پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,573 |
| تعداد مقالات | 71,033 |
| تعداد مشاهده مقاله | 125,502,719 |
| تعداد دریافت فایل اصل مقاله | 98,766,876 |
بررسی تغییر نسبت واریانس پلیژنی باقیمانده بر توانایی پیش بینی ارزیابی ژنومی نتاج آمیخته | ||
| علوم دامی ایران | ||
| دوره 55، شماره 2، تیر 1403، صفحه 339-348 اصل مقاله (1.51 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijas.2023.359139.653946 | ||
| نویسندگان | ||
| سمیه بارانی1؛ سید رضا میرائی آشتیانی* 2؛ اردشیر نجاتی جوارمی1؛ هادی دکتر هادی اسفندیاری3؛ مجید خان سفید4 | ||
| 1گروه علوم دامی، دانشکده .کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
| 2گروه علوم دامی، دانشکدگان .کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
| 3سازمان ملی پرورش و اصلاح‌نژاد گاو گوشتی(TYR)، هامار، نروژ. | ||
| 4بخش تحقیقات کشاورزی، وزارت کشاورزی استرالیا ، ویکتوریا، باندورا، استرالیا گروه زیست شناسی سامانه های کاربردی، دانشگاه لاتروب، | ||
| چکیده | ||
| ارزیابی ژنومی نتاج آمیخته به دلیل محدودیت دسترسی به شجره، ژنوتیپ و عملکرد آنها، معمولا بر اساس اطلاعات جمعیتهای خالص والدینی با هدف بهبود عملکرد نتاج آمیخته انجام میگیرد. به کارگیری ارزیابی ژنومی تکمرحلهای (ssGBLUP) علیرغم استفاده همزمان از اطلاعات حیوانات تعیین ژنوتیپ شده و فاقد ژنوتیپ برای افزایش توانایی پیشبینی، به دلیل عدم سازگاری ماتریسهای خویشاوندی ژنومی و شجرهای، ممکن است موجب پراکندگی بیشتر و اریب رو به بالا ارزش اصلاحی پیشبینی شده نسبت به روش BLUP شود. لذا در این مطالعه توانایی پیشبینی ارزش اصلاحی ژنومی افراد آمیخته بر اساس اطلاعات شبیه سازی شده جمعیتهای خالص والدینی و نتاج آمیخته با استفاده از روش ssGBLUP با در نظر گرفتن نسبتهای مختلف واریانس پلیژنی باقیمانده بررسی شده است. بر اساس نتیجه این پژوهش استفاده از نسبتهای مختلف واریانس پلیژنی باقیمانده (β) در ترکیب ماتریس خویشاوندی ژنومی و شجرهای، تاثیر قابل ملاحظهای بر صحت، اریب، پراکندگی پیشبینی ارزشاصلاحی ژنومی افراد آمیخته ندارد. بعلاوه در امتزاج ماتریس های خویشاوندی ژنومی و خویشاوندی شجرهای، نسبتهای مختلف واریانس پلیژنی باقیمانده(β) در مدت زمان رسیدن به نقطه همگرایی اثری نداشت. بنابراین برای سادگی بیشتر مدل، استفاده از حالت پیشفرض β (معادل 05/0) در تشکیل معکوس ماتریس خویشاوندی قابل توصیه میباشد. | ||
| کلیدواژه‌ها | ||
| آمیخته گری؛ ارزیابی ژنومی تکمرحلهای؛ توانایی پیشبینی؛ شبیه‌سازی | ||
| عنوان مقاله [English] | ||
| Investigating the fluctuations of residual polygenic variance on predictive ability of genomic breeding values of crossbred progeny | ||
| نویسندگان [English] | ||
| Somayeh Barani1؛ S Reza Miraei-Ashtiani2؛ Ardeshir Nejati-Javaremi1؛ Hadi Esfandyari3؛ Majid Khansefid4 | ||
| 1Department of Animal Science, College of Agriculture and Natural Resources, University of Tehran, Karaj, Iran | ||
| 2Department of Animal Science, College of Agriculture and Natural Resources, University of Tehran, Karaj, Iran | ||
| 3Norwegian Beef Cattle Organizations, TYR, Hamar, Norway | ||
| 4Agriculture Victoria Research, Bundoora, VIC 3083, Australia School of Applied Systems Biology, La Trobe University, Bundoora, VIC 3083, Australia | ||
| چکیده [English] | ||
| Genomic evaluation of crossbred progeny due to their limited pedigree and lack of genotyping and performance accessibility is inevitably based on the information from purebred parental populations to increase crossbred performance. Despite the fact that single-step genomic evaluation (ssGBLUP) method can use information from both genotyped and non-genotyped animals simultaneously, leading to more accurate genomic estimated breeding values, but due to the incompatibility of the genomic and pedigree relationship matrices, it might lead to dispersion (inflation/deflation) and bias in the estimated breeding values higher than that with the BLUP method. Therefore, in this study, the prediction ability of the genomic breeding value of crossbred progeny was investigated based on the ssGBLUP method and simulation data of the purebred parents and crossbred population, considering the different scaling factor of residual polygenic variance. Based on the results of this study, the use of different ratio of residual polygenic (β) variance to incorporate the genomic and pedigree relationship matrices did not considerably affect the accuracy, bias and dispersion of the predicted genomic breeding values in crossbred progeny. In addition, the effect of proportion of residual polygenic variance (β) in blending the genomic and pedigree relationship matrices does not significantly affect the convergence point. Therefore, to simplify the model, the default value of β (0.05) might be used in the inverse of the relationship matrix. | ||
| کلیدواژه‌ها [English] | ||
| Crossbreeding, Single step genomic evaluation, Prediction ability, Simulation | ||
| مراجع | ||
|
Aguilar, I., Fernandez, E. N., Blasco, A., Ravagnolo, O., & Legarra, A. (2020). Effects of ignoring inbreeding in model‐based accuracy for BLUP and SSGBLUP. Journal of animal breeding and genetics, 137(4), 356-364. Alvarenga, A. B., Veroneze, R., Oliveira, H. R., Marques, D. B., Lopes, P. S., Silva, F. F., & Brito, L. F. (2020). Comparing alternative single-step GBLUP approaches and training population designs for genomic evaluation of crossbred animals. Frontiers in Genetics, 263. Brown, D., Swan, A., Boerner, V., Li, L., Gurman, P., McMillan, A., Van der Werf, J., Chandler, H., Tier, B., & Banks, R. (2018). Single-step genetic evaluations in the Australian sheep industry. Proceedings of the world congress on genetics applied to livestock production, Esfandyari, H., Sørensen, A. C., & Bijma, P. (2015). Maximizing crossbred performance through purebred genomic selection. Genetics Selection Evolution, 47(1), 1-16. Falconer, D. S. (1996). Introduction to quantitative genetics. Pearson Education India. Fragomeni, B. O., Lourenco, D. A., Masuda, Y., Legarra, A., & Misztal, I. (2017). Incorporation of causative quantitative trait nucleotides in single-step GBLUP. Genetics Selection Evolution, 49(1), 1-11. Hollifield, M. K., Bermann, M., Lourenco, D., & Misztal, I. (2022). Impact of blending the genomic relationship matrix with different levels of pedigree relationships or the identity matrix on genetic evaluations. JDS communications, 3(5), 343-347. Kluska, S., Masuda, Y., Ferraz, J. B. S., Tsuruta, S., Eler, J. P., Baldi, F., & Lourenco, D. (2021). Metafounders May Reduce Bias in Composite Cattle Genomic Predictions. Frontiers in Genetics, 1440. Legarra, A., Aguilar, I., & Misztal, I. (2009). A relationship matrix including full pedigree and genomic information. Journal of dairy science, 92(9), 4656-4663. Legarra, A., Christensen, O. F., Aguilar, I., & Misztal, I. (2014). Single Step, a general approach for genomic selection. Livestock Science, 166, 54-65. Liu, Z., Goddard, M., Reinhardt, F., & Reents, R. (2014). A single-step genomic model with direct estimation of marker effects. Journal of dairy science, 97(9), 5833-5850. Lourenco, D., Legarra, A., Tsuruta, S., Masuda, Y., Aguilar, I., & Misztal, I. (2020). Single-step genomic evaluations from theory to practice: using SNP chips and sequence data in BLUPF90. Genes, 11(7), 790. Lourenco, D., Tsuruta, S., Fragomeni, B., Chen, C., Herring, W., & Misztal, I. (2016). Crossbreed evaluations in single-step genomic best linear unbiased predictor using adjusted realized relationship matrices. Journal of animal science, 94(3), 909-919. Masuda, Y., VanRaden, P. M., Tsuruta, S., Lourenco, D. A., & Misztal, I. (2022). Invited review: Unknown-parent groups and metafounders in single-step genomic BLUP. Journal of dairy science, 105(2), 923-939. Meyer, K., Tier, B., & Swan, A. (2018). Estimates of genetic trend for single-step genomic evaluations. Genetics Selection Evolution, 50, 1-11. Misztal, I. (2017). Studies on inflation of GEBV in single-step GBLUP for type. Interbull Bulletin(51). Misztal, I., Stein, Y., & Lourenco, D. (2022). Genomic evaluation with multibreed and crossbred data. JDS communications. Misztal, I., Tsuruta, S., Lourenco, D., Aguilar, I., Legarra, A., & Vitezica, Z. (2014). Manual for BLUPF90 family of programs. Athens: University of Georgia, 199. Neves, H. H., Carvalheiro, R., & Queiroz, S. A. (2012). A comparison of statistical methods for genomic selection in a mice population. BMC genetics, 13(1), 1-17. Pahlavan, R., Abdollahi-Arpanahi, R., Afrazandeh, M., Nazari, B. M., & Kazemi, A. (2023). Scaling factor assessment in Single-Step GBLUP evaluations for small genotyped populations: a case study on Iranian Holstein cattle. Livestock Science, 105287. Sargolzaei, M., & Schenkel, F. S. (2009). QMSim: a large-scale genome simulator for livestock. Bioinformatics, 25(5), 680-681. Tsuruta, S., Lourenco, D., Masuda, Y., Misztal, I., & Lawlor, T. (2019). Controlling bias in genomic breeding values for young genotyped bulls. Journal of dairy science, 102(11), 9956-9970. Van Grevenhof, I. E., & Van der Werf, J. H. (2015). Design of reference populations for genomic selection in crossbreeding programs. Genetics Selection Evolution, 47(1), 1-9. VanRaden, P., Tooker, M., Chud, T., Norman, H., Megonigal Jr, J., Haagen, I., & Wiggans, G. (2020). Genomic predictions for crossbred dairy cattle. Journal of dairy science, 103(2), 1620-1631. VanRaden, P. M. (2008). Efficient methods to compute genomic predictions. Journal of dairy science, 91(11), 4414-4423. Vitezica, Z., Aguilar, I., Misztal, I., & Legarra, A. (2011). Bias in genomic predictions for populations under selection. Genetics Research, 93(5), 357-366. Wientjes, Y. C., Bijma, P., Vandenplas, J., & Calus, M. P. (2017). Multi-population genomic relationships for estimating current genetic variances within and genetic correlations between populations. Genetics, 207(2), 503-515. | ||
|
آمار تعداد مشاهده مقاله: 235 تعداد دریافت فایل اصل مقاله: 226 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب