تعداد نشریات | 31 |
تعداد شمارهها | 744 |
تعداد مقالات | 7,079 |
تعداد مشاهده مقاله | 10,192,747 |
تعداد دریافت فایل اصل مقاله | 6,873,495 |
اثر تراکم نشانگرها و اندازه جمعیت مرجع بر صحت مستندسازی در داده شبیه سازی شده | ||
تحقیقات تولیدات دامی | ||
مقاله 3، دوره 9، شماره 2، مرداد 1399، صفحه 15-22 اصل مقاله (632.46 K) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22124/ar.2020.14875.1466 | ||
نویسنده | ||
یحیی محمدی* | ||
استادیار، گروه علوم دامی، دانشکده کشاورزی، دانشگاه ایلام | ||
چکیده | ||
در پژوهش حاضر، اثر اندازه جمعیت مرجع و تعداد نشانگرهای چندشکلی تک نوکلئوتیدی (SNP) گمشده بر صحت مستندسازی (ایمپیوتیشن) مورد بررسی قرار گرفت. از نرمافزار QMSim برای ایجاد بانک اطلاعاتی مرجع به تعداد 1000 حیوان شبیهسازی شده استفاده شد. از دادههای مرجع دو دسته ایجاد شد: دسته اول (A) شامل ژنوتیپهای اصلی حاوی دادههای گمشده (تعداد 52 هزار نشانگر SNP) و دسته دوم (B) با خروج دادههای گمشده از مجموع دادهها (تعداد 37 هزار نشانگر SNP) ایجاد شد. در هر دو دسته، تعداد جمعیت مرجع با 100، 250، 500 و 750 حیوان شبیهسازی شد. تعداد نشانگرهای SNP حذف شده به طور تصادفی و با نسبتهای 15، 30، 55، 70 و 95 درصد در هر دو دسته شبیهسازی شد. بر اساس همبستگی بین ارزش نشانگرهای SNP اصلی قبل از حذف و ارزش آنها بعد از مستندسازی، صحت برآورد شد. نتایج مطالعه حاضر نشان داد که صحت مستندسازی تحت تأثیر اندازه جمعیت مرجع و تراکم نشانگرهای SNP گمشده قرار داشت. با افزایش اندازه جمعیت مرجع از 100 به 750 حیوان، متوسط صحت مستندسازی در هر دو دسته افزایش یافت. بیشترین میزان صحت برای جمعیت مرجع با 750 حیوان در دامنه 89/0 تا 98/0 برای دسته A و 90/0 تا 99/0 برای دسته B مشاهده شد. به طور کلی، نتایج نشان داد که اگر اندازه جمعیت مرجع به اندازه کافی باشد، علیرغم تعداد زیاد نشانگر SNP گمشده، صحت مستندسازی تغییر زیادی نخواهد کرد. | ||
کلیدواژهها | ||
ارزیابی ژنومی؛ داده های گم شده؛ دام؛ صحت پیش بینی؛ مستندسازی | ||
مراجع | ||
Browning S. and Browning B. 2011. Haplotype phasing: Existing methods and new developments. Nature Reviews Genetics, 12: 703-714. Browning B., Zhou Y. and Browning S. 2018. A one-penny imputed genome from next-generation reference panels. The American Journal of Human Genetics, 103: 338-348. Carvalheiro R., Boison S., Neves H., Sargolzaei M., Schenkel F., Utsunomiya Y., O’Brien A., Solkner J., McEwan J., Van Tassell C., Sonstegard T. and Garcia J. 2014. Accuracy of genotype imputation in Nelore cattle. Genetics Selection Evolution, 46, 69. Daetwyler H., Wiggans G., Hayes B., Woolliams J. and Goddard M. 2011. Imputation of missing genotypes from sparse to high density using long-range phasing. Genetics, 189: 317-327. Elsen J. M. 2016. Approximated prediction of genomic selection accuracy when reference and candidate populations are related. Genetics Selection Evolution, 48, 16. Ghoreishifar S. M., Moradi- Shahrbabak H., Moradi- Shahrbabak M., Nicolazzi E. L., Williams J. L., Iamartino D. and Nejati- Javaremi A. 2018. Accuracy of imputation of single-nucleotide polymorphism marker genotypes for water buffaloes (Bubalus bubalis) using different reference population sizes and imputation tools. Livestock Science, 216: 174-182. Hayes B., Bowman P., Chamberlain A. and Goddard M. 2009. Invited review: Genomic selection in dairy cattle. Journal of Dairy Science, 92: 433-443. Hickey J., Kinghorn B., Tier B., Wilson J., Dunstan N. and Van der Werf J. 2011. A combined long-range phasing and long haplotype imputation method to impute phase for SNP genotypes. Genetics Selection Evolution, 43, 12. Hong L. S, Clark S. and Van der Werf J. 2017. Estimation of genomic prediction accuracy from reference populations with varying degrees of relationship. Plos One, 21, 1-22. Kranjčevičová A., Kašná E., Brzáková M. A, Přiby J. and Vostrý L. 2019. Impact of reference population size and marker density on accuracy of population imputation, Czech Journal of Animal Science, 64: 405-410. Mulder H., Calus M., Druet T. and Schrooten C. 2012. Imputation of genotypes with low-density chips and its effect on reliability of direct genomic values in Dutch Holstein cattle. Journal of Dairy Science, 95: 876-889. Nicolazzi E., Biffani S. and Jansen G. 2013. Short communication: Imputing genotypes using PedImpute fast algorithm combining pedigree and population information. Journal of Dairy Science, 96: 2649-2653. Olson K. M., VanRaden P. M., Tooker M. E. and Cooper T. A. 2011. Differences among methods to validate genomic evaluations for dairy cattle. Journal of Dairy Science, 94: 2613-2620. Sargolzaei M., Chesnais J. and Schenkel F. 2014. A new approach for efficient genotype imputation using information from relatives. BMC Genomics, 15, 12. Sargolzaei M. and Schenkel F. S. 2009. QMSim: a large-scale genome simulator for livestock. Bioinformatics, 25: 680-681. Schaeffer L. 2006. Strategy for applying genome-wide selection in dairy cattle. Journal of Animal Breeding and Genetics, 23: 218-223. Schurz H., Stephanie J. M., van Helden P. D., Tromp G., Hoal E. G., Kinnear C. J. and Möller M. 2019. Evaluating the accuracy of imputation methods in a five-way admixed population. Frontiers in Genetics, 10: 34. VanRaden P., O’Connell J., Wiggans G. and Weigel K. 2011. Genomic evaluations with many more genotypes. Genetics Selection Evolution, 43, 1-10. VanRaden P., Sun C. and O’Connell J. 2015. Fast imputation using medium or low-coverage sequence data. BMC Genetics, 16(82): 2039-2042. Ventura R., Lu D., Schenkel F. S., Wang Z., Li C. and Miller S. P. 2014. Impact of reference population on accuracy of imputation from 6K to 50K single nucleotide polymorphism chips in purebred and crossbreed beef cattle. Journal of Animal Science, 92: 1433-1444. Wang Y., Lin G., Li C. and Stothard P. 2016. Genotype imputation methods and their effects on genomic predictions in cattle. Springer Science Reviews, 4: 79-98. Whalen A., Gorjanc G., Ros- Freixedes R. and Hickey J. 2018. Assessment of the performance of hidden Markov models for imputation in animal breeding. Genetics Selection Evolution, 50, 4-10. Zhang Z. and Druet T. 2010. Marker imputation with low-density marker panels in Dutch Holstein cattle. Journal of Dairy Science, 93: 5487-5494. | ||
آمار تعداد مشاهده مقاله: 704 تعداد دریافت فایل اصل مقاله: 662 |