سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات158
تعداد شماره‌ها6,226
تعداد مقالات67,703
تعداد مشاهده مقاله115,009,284
تعداد دریافت فایل اصل مقاله89,691,867
عزیزی, زهرا, مرادی شهر بابک, حسین, مرادی شهر بابک, محمد. (1396). مقایسة روش‌های PCA و DAPC در تجزیه‌وتحلیل ساختار جمعیتی گاومیش‌های ایران با تراشه‌های اسنیپ 90k. , 48(2), 153-161. doi: 10.22059/ijas.2017.213547.653461
زهرا عزیزی; حسین مرادی شهر بابک; محمد مرادی شهر بابک. "مقایسة روش‌های PCA و DAPC در تجزیه‌وتحلیل ساختار جمعیتی گاومیش‌های ایران با تراشه‌های اسنیپ 90k". , 48, 2, 1396, 153-161. doi: 10.22059/ijas.2017.213547.653461
عزیزی, زهرا, مرادی شهر بابک, حسین, مرادی شهر بابک, محمد. (1396). 'مقایسة روش‌های PCA و DAPC در تجزیه‌وتحلیل ساختار جمعیتی گاومیش‌های ایران با تراشه‌های اسنیپ 90k', , 48(2), pp. 153-161. doi: 10.22059/ijas.2017.213547.653461
عزیزی, زهرا, مرادی شهر بابک, حسین, مرادی شهر بابک, محمد. مقایسة روش‌های PCA و DAPC در تجزیه‌وتحلیل ساختار جمعیتی گاومیش‌های ایران با تراشه‌های اسنیپ 90k. , 1396; 48(2): 153-161. doi: 10.22059/ijas.2017.213547.653461

مقایسة روش‌های PCA و DAPC در تجزیه‌وتحلیل ساختار جمعیتی گاومیش‌های ایران با تراشه‌های اسنیپ 90k

علوم دامی ایران
مقاله 1، دوره 48، شماره 2، شهریور 1396، صفحه 153-161    اصل مقاله (654.74 K)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22059/ijas.2017.213547.653461
نویسندگان
زهرا عزیزی1؛ حسین مرادی شهر بابک* 2؛ محمد مرادی شهر بابک3
1دانشجوی سابق دکتری ژنتیک و اصلاح دام، گروه علوم دامی، دانشکدة کشاورزی، دانشگاه تبریز
2استادیار گروه علوم دامی، پردیس کشاورزی و منابع طبیعی دانشگاه تهران، کرج
3استاد گروه علوم دامی، پردیس کشاورزی و منابع طبیعی دانشگاه تهران، کرج
چکیده
اطلاع از ساختار ژنتیکی جمعیت دام‌ها در راستای اجرای بهتر برنامه­های اصلاح نژادی و حفظ ذخایر ژنتیکی آن‌ها بسیار ارزشمند است. داده‌های ژنگانی (ژنومی) فرصتی برای حل پیچیدگی تاریخچة تکاملی جمعیت­ها و بازسازی رویدادهای تاریخی نادر، را فراهم می­آورند. در این پژوهش برای ارزیابی ساختار جمعیتی گاومیش‌های ایران روش‌های تجزیه‌وتحلیل مؤلفه‌های اصلی (PCA) و تجزیه‌وتحلیل جداسازی مؤلفه‌های اصلی (DAPC) اجرا شد. از شمار 404 گاومیش از سه نژاد شمالی، آذری و خوزستانی خون‌گیری شد و تعیین ژنوتیپ با تراشه‌های اسنیپ 90k توسط شرکت پادانو در کشور ایتالیا انجام شد. نتایج به‌دست‌آمده از تجزیة مؤلفه­های اصلی و تجزیة جداسازی مؤلفه­های اصلی، جداسازی سه نژاد را به‌خوبی نشان داد و هر دو تصویر آشکاری از ساختار ژنتیکی جمعیت‌های مورد بررسی را نشان دادند. در روش DAPC، برای ارزیابی شمار بهینة خوشه با معیار ارزیابی BIC، K=3 بهترین نتیجه را نشان داد. نتایج اعتبارسنجی متقابل برای نگه‌داشتن شمار مؤلفة اصلی بهینه برای تجزیه‌وتحلیل تشخیصی، 50 مؤلفة اول MSE کمتری نسبت به مؤلفه­های دیگر داشت. در این بررسی روش DAPC احتمال‌ عضویت افراد جمعیت‌ها را با درستی 100 درصد پیش‌بینی کرد ولی روش­ PCA قادر به ارزیابی گروه‌ها نبوده و برای به دست آوردن تصویر روشن از واریانس بین جمعیت‌ها DAPC مناسب‌تر از PCA عمل می­کند. روش DAPC در بررسی ساختار جمعیتی  نسبت به روش PCA به دلیل افزایش واریانس بین گروه­ها و کاهش واریانس درون گروه­ها و همچنین ارائة تصویر آشکاری از ساختار جمعیتی کارآمد بود و می­تواند در کنترل کیفیت و تصحیح لایه‌بندی جمعیتی در بررسی‌های ارتباطی جایگزینی برای PCA باشد.
کلیدواژه‌ها
تراشه‌های اسنیپ؛ ساختار جمعیتی؛ گاومیش؛ PCA؛ DAPC
عنوان مقاله [English]
Comparison of PCA and DAPC methods for analysis of Iranian Buffalo population structure using SNPchip90k data
نویسندگان [English]
Zahra Azizi1؛ Hossein Moradi Shahrbabak2؛ Mohammad Moradi Shahrbabak3
1Former Ph.D. Student, Department of Animal Sciences, Faculty of Agricultural Sciences, University of Tabriz, Iran
2Assistant Professor, Department of Animal Sciences, University College of Agriculture and Natural Resources, University of Tehran, Karaj, Iran
3Professor, Department of Animal Sciences, University College of Agriculture and Natural Resources, University of Tehran, Karaj, Iran
چکیده [English]
Understanding of population genetic structure is valuable for better implementation of breeding programs and most importantly, preservation of genetic resources. Genomic data provide an opportunity to consider complex evolutionary history of populations and reconstruct rare historical events. In this research, the structure of Iranian buffalo populations was studied by using principal component analysis and discriminant analysis principal component methods. For this purpose, the number of 404 buffalos from three breeds including North, Azari and Khozestani were sampled and genotyped by SNPChip 90k from Padano Company in Italy. The results of principal component analysis and discriminant analysis principal component showed a clear picture of the genetic structure of the studied populations. Assessing the optimal number of clusters with criteria BIC, K = 3 by the DAPC method showed the best results. The result of cross-validation for retaining principal components was optimized to 50 first components that showed the lowest MSE. In this study, DAPC predicted assignment of individuals to clusters and membership probabilities with 100% accuracy. PCA method was not able to provide a group assessment and DAPC method outperformed than PCA in achieving a clear variance difference between populations. DAPC method can be applied in quality control and stratification population correction of GWAS as an alternative to the PCA because of summarizing the genetic differentiation between groups and overlooking within-group variation and providing better population structure.
کلیدواژه‌ها [English]
Buffalo, DAPC, PCA, SNPChip, structure population
مراجع
  1. Abdi, H. (2007). Bonferroni and Šidák corrections for multiple comparisons. Encyclopedia of Measurement and Statistics, pp. 103-107.
  2. Agricultural ministry statistics. (2012).Tehran, Ministry of Agriculture, Deputy Director of Planning and Economics, Technology Center of Information and Communication. Vol 2. (in Farsi)
  3. Alberts, C.C., Ribeiro-Paes, J. T., Aranda-Selverio, G., Cursino-Santos, J. R., Moreno-Cotulio, V. R., Oliveira, A. L., Porchia, B. F., Santos, W. F. & Souza, E. B. (2010). DNA extraction from hair shafts of wild Brazilian felids and canids. Genet Mol Res, 9(4), 2429-2435.
  4. Barendse, W., Harrison, B. E., Bunch, R. J., Thomas, M. B. & Turner, L. B. (2009). Genome wide signatures of positive selection: the comparison of independent samples and the identification of regions associated to traits. BMC Genomics, 10(1), 178.
  5. Ekblom, R. & Galindo, J. (2011). Applications of next generation sequencing in molecular ecology of non-model organisms. Heredity, 107(1), 1-15.
  6. Epps, C. W., Castillo, J. A., Schmidt-Küntzel, A., du Preez, P., Stuart-Hill, G., Jago, M. & Naidoo, R. (2013). Contrasting historical and recent gene flow among African buffalo herds in the Caprivi Strip of Namibia. Journal of Heredity, ess142.
  7. Grimberg, J., Nawoschik, S., Belluscio, L., McKee, R., Turck, A. & Eisenberg, A. (1989). A simple and efficient non-organic procedure for the isolation of genomic DNA from blood. Nucleic Acids Research, 17(20), 8390-8390.
  8. Jemaa, S. B., Boussaha, M., Mehdi, M. B., Lee, J. H. & Lee, S. H. (2015). Genome-wide insights into population structure and genetic history of Tunisian local cattle using the illumina bovinesnp50 beadchip. BMC Genomics, 16(1), 1.
  9. Jolliffe, I. (2002). Principal component analysis. Wiley Online Library.
  10. Jombart, T. & Collins, C. (2015). A tutorial for discriminant analysis of principal components (DAPC) using adegenet 2.0. 0. London: Imperial College London, MRC Centre for Outbreak Analysis and Modelling.
  11. Jombart, T., Devillard, S. & Balloux, F. (2010). Discriminant analysis of principal components: a new method for the analysis of genetically structured populations. BMC genetics, 11(1), 94.
  12. Laloë, D., Jombart, T.  Dufour, A.-B. & Moazami-Goudarzi, K.  (2007). Consensus genetic structuring and typological value of markers using multiple co-inertia analysis. Genetics Selection Evolution, 39(5), 1-23.
  13. Lao, O., Lu, T. T., Nothnagel, M., Junge, O., Freitag-Wolf, S., Caliebe, A., Balascakova, M., Bertranpetit, J., Bindoff, L. A. & Comas, D. (2008). Correlation between genetic and geographic structure in Europe. Current Biology, 18(16), 1241-1248.
  14. Lee, C., Abdool, A., & Huang, C.-H. (2009). PCA-based population structure inference with generic clustering algorithms. BMC bioinformatics, 10(Suppl 1), S73.
  15. Li, Q. & Yu, K. (2008). Improved correction for population stratification in genome‐wide association studies by identifying hidden population structures. Genetic epidemiology, 32(3), 215-226.
  16. Liu, N. & Zhao, H. (2006). A non-parametric approach to population structure inference using multilocus genotypes. Human genomics, 2(6), 1.
  17. Patterson, N., Price, A. L.  & Reich, D. (2006). Population structure and eigenanalysis. PLoS Genet, 2(12), e190.
  18. Peason, K. (1901). On lines and planes of closest fit to systems of point in space. Philosophical Magazine, 2, 559-572.
  19. Pometti, C. L., Bessega, C. F., Saidman, B. O. & Vilardi, J. C. (2014). Analysis of genetic population structure in Acacia caven (Leguminosae, Mimosoideae), comparing one exploratory and two Bayesian-model-based methods. Genetics and Molecular Biology, 37(1), 64-72.
  20. Price, A. L., Patterson, N. J., Plenge, R. M.,  Weinblatt, M. E., Shadick, N. A. & Reich, D. (2006). Principal components analysis corrects for stratification in genome-wide association studies. Nature Genetics, 38(8), 904-909.
  21. Sethuraman, A. (2013). On inferring and interpreting genetic population structure-applications to conservation, and the estimation of pairwise genetic relatedness. Ph.D. Thesis.Iowa State University, Paper 13332. U.S.
  22. Teo, Y. Y., Fry, A. E., Clark, T. G., Tai, E. & Seielstad, M. (2007). On the usage of HWE for identifying genotyping errors. Annals of Human genetics, 71(5), 701-703.
  23. Thomas, D. C. & Witte, J. S. (2002). Point: population stratification: a problem for case-control studies of candidate-gene associations? Cancer Epidemiology Biomarkers & Prevention, 11(6), 505-512.
  24. Wacholder, S., Rothman, N. & Caporaso, N. (2002). Counterpoint: bias from population stratification is not a major threat to the validity of conclusions from epidemiological studies of common polymorphisms and cancer. Cancer Epidemiology Biomarkers & Prevention, 11(6), 513-520.
آمار
تعداد مشاهده مقاله: 1,510
تعداد دریافت فایل اصل مقاله: 961


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب