تعداد نشریات | 31 |
تعداد شمارهها | 737 |
تعداد مقالات | 6,928 |
تعداد مشاهده مقاله | 9,873,509 |
تعداد دریافت فایل اصل مقاله | 6,694,196 |
بررسی صحت مدل های تک صفتی و چند صفتی ژنومی در حضور اثر متقابل ژنوتیپ و محیط | ||
تحقیقات تولیدات دامی | ||
مقاله 1، دوره 7، شماره 4، اسفند 1397، صفحه 1-12 اصل مقاله (678 K) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22124/ar.2019.10740.1329 | ||
نویسنده | ||
یوسف نادری* | ||
استادیار، گروه علوم دامی، باشگاه پژوهشگران جوان و نخبگان، دانشگاه آزاد اسلامی، واحد آستارا | ||
چکیده | ||
هدف از این تحقیق ارزیابی مدلهای حیوانی مختلف در سناریوهای متفاوت ژنومی جهت برآورد ارزشهای اصلاحی ژنومی و تشخیص وجود اثر متقابل ژنوتیپ و محیط (G × E) بود. دادههای ژنومی با تراکمهای متفاوت جایگاههای صفات کمّی (100 و 500) و سطوح مختلف عدم تعادل پیوستگی (کم و زیادLD =) با تراکم K10 برای 30 کروموزم شبیهسازی شدند. صفتی در سه محیط مختلف با وراثتپذیریهای 10/0، 25/0 و 50/0 روی این ژنوم شبیهسازی شد. در مرحله بعد، همبستگی ژنتیکی ضعیف (47/0) و قوی (83/0) بین محیط سه (50/0h2=) با محیطهای یک (10/0h2=) و دو (25/0h2=) ایجاد شد. نتایج نشان داد صحت پیشبینی ژنومی با افزایش هر یک از عوامل سطح LD ، وراثتپذیری و همبستگی ژنتیکی بین صفات افزایش یافت. استفاده از مدل چند صفتی نسبت به مدل تک صفتی باعث افزایش صحت پیشبینی ژنومی شد. صحت پیشبینیهای ژنومی هنگامی که ارزش های اصلاحی ژنومی حیوانات محیط سوم با استفاده از اطلاعات ژنومی خویشاوندانشان در محیط دوم برآورد شد بالاتر بود و بیشترین صحت پیشبینی ژنومی (422/0) برای سناریو با تعداد پایین QTL و عدم تعادل پیوستگی بالا مشاهده شد. همچنین، با افزایش درصد حیوانات از 25 به 75 درصد، صحت پیشبینی ژنومی افزایش یافت. به طور کلی در صورت وجود اثر متقابل G × E، سطح LD، نوع حیوانات موجود در جمعیت مرجع و همبستگی ژنتیکی بین محیطهای مختلف نقش مهمی را ایفا میکنند. در نتیجه میتوان بیان کرد که با لحاظ کردن اثر متقابل ژنوتیپ و محیط، صحت پیشبینی ژنومی بیشتر و فهم بهتری از تنوع ژنتیکی صفات کمّی حاصل میشود. | ||
کلیدواژهها | ||
شبیه سازی؛ صحت پیش بینی ژنومی؛ عدم تعادل پیوستگی؛ مدل حیوانی؛ همبستگی ژنتیکی | ||
مراجع | ||
Aguilar I., Misztal I., Legarra A. and Tsuruta S. 2011. Efficient computation of the genomic relationship matrix and other matrices used in single‐step evaluation. Journal of Animal Breeding and Genetics, 128(6): 422-428. Aguilar I., Misztal I. and Tsuruta S. 2010. Genetic trends of milk yield under heat stress for US Holsteins. Journal of Dairy Science, 93(4): 1754-1758. Atefi A., Shadparvar A. A. and Ghavi Hossein-Zadeh N. 2016. Comparison of whole genome prediction accuracy across generations using parametric and semi parametric methods. Acta Scientiarum. Animal Sciences, 38(4): 447-453. Bastiaansen J., Bovenhuis H., Lopes M., Silva F., Megens H. and Calus M. 2014. SNP effects depend on genetic and environmental context, In: Proceedings of the 10th World congress on genetics applied to livestock production, pp. 356-356. Bo Z., Zhang J. J., Hong N., Long G., Peng G., Xu L. Y., Yan C., Zhang L. P., Gao H. J. and Xue G. 2017. Effects of marker density and minor allele frequency on genomic prediction for growth traits in Chinese Simmental beef cattle. Journal of Integrative Agriculture, 16(4): 911-920. Bohlouli M., Alijani S., Nejati-Javaremi A. N., König S. and Yin T. 2017. Genomic prediction by considering genotype× environment interaction using different genomic architectures. Annals of Animal Science, 17: 683-701. Bohlouli M., Shodja J., Alijani S. and Pirany N. 2014. Interaction between genotype and geographical region for milk production traits of Iranian Holstein dairy cattle. Livestock Science, 169: 1-9. Bohmanova J., Misztal I., Tsuruta S., Norman H. and Lawlor T. 2008. Genotype by environment interaction due to heat stress. Journal of Dairy Science, 91(2): 840-846. Brügemann K., Gernand E., Von Borstel U. and König S. 2011. Genetic analyses of protein yield in dairy cows applying random regression models with time-dependent and temperature x humidity-dependent covariates. Journal of Dairy Science, 94(8): 4129-4139. Calus M., De Haas Y., Pszczola M. and Veerkamp R. 2013. Predicted accuracy of and response to genomic selection for new traits in dairy cattle. Animal, 7(2): 183-191. Calus M. P. and Veerkamp R. F. 2011. Accuracy of multi-trait genomic selection using different methods. Genetics Selection Evolution, 43(1): 26. Clark S. A., Hickey J. M. and Van der Werf J. H. 2011. Different models of genetic variation and their effect on genomic evaluation. Genetics Selection Evolution, 43(1): 18. Daetwyler H., Hickey J., Henshall J., Dominik S., Gredler B., Van der Werf J. and Hayes B. 2010. Accuracy of estimated genomic breeding values for wool and meat traits in a multi-breed sheep population. Animal Production Science, 50(12): 1004-1010. De Roos A., Harbers A. and De Jong G. 2004. Random herd curves in a test-day model for milk, fat, and protein production of dairy cattle in the Netherlands. Journal of Dairy Science, 87(8): 2693-2701. Dekkers J. C. 2010. Animal genomics and genomic selection. Adapting animal production to changes for a growing human population, In: Proceedings of International Conference, Lleida, Spain. Citeseer, pp. 61-71. Goddard M. 2009. Genomic selection: prediction of accuracy and maximisation of long term response. Genetica, 136(2): 245-257. Guo G., Zhao F., Wang Y., Zhang Y., Du L. and Su G. 2014. Comparison of single-trait and multiple-trait genomic prediction models. BMC Genetics, 15(1): 30. Haile-Mariam M., Pryce J., Schrooten C. and Hayes B. 2015. Including overseas performance information in genomic evaluations of Australian dairy cattle. Journal of Dairy Science, 98(5): 3443-3459. Hammami H., Rekik B., Bastin C., Soyeurt H., Bormann J., Stoll J. and Gengler N. 2009. Environmental sensitivity for milk yield in Luxembourg and Tunisian Holsteins by herd management level. Journal of Dairy Science, 92(9): 4604-4612. Hayashi T. and Iwata H. 2013. A Bayesian method and its variational approximation for prediction of genomic breeding values in multiple traits. BMC Bioinformatics, 14(1): 34. Hayes B. J., Bowman P. J., Chamberlain A. J., Savin K., Van Tassell C. P., Sonstegard T. S. and Goddard M. E. 2009. A validated genome wide association study to breed cattle adapted to an environment altered by climate change. PloS One, 4(8): e6676. Hayes B. J., Daetwyler H. D. and Goddard M. E. 2016. Models for genome× environment interaction: Examples in livestock. Crop Science, 56(5): 2251-2259. Jónás D., Ducrocq V. and Croiseau P. 2017. The combined use of linkage disequilibrium–based haploblocks and allele frequency–based haplotype selection methods enhances genomic evaluation accuracy in dairy cattle. Journal of Dairy Science, 100(4): 2905-2908. Ke X., Hunt S., Tapper W., Lawrence R., Stavrides G., Ghori J., Whittaker P., Collins A., Morris A. P. and Bentley D. 2004. The impact of SNP density on fine-scale patterns of linkage disequilibrium. Human Molecular Genetics, 13(6): 577-588. Kolver E., Roche J., De Veth M., Thorne P. and Napper A. 2002. Total mixed ration versus pasture diets: Evidence of a genotype x diet interaction. New Zealand Society of Animal Production, 62: 246-251. Lillehammer M., Hayes B. and Goddard M. 2009. Gene by environment interactions for production traits in Australian dairy cattle. Journal of Dairy Science, 92(8): 4008-4017. Lillehammer M., Ødegård J. and Meuwissen T. H. 2007. Random regression models for detection of gene by environment interaction. Genetics Selection Evolution, 39(2): 105. Meuwissen T. and Goddard M. 1996. The use of marker haplotypes in animal breeding schemes. Genetics Selection Evolution, 28(2): 161. Misztal I., Tsuruta S., Strabel T., Auvray B., Druet T. and Lee D. 2002. BLUPF90 and related programs (BGF90), In: Proceedings of the 7th World Congress on Genetics Applied to Livestock Production August. 19-23 Montpellier France, pp. 1-3. Naderi S., Yin T. and König S. 2016. Random forest estimation of genomic breeding values for disease susceptibility over different disease incidences and genomic architectures in simulated cow calibration groups. Journal of Dairy Science, 99(9): 7261-7273. Nguyen T. T., Bowman P. J., Haile-Mariam M., Pryce J. E. and Hayes B. J. 2016. Genomic selection for tolerance to heat stress in Australian dairy cattle. Journal of Dairy Science, 99(4): 2849-2862. Pimentel E. C., Wensch-Dorendorf M., König S. and Swalve H. H. 2013. Enlarging a training set for genomic selection by imputation of un-genotyped animals in populations of varying genetic architecture. Genetics Selection Evolution, 45(1): 12. Sargolzaei M. and Schenkel F. S. 2009. QMSim: a large-scale genome simulator for livestock. Bioinformatics, 25(5): 680-681. Schaeffer L. 2006. Strategy for applying genome‐wide selection in dairy cattle. Journal of Animal Breeding and Genetics, 123(4): 218-223. Solberg T., Sonesson A. and Woolliams J. 2008. Genomic selection using different marker types and densities. Journal of Animal Science, 86(10): 2447-2454. Streit M., Reinhardt F., Thaller G. and Bennewitz J. 2013. Genome-wide association analysis to identify genotype× environment interaction for milk protein yield and level of somatic cell score as environmental descriptors in German Holsteins. Journal of Dairy Science, 96(11): 7318-7324. Sun X., Fernando R. and Dekkers J. 2016. Contributions of linkage disequilibrium and co-segregation information to the accuracy of genomic prediction. Genetics Selection Evolution, 48(1): 77. Villumsen T., Janss L. and Lund M. 2009. The importance of haplotype length and heritability using genomic selection in dairy cattle. Journal of Animal Breeding and Genetics, 126(1): 3-13. Wang Q., Yu Y., Yuan J., Zhang X., Huang H., Li F. and Xiang J. 2017. Effects of marker density and population structure on the genomic prediction accuracy for growth trait in Pacific white shrimp Litopenaeus vannamei. BMC Genetics, 18(1): 45. Wientjes Y. C., Calus M. P., Goddard M. E. and Hayes B. J. 2015. Impact of QTL properties on the accuracy of multi-breed genomic prediction. Genetics Selection Evolution, 47(1): 42. Williams J., Bertrand J., Misztal I. and Łukaszewicz M. 2012. Genotype by environment interaction for growth due to altitude in United States Angus cattle. Journal of Animal Science, 90(7): 2152-2158. Yin T., Pimentel E., Borstel U. K. V. and König S. 2014. Strategy for the simulation and analysis of longitudinal phenotypic and genomic data in the context of a temperature× humidity-dependent covariate. Journal of Dairy Science, 97(4): 2444-2454. | ||
آمار تعداد مشاهده مقاله: 937 تعداد دریافت فایل اصل مقاله: 772 |