سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات158
تعداد شماره‌ها6,225
تعداد مقالات67,685
تعداد مشاهده مقاله114,949,643
تعداد دریافت فایل اصل مقاله89,622,456
الهی نژاد, الهام, مهربان, حسین, شخصی نیائی, مصطفی. (1396). برآورد صحت ارزش های اصلاحی صفات پیچیده در جمعیت‌های بدون شجره با استفاده از نشانگرهای متراکم. , 48(2), 163-174. doi: 10.22059/ijas.2017.228764.653517
الهام الهی نژاد; حسین مهربان; مصطفی شخصی نیائی. "برآورد صحت ارزش های اصلاحی صفات پیچیده در جمعیت‌های بدون شجره با استفاده از نشانگرهای متراکم". , 48, 2, 1396, 163-174. doi: 10.22059/ijas.2017.228764.653517
الهی نژاد, الهام, مهربان, حسین, شخصی نیائی, مصطفی. (1396). 'برآورد صحت ارزش های اصلاحی صفات پیچیده در جمعیت‌های بدون شجره با استفاده از نشانگرهای متراکم', , 48(2), pp. 163-174. doi: 10.22059/ijas.2017.228764.653517
الهی نژاد, الهام, مهربان, حسین, شخصی نیائی, مصطفی. برآورد صحت ارزش های اصلاحی صفات پیچیده در جمعیت‌های بدون شجره با استفاده از نشانگرهای متراکم. , 1396; 48(2): 163-174. doi: 10.22059/ijas.2017.228764.653517

برآورد صحت ارزش های اصلاحی صفات پیچیده در جمعیت‌های بدون شجره با استفاده از نشانگرهای متراکم

علوم دامی ایران
مقاله 2، دوره 48، شماره 2، شهریور 1396، صفحه 163-174    اصل مقاله (1.03 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22059/ijas.2017.228764.653517
نویسندگان
الهام الهی نژاد1؛ حسین مهربان* 2؛ مصطفی شخصی نیائی3
1دانشجوی کارشناسی ارشد ژنتیک و اصلاح نژاد دام، گروه علوم دامی، دانشکده کشاورزی، دانشگاه شهرکرد
2استادیار ژنتیک و اصلاح نژاد دام، گروه علوم دامی، دانشکده کشاورزی، دانشگاه شهرکرد
3استادیار ژنتیک، گروه ژنتیک، دانشکده علوم، دانشگاه شهرکرد
چکیده
هدف از این پژوهش برآورد صحت ارزش­های اصلاحی ژنگانی با استفاده از مدلGBLUP (Genomic Best Linear Unbiased Prediction) و مقایسۀ آن با روش سنتی با (BLUP) و بدون شجره (BLUP_noPed) به وسیله همانندسازی رایانه­ای بود. در این تحقیق، ژنگانی با سی جفت کروموزوم به‌گونه‌ای همانند­سازی شد که شمار QTLها 3000 و شمار نشانگرها (SNP) 45000 جایگاه در نظر گرفته شدند. همچنین پیش‌فرض­های مختلف شامل دو جمعیت مؤثر 100 و 1000 رأسی، دو جمعیت مرجع 1000 و 2000 رأسی و مقادیر وراثت‌پذیری پایین (05/0)، متوسط (30/0) و بالا (50/0) بررسی شد و برای مقایسۀ مدل­ها از معیارهای صحت، اریبی و میانگین مربعات خطا استفاده گردید. نتایج نشان داد، با افزایش وراثت‌پذیری، صحت ارزش­های اصلاحی در روش­های سنتی و ژنگانی افزایش یافت؛ در همۀ پیش‌فرض‌ها مدل GBLUP صحت بیشتری نسبت به مدل BLUP_noPed داشت؛ اما روش ژنگانی عملکرد بهتری در وراثت­پذیری بالاتر نسبت به روش سنتی BLUP داشت. افزایش جمعیت مؤثر از 100 به 1000 منجر به کاهش صحت ارزش­های اصلاحی ژنگانی به میزان 11درصد شد؛ ولی تأثیری بر صحت ارزش­های اصلاحی روش­های سنتی نداشت. اما با افزایش جمعیت مرجع از 1000 به 2000 حیوان نسبت بهبود صحت ارزش­های اصلاحی ژنگانی به میزان 5درصد بهبود یافت. اگرچه در همۀ پیش‌فرض‌های اریبی (کم برآورد) روش ژنگانی نسبت به روش­های سنتی بیشتر بود؛ امّا با افزایش اندازۀ جمعیت مرجع و وراثت­پذیری، میانگین مربعات خطا در روش ژنگانی نسبت به روش سنتی BLUP کاهش یافت. بنابراین مدل GBLUP می­تواند برای انتخاب حیوانات برتر در جمعیت‌های بدون شجره استفاده شود.
کلیدواژه‌ها
انتخاب ژنگانی؛ جمعیت مؤثر؛ صحت؛ همانند‌سازی؛ وراثت‌پذیری
عنوان مقاله [English]
Estimating accuracy of genomic breeding values for complex traits in populations without pedigree using dense markers
نویسندگان [English]
Elham Elahinejad1؛ Hossein Mehrban2؛ Mostafa Shakhsi-Niaei3
1M.Sc. Student, Department of Animal Science, Faculty of Agriculture, Shahrekord University, Shahrekord, Iran
2Assistant Professor, Department of Animal Science, Faculty of Agriculture, Shahrekord University, Shahrekord, Iran
3Assistant Professor, Department of Genetics, Faculty of Science, Shahrekord University, Shahrekord, Iran
چکیده [English]
The aim of this study was to estimate the accuracy of genomic breeding values using GBLUP (Genomic Best Linear Unbiased Prediction) model and compare it with the traditional method with (BLUP) and without (BLUP_noPed) pedigree by computer simulation. In this study, a genome with 30 pairs of chromosomes, 3000 QTL and 45000 marker (SNP) was simulated. The different scenarios including two effective population of 100 and 1000 animals, two reference population size of 1000 and 2000 animals and three heritabilities, low (0.05), medium (0.30) and high (0.5)  were investigated. The criteria were accuracy, bias and mean square error (MSE) of breeding value to compare traditional and genomic methods. The results showed that the accuracy of breeding values increased with increasing heritability. GBLUP mehtod was more accurate than BLUP_noPed in all scenarios and the former model had more performance in higher heritability compared with BLUP model. The accuracy of genomic breeding values decreased about 11% with increasing effective population size 100 to 1000; however, the accuracy of traditional methods was not affected by changing effective population size. Increasing the reference population size 1000 to 2000, the accuracy of genomic breeding values was improved by 5%. Although, the bias (underestimate) was higher for genomic than traditional methods in all scenario; but the MSE of breeding values was lower for GBLUP than BLUP model with increasing reference population size and heritability. Therefore, GBLUP method can be used to select top animals in populations without pedigree.
کلیدواژه‌ها [English]
Accuracy, effective population, Genomic Selection, heritability, simulation
مراجع
  1. Abdollahi-Arpanahi, R., Pakdel, A. & Zandi- Baghchehmaryam, M. B. (2012). From infinitesimal model to Genomic Selection. Modern Genetics, 17(2), 105-114. (in Farsi)
  2. Aguilar, I., Misztal, I., Tsuruta, S., Legarra, A. & Wang, H. (2014). PREGSF90–POSTGSF90: computational tools for the implementation of single-step genomic selection and genome-wide association with ungenotyped individuals in BLUPF90 programs. In: Proceedings of 10th World Congress of Genetics Applied to Livestock Production, 17-22 Aug., Vancouver, Canada, pp. 1-3.
  3. Baloche, G., Legarra, A., Sallé, G., Larroque, H., Astruc, J. M., Robert-Granié, C. & Barillet, F. (2014). Assessment of accuracy of genomic prediction for French Lacaune dairy sheep. Journal of Dairy Science, 97(2), 1107-1116.‏
  4. Clark, S. A., Hickey, J. M. & van der Werf, J. H. (2011). Different models of genetic variation and their effect on genomic evaluation. Genetics Selection Evaluation, 43(1), 18-27.
  5. Daetwyler, H. D., Villanueva, B., Bijma, P. & Woolliams, J. A. (2007). Inbreeding in genome‐wide selection.  Journal of Animal Breeding and Genetics, 124(6), 369-376.
  6. Daetwyler, H. D., Pong-Wong, R., Villanueva, B. & Woolliams, J. A. (2010). The impact of genetic architecture on genome-wide evaluation methods. Genetics, 185(3), 1021-1031.
  7. Daetwyler, H. D., Swan, A. A., van der Werf, J. H. & Hayes, B. J. (2012). Accuracy of pedigree and genomic predictions of carcass and novel meat quality traits in multi-breed sheep data assessed by cross-validation. Genetics Selection Evolution, 44(1), 33-44.‏
  8. Falconer, D. S. & Mackay, T. F. C. (2005). Introduction to Quantitative Genetics. (5th ed.). Longman, London.
  9. Fisher, R. A. (1918). The correlation between relatives on the supposition of Mendelian inheritance. Transactions of the Royal Society, Edinburgh 52, 399-433.
  10. Forneris, N. S., Steibel, J. P., Legarra, A., Vitezica, Z. G., Bates, R. O., Ernst, C. W., Basso, A. L. & Cantet, R. J. C. (2016). A comparison of methods to estimate genomic relationships using pedigree and markers in livestock populations. Journal of Animal Breeding and Genetics, 133(6), 452-462.‏
  11. Foroutanifar, S., Mehrabani-Yeganeh, H. & Moradi- Shahrbabak, M. (2012). Effects of heritability, number of individuals in training population and map density on accuracy of single and two traits estimated genomic breeding values. In: Proceedings of 12th Iranian genetics congress., 21-23 May., Tehran, Iran, pp. 1-2. (in Farsi)
  12. Foroutanifar, S. (2016). Sensitivity of genomic single and multi – trait prediction accuracy to genetic architecture of the traits. Modern Genetics Journal, 11(3), 391-398. (In Farsi)
  13. Gao, N., Li, J., He, J., Xiao, G., Luo, Y., Zhang, H., Chen, Z. & Zhang, Z. (2015). Improving accuracy of genomic prediction by genetic architecture based priors in a Bayesian model. BMC genetics, 16(1), 120-131.‏
  14. Guo, G., Lund, M. S., Zhang, Y. & Su, G. (2010). Comparison between genomic predictions using daughter yield deviation and conventional estimated breeding value as response variables. Journal of Animal Breeding and Genetics, 127(6), 423-432.
  15. Habier, D., Fernando, R. L., Kizilkaya, K. & Garrick, D. J. (2011). Extension of the Bayesian alphabet for genomic selection. BMC Genetics, 12 (1), 186-198.
  16. Hayes, B. J., Bowman, P. J., Chamberlin, A. C. & Goddard, M. E. (2009). Invited review genomic selection in dairy cattle: progress and challenges. Journal of Dairy Science, 92, 433-443.
  17. Henderson, C. R. (1984). Applications of Linear Models in Animal Breeding. University of Guelph Press, Guelph, Canada.
  18. Koivula, M., Strandén, I., Su, G. & Mäntysaari, E. A. (2012). Different methods to calculate genomic predictions-Comparisons of BLUP at the single nucleotide polymorphism level (SNP-BLUP), BLUP at the individual level (G-BLUP), and the one-step approach (H-BLUP). Journal of Dairy Science, 95(7), 4065-4073.
  19. Legarra, A., Christensen, O.F., Aguilar, I. & Misztal, I. (2014). Single Step, a general approach for genomic selection. Livestock Science, 166, 54-65.
  20. Luan, T., Woolliams, J. A., Lien, S., Kent, M., Svendsen, M. & Meuwissen, T. H. (2009). The accuracy of genomic selection in Norwegian red cattle assessed by cross-validation. Genetics, 183(3), 1119-1126.‏
  21. Masuda, Y., Misztal, I., Tsuruta, S., Legarra, A., Aguilar, I., Lourenco, D. A. L., Fragomeni, B. O. & Lawlor, T. J. (2016). Implementation of genomic recursions in single-step genomic best linear unbiased predictor for US Holsteins with a large number of genotyped animals. Journal of Dairy Science, 99(3), 1968-1974.‏
  22. Mehrban, H., Lee, D. H., Moradi, M. H., IlCho, C., Naserkheil, M. & Ibáñez-Escriche, N. (2017). Predictive performance of genomic selection methods for carcass traits in Hanwoo beef cattle: impacts of the genetic architecture. Genetics Selection Evolution, Jan 4, 49(1), 1-13.
  23. Meuwissen, T. H., Hayes, B. J. & Goddard, M. E. (2001). Prediction of total genetic value using genome-wide dense marker maps. Genetics, 157(4), 1819-1829.
  24. Meuwissen, T. H., Svendsen, M., Solberg, T. & Ødegård, J. (2015). Genomic predictions based on animal models using genotype imputation on a national scale in Norwegian Red cattle. Genetics Selection Evolution, 47(1), 79-88.
  25. Misztal, I., Tsuruta, S., Strabel, T., Auvray, B., Druet, T. & Lee, D. H. (2002). BLUPF90 and related programs (BGF90).In:Proceedings of 7th World Congress on Genetics Applied to Livestock Production,19-23 Aug., Montpellier, France, pp. 1-2.
  26. Mrode, R. A. (2005). Linear models for the prediction of animal breeding values. (3rd ed.). CABI.‏
  27. Naghavi, M. R., Ghare Reazi, B. & Hosiny Salkade, G. H. (2007). Molecular marker. (2nd ed.). Tehran University press. (in Farsi)
  28. Nejati-Javaremi, A., Smith, C. & Gibson, J. P. (1997). Effect of total allelic relationship on accuracy of evaluation and response to selection. Animal Science, 7(5), 1738-1745.
  29. 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), 100-117.
  30. Saatchi, M., Miraei-Ashtiani, S. R., Nejati Javaremi, A., Moradi shahr babak, M. & Mehrabani-yeganeh, H. (2010). The impact of information quantity and strength of relationship between training set and validation set on accuracy of genomic estimated breeding values. African Journal of Biotechnology, 9(4), 438-442.
  31. Saatchi, M., McClure, M. C., McKay, S. D., Rolf, M. M., Kim, J., Decker, J. E. & Bauck, S. (2011). Accuracies of genomic breeding values in American Angus beef cattle using K-means clustering for cross-validation. Genetics Selection Evolution, 43(1), 40-56.‏
  32. Sargolzaei, M. & Schenkel, F. S. (2009). QMSim: a large-scale genome simulator for livestock. Bioinformatics, 25(5), 680-681.
  33. Schaeffer, L. R. (2006). Strategy for applying genome-wide selection in dairy cattle. Journal of Animal Breeding and Genetics, 123, 218-223.
  34. Su, G., Madsen, P., Nielsen, U. S., Mäntysaari, E. A., Aamand, G. P., Christensen, O. F. & Lund, M. S. (2012). Genomic prediction for Nordic Red Cattle using one-step and selection index blending. Journal of dairy science, 95(2), 909-917.‏
  35. Sved, J. A. (1971). Linkage disequilibrium and homozygosity of chromosome segments in finite populations. Theoretical population biology, 2(2), 125-141.
  36. Tiezzi, F. & Maltecca, C. (2015). Accounting for trait architecture in genomic predictions of US Holstein cattle using a weighted realized relationship matrix. Genetics Selection Evolution, 47(1), 24-37.
  37. Van Raden, P. M. (2008). Efficient Methods to Compute Genomic Predictions. Journal of dairy science, 91 (11), 4414-4423.
  38. Wang, H., Misztal, I., Aguilar, I., Legarra, A. & Muir, W.M. (2012). Genome-wide association mapping including phenotypes from relatives without genotypes. Genetics Research, 94, 73-83.
  39. Wang, H., Misztal, I., Aguilar, I., Legarra, A., Fernando, R. L., Vitezica, Z., Okimoto, R., Wing, T., Hawken, R. & Muir, M. (2014). Genome wide association mapping including phenotypes from relatives without genotypes in a single-step (ssGWAS) for6 week body weight in broiler chickens. Frontiers in Genetics, 5, 134-143.
  40. Zhang, Z., Liu, J., Ding, X., Bijma, P., de Koning, D. J. & Zhang, Q. (2010). Best linear unbiased prediction of genomic breeding values using a trait-specific marker-derived relationship matrix. PloS One, 5(9), 12648-12656.
آمار
تعداد مشاهده مقاله: 652
تعداد دریافت فایل اصل مقاله: 580


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب