله (535.57 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jap.2013.36604 | ||
| نویسندگان | ||
| رستم عبداللهی آرپناهی1؛ عباس پاکدل* 2؛ اردشیر نجاتی جوارمی2؛ محمد مرادی شهربابک3 | ||
| 1دانشجوی دکتری گروه علوم دامی، دانشکدۀ علوم زراعی و دامی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج‌ـ‌ایران | ||
| 2دانشیار گروه علوم دامی، دانشکدۀ علوم زراعی و دامی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج‌ـ‌ایران | ||
| 3استاد گروه علوم دامی، دانشکدۀ علوم زراعی و دامی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج‌ـ‌ایران | ||
| چکیده | ||
| هدف از انجام تحقیق حاضر، مقایسۀ روشهای گوناگون آماری در پیش‌بینی ارزشهای اصلاحی ژنومیک برای صفاتی با معماری ژنتیکی متفاوت از‌نظر توزیع تأثیرات ژنی و نیز تعداد متفاوت جایگاههای صفت کمّی (QTLs) با‌استفاده از شبیهسازی کامپیوتری است. بدین منظور، ژنومی حاوی 500 نشانگر تک‌نوکلئوتیدی دوآللی (SNP) روی کروموزومی به طول 100 سانتی‌‌مورگان شبیهسازی، و توزیعهای متفاوت تأثیرات ژنی (یکنواخت، نرمال، و گاما) و نیز سه تعداد QTL (50، 100 و 200) به‌صورت فرضیه‌های شبیهسازی صفت روی آن درنظر گرفته شد. بدین ترتیب نه صفت با معماری ژنتیکی متفاوت ایجاد شد. به‌منظور پیش‌بینی ارزشهای اصلاحی افراد موجود در جمعیتهای مرجع و تأیید، از شش روش بهترین پیش‌بینی نااریب خطی ژنومیک[1] (GBLUP)، رگرسیون ریدج[2] (RRBLUP)، بیز A (BayesA)، بیز B (BayesB)، بیز Cπ (BayesCπ)، و بیز L (BayesL) استفاده گردید. با افزایش فاصلۀ بین نسل مرجع و نسل تأیید ناشی از برهم‌خوردن فاز لینکاژ، صحت ارزشهای اصلاحی ژنومیک در تمام روشها کاهش معنیداری نشان داد (05/0P<). همچنین زمانیکه توزیع تأثیر ژنی گاما بود روشهای بیزی در مقایسه با روش GBLUP و RRBLUP برتری آشکاری نشان دادند. هنگامی‌که توزیع تأثیرات ژنی نرمال بود، بیشترین صحت ارزشهای اصلاحی به‌دست آمد. با افزایش تعداد QTLها به‌سمت 200، صحت ارزشهای اصلاحی ژنومیک کاهش یافت. نتایج این تحقیق نشان داد که در‌مجموع روشهای بیزی و GBLUP از‌نظر صحت ارزشهای اصلاحی پیشبینیشده در مقایسه با روش RRBLUP عملکرد بهتری دارند. نتایج تحقیق حاضر نشان می‌دهد هنگامی‌که معماری صفات بررسی‌شده از مدل تعداد زیاد جایگاه ژنی پیروی نکند، معمولاً روشهای بیزی بر روشهای GBLUP و RRBLUP ارجحیت دارند. 1. Genomic-Best Linear Unbiased Prediction 2. Ridge Regression | ||
| کلیدواژه‌ها | ||
| ارزش اصلاحی؛ روشهای بیزی؛ ژنوم؛ معماری ژنتیک | ||
| عنوان مقاله [English] | ||
| Comparison of genomic evaluation methods in complex traits with different genetic architecture | ||
| نویسندگان [English] | ||
| Rostam Abdollahi-Arpanahi1؛ Abas Pakdel2؛ Ardeshir Nejati-Javaremi2؛ Mohammad Moradi Shahrbabak3 | ||
| 1Ph.D. Student, Department of Animal Sciences, University College of Agriculture & Natural Resources, University of Tehran, Karaj, Iran | ||
| 2Associate Professor, Department of Animal Sciences, University College of Agriculture & Natural Resources, University of Tehran, Karaj, Iran | ||
| 3Professor, Department of Animal Sciences, University College of Agriculture & Natural Resources, University of Tehran, Karaj, Iran | ||
| چکیده [English] | ||
| The objective of this study was to compare six statistical methods for prediction of genomic breeding values for traits with different genetic architecture in term of gene effects distributions and number of Quantitative Traits Loci (QTLs). A genome consisted of 500 bi-allelic single nucleotide polymorphism (SNP) markers distributed over a chromosomes with 100 cm length was simulated. Three different gene effects distributions (uniform, normal and gamma) were considered. Number of QTLs varied from 50 to 200. Finally, nine quantitative traits with different genetic architecture were generated. The performance of six statistical methods of genomic prediction that differ with respect to assumptions regarding distribution of marker effects, including i) Genomic Best Linear Unbiased Prediction (GBLUP), ii) Ridge Regression Best Linear Unbiased Prediction (RRBLUP), iii) Bayes A, iv) Bayes B, v) Bayes C, and vi) Bayesian least absolute shrinkage and selection operator (Bayes L) are presented. The accuracy of prediction declined significantly over generations (P< 0.05) but Bayesian methods outperformed GBLUP and RRBLUP in persistence of accuracy of genomic estimated breeding values over generations. Bayesian methods were superior to GBLUP and RRBLUP when the gene effects distribution generated from gamma distribution. The highest accuracy of genomic breeding values was observed when the gene effects come from normal distribution. In all statistical evaluation methods with increasing the number of QTLs towards 200, the accuracy of predicted genomic values has been decreased. In general, Bayesian and GBLUP methods performed better in prediction than RRBLUP method. These results gave some evidences that when the genetic architecture of quantitative traits deviated from infinitesimal model assumptions, Bayesian methods usually perform better than GBLUP and RR-BLUP. | ||
| کلیدواژه‌ها [English] | ||
| Breeding value, bayesian methods, Genetic Architecture, Genome | ||
| مراجع | ||
|
1 . Abdollahi-Arpanahi R, Pakdel A and Zandi-Baghchehmaryam MB (2012) From infinitesimal model to Genomic Selection. Modern Genetics. 17(2): 105-114 (in Persian). 2 . Bostan A, Nejati Javaremi A, Moradi Shahr Babak M and Saatchi M (2012) Using the dense molecular markers near the specific trait major genes for genomic prediction. Iranian Journal of Animal Science. 44(1): 53-60. (in Persian) 3 . Cole JB, VanRaden PM, O'Connell JR, Van Tassell CP, Sonstegard TS, Schnabel RD, Taylor JF and Wiggans GR (2009) Distribution and location of genetic effects for dairy traits. Dairy Science. 92(6): 2931-46. 4 . Colombani C, Legarra A, Fritz S, Guillaume F, Croiseau P, Ducrocq V and Robert-Granié C (2012) Application of Bayesian least absolute shrinkage and selection operator (LASSO) and BayesCp methods for genomic selection in French Holstein and Montbéliarde breeds. Dairy Science. 96: 575-591. 5 . Daetwyler HD, Calus MP, Pong-Wong R, De Los Campos G and Hickey JM (2013) Genomic prediction in animals and plants: simulation of data, validation, reporting, and benchmarking. Genetics. 193: 347-65. 6 . Daetwyler HD, Pong-Wong R, Villanueva B and Woolliams JA (2010) The impact of genetic architecture on genome-wide evaluation methods. Genetics. 185(3): 1021-31. 7 . De los Campos G, Gianola D and Rosa GJM (2009) Reproducing kernel Hilbert spaces regression: A general framework for genetic evaluation. Animal Science. 87: 1883-1887. 8 . De Los Campos G, Hickey JM, Pong-Wong R, Daetwyler HD and Calus MP (2013) Whole-genome regression and prediction methods applied to plant and animal breeding. Genetics. 193: 327-45. 9 . De los Campos G and Perez PR (2012) BGLR: Bayesian Generalized Linear Regression. R Package. http://bglr.r-forge.r-project.org/ 10 . Gianola D, Fernando RL and Stella A (2006) Genomic-assisted prediction of genetic value with semiparametric procedures. Genetics. 173(3): 1761-76. 11 . Habier D, Fernando RL and Dekkers JC (2007) The impact of genetic relationship information on genome-assisted breeding values. Genetics. 177(4): 2389-2397. 12 . Habier D, Fernando RL, Kizilkaya K and Garrick DJ (2011) Extension of the Bayesian alphabet for genomic selection. BMC Bioinformatics. 12(1): 186. 13 . Hayes BJ, Pryce J, Chamberlain AJ, Bowman PJ and Goddard ME (2010) Genetic architecture of complex traits and accuracy of genomic prediction: coat color, milk-fat percentage, and type in Holstein cattle as contrasting model traits. PLOS Genetics. 6(9): 1001139. 14 . Hoerl AE and Kennard RW (1970) Ridge regression: Biased estimation for nonorthogonal problems. Technometrics. 12(1): 55-67. 15 . Meuwissen TH, Hayes BJ and Goddard ME (2001) Prediction of total genetic value using genome-wide dense marker maps. Genetics. 157(4): 1819-1829. 16 . Muir WM (2007) Comparison of genomic and traditional BLUP-estimated breeding value accuracy and selection response under alternative trait and genomic parameters. Animal Breeding and Genetics. 124: 342-355. 17 . Nejati-Javaremi A, Smith C and Gibson JP (1997) Effect of total allelic relationship on accuracy of evaluation and response to selection. Animal Science. 7(5): 1738-1745. 18 . Park T and Casella G (2008) The bayesian lasso. American Statistical Association. 103(482): 681-686. 19 . Resende MFR, Muñoz P, Resende MD, Garrick DJ, Fernando RL, Davis JM, Jokela EJ, Martin TA, Peter GF and Kirst M (2012) Accuracy of Genomic Selection Methods in a Standard Data Set of Loblolly Pine (Pinus taeda L.). Genetics. 190: 1503-1510. 20 . Schaeffer LR (2006) Strategy for applying genome-wide selection in dairy cattle. Journal of Animal Breeding and Genetics. 123: 218-223. 21 . Shirali M, Miraei-Ashtiani SR, Pakdel A, Haley C and Pong-Wong R( 2012) Comparison between Bayesc and GBLUP in Estimating Genomic Breeding Values under Different QTL Variance Distributions, in Abstract from ICQG2012 - 4th International Conference on Quantitative Genetics, . Edinburgh, United Kingdom. 261-268. 22 . Swami M (2010) Complex traits: Using genetic architecture to improve predictions. Nature Review Genetics. 11(11): 748. 23 . Technow FR (2011) Package hypred: Simulation of Genomic Data in Applied Genetics. University of Hohenheim. 24 . VanRaden PM (2008) Efficient Methods to Compute Genomic Predictions. Dairy Science. 91: 4414-4423. 25 . Wimmer V, Lehermeier C, Albrecht T, Auinger H-J, Wang Y, Schön C-C (2013) Genome-Wide Prediction of Traits with Different Genetic Architecture Through Efficient Variable Selection. Genetics. 195: 573-587. 26 . Wolc A, Arango J, Settar P, Fulton JE, O'Sullivan NP, Preisinger R, Habier D, Fernando R, Garrick DJ and Dekkers JC (2011) Persistence of accuracy of genomic estimated breeding values over generations in layer chickens. Genetics Selection Evolution. 43: 23.
| ||
|
آمار تعداد مشاهده مقاله: 3,375 تعداد دریافت فایل اصل مقاله: 3,649 |
||