تعداد نشریات | 31 |
تعداد شمارهها | 743 |
تعداد مقالات | 7,048 |
تعداد مشاهده مقاله | 10,171,577 |
تعداد دریافت فایل اصل مقاله | 6,844,403 |
کاربرد الگوریتم جنگل تصادفی در برآورد آثار نشانگرها و تعیین ژنهای کاندیدا برای صفات تولیدمثلی در گاو شیری هلشتاین ایران | ||
تحقیقات تولیدات دامی | ||
دوره 13، شماره 1، خرداد 1403، صفحه 95-109 اصل مقاله (1.36 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22124/ar.2024.25557.1792 | ||
نویسندگان | ||
جیران جباری تورچی1؛ صادق علیجانی* 2؛ سید عباس رافت2؛ مختارعلی عباسی3 | ||
1دانشجوی دکتری ژنتیک و اصلاح نژاد دام، گروه علوم دامی، دانشکده کشاورزی، دانشگاه تبریز | ||
2استاد، گروه علوم دامی، دانشکده کشاورزی، دانشگاه تبریز | ||
3دانشیار، مؤسسه تحقیقات علوم دامی کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی | ||
چکیده | ||
روش یادگیری ماشین، رویکرد قدرتمندی برای مطالعات ژنومی است. هدف تحقیق حاضر، استفاده از روش یادگیری ماشین (جنگل تصادفی) برای پویش ژنومی پیشنهادی صفات تولیدمثلی شامل سن در زمان اولین زایش (AFC)، روزهای باز (DO)، فاصله گوسالهزایی (CI) و نرخ آبستنی دختران (DPR) در گاوهای هلشتاین ایران بود. اطلاعات لازم از مرکز اصلاح نژاد و بهبود تولیدات دامی کشور اخذ شد. اطلاعات ژنوتیپی شامل نشانگرهای چند شکلی تک نوکلئوتیدی (SNP) مربوط به 2419 رأس گاو هلشتاین نر بود. فایل داده مشتمل بر رکوردهای ثبت شده سالهای 1360 تا 1398 شامل 2774183 رأس دام بود. با توجه به تفاوت تراکم در اطلاعات ژنومی گاوهای نر، تعداد نشانگرهای آنها نیز با یکدیگر متفاوت بود. برای یکسانسازی نشانگرها از نرم افزار FImpute برای جانهی ژنوتیپ استفاده شد. در این تحقیق با استفاده از الگوریتم جنگل تصادفی که نمونهای از الگوریتمهای با نظارت و از نوع رگرسیونی است، در مجموع، 21 نشانگر با میزان اهمیت بالا برای صفات مختلف تولیدمثلی مشخص شد. سپس، با استفاده از روش هستیشناسی ژن، ژنهای پیشنهادی مهمی برای این صفات شناسایی شدند. ژنهای MPZL1 و CD247 شناسایی شده روی کروموزوم 3 در ارتباط با صفت AFC و ژنهای RPS6KC1 و FAM170A در ارتباط با صفت DPR برای بهبود عملکرد تولیدمثلی گاوهای شیری، مهم بوده و میتوانند مورد استفاده قرار گیرند. نشانگرها و ژنهای شناسایی شده در این تحقیق میتوانند اطلاعات جدیدی را در مورد معماری ژنتیکی صفات تولیدمثلی برای بهبود ژنومی آنها ارائه دهد و در طراحی تراشهها برای ارزیابی صفات تولیدمثلی مورد استفاده قرار گیرد. | ||
کلیدواژهها | ||
الگوریتم جنگل تصادفی؛ ژنوتیپ؛ گاو شیری؛ نشانگر؛ یادگیری ماشین | ||
مراجع | ||
Abdel-Shafy, H., Awad, M. A., El-Regalaty, H., Ismael, A., El-Assal, S. E. D., & Abou-Bakr, S. (2020). A single-step genomic evaluation for milk production in Egyptian buffalo. Livestock Science, 234, 103977. doi: 10.1016/j.livsci.2020.103977 Aloisio, G. M., Nakada, Y., Saatcioglu, H. D., Peña, C. G., Baker, M. D., Tarnawa, E. D., & Castrillon, D. H. (2014). PAX7 expression defines germline stem cells in the adult testis. The Journal of Clinical Investigation, 124(9), 3929-3944. doi: 10.1172/JCI75943 Alves, A. A. C., da Costa, R. M., Fonseca, L. F. S., Carvalheiro, R., Ventura, R. V., Rosa, G. J. D. M., & Albuquerque, L. G. (2022). A random forest-based genome-wide scan reveals fertility-related candidate genes and potential inter-chromosomal epistatic regions associated with age at first calving in Nellore cattle. Frontiers in Genetics, 13, 834724. doi: 10.3389/fgene.2022.834724 An, B., Xu, L., Xia, J., Wang, X., Miao, J., Chang, T., & Gao, H. (2020). Multiple association analysis of loci and candidate genes that regulate body size at three growth stages in Simmental beef cattle. BMC Genetics, 21(1), 1-11. doi: 10.1186/s12863-020-0837-6 Berisha, B., Schams, D., Rodler, D., Sinowatz, F., & Pfaffl, M. W. (2017). Expression pattern of HIF 1alpha and vasohibins during follicle maturation and corpus luteum function in the bovine ovary. Reproduction in Domestic Animals, 52(1), 130-139. doi: 10.3389/fgene.2022.834724 Bolormaa, S., Pryce, J. E., Hayes, B. J., & Goddard, M. E. (2010). Multivariate analysis of a genome-wide association study in dairy cattle. Journal of Dairy Science, 93(8), 3818-3833. doi: 10.3168/jds.2009-2980 Bonnefont, C., Toufeer, M., Caubet, C., Foulon, E., Tasca, C., Aurel, M. R., & Rupp, R. (2011). Transcriptomic analysis of milk somatic cells in mastitis resistant and susceptible sheep upon challenge with Staphylococcus epidermidis and Staphylococcus aureus. BMC Genomics, 12(1), 1-16. doi: 10.1186/1471-2164-12-208 Breiman, L. (2001). Random forests. Machine Learning, 45, 5-32. doi: 10.1023/A:1010933404324. Brieuc, M. S., Waters, C. D., Drinan, D. P., & Naish, K. A. (2018). A practical introduction to Random Forest for genetic association studies in ecology and evolution. Molecular Ecology Resources, 18(4), 755-766. doi: 10.1111/1755-0998.12773 Bureau, A., Dupuis, J., Falls, K., Lunetta, K. L., Hayward, B., Keith, T. P., & Van Eerdewegh, P. (2005). Identifying SNPs predictive of phenotype using random forests. Genetic Epidemiology: The Official Publication of the International Genetic Epidemiology Society, 28(2), 171-182. doi: 10.1002/gepi.20041 Bureau, A., Dupuis, J., Hayward, B., Falls, K., & Van Eerdewegh, P. (2003). Mapping complex traits using Random Forests. BioMed Central, 4, 1-5. doi: 1471-2156/4/s1/S64 Carreño, L. O. D., da Conceição Pessoa, M., Espigolan, R., Takada, L., Bresolin, T., Cavani, L., & Da Fonseca, R. (2019). Genome association study for visual scores in Nellore cattle measured at weaning. BMC Genomics, 20, 1-9. doi: 10.1186/s12864-019-5520-9 Choudhary, R. K., & Capuco, A. V. (2021). Expression of NR5A2, NUP153, HNF4A, USP15 and FNDC3B is consistent with their use as novel biomarkers for bovine mammary stem/progenitor cells. Journal of Molecular Histology, 52(2), 289-300. doi: 10.1007/s10735-020-09948-8 Cole, J. B., Wiggans, G. R., Ma, L., Sonstegard, T. S., Lawlor, T. J., Crooker, B. A., & Da, Y. (2011). Genome-wide association analysis of thirty-one production, health, reproduction and body conformation traits in contemporary US Holstein cows. BMC Genomics, 12(1), 1-17. doi: 1471-2164/12/408 Devlin, D. J., Nozawa, K., Ikawa, M., & Matzuk, M. M. (2020). Knockout of family with sequence similarity 170 member A (Fam170a) causes male subfertility, while Fam170b is dispensable in mice. Biology of Reproduction, 103(2), 205-222. doi: 10.1093/biolre/ioaa082 Diniz, W. J., Banerjee, P., Rodning, S. P., & Dyce, P. W. (2022). Machine learning-based Co-expression network analysis unravels potential fertility-related genes in beef cows. Animals, 12(19), 2715. doi: 10.3390/ani12192715 Ebrahimie, E., Ebrahimi, F., Ebrahimi, M., Tomlinson, S., & Petrovski, K. R. (2018). Hierarchical pattern recognition in milking parameters predicts mastitis prevalence. Computers and Electronics in Agriculture, 147, 6-11. doi: 10.1016/j.compag.2018.02.003 Eichhorn, P. J., Rodón, L., Gonzàlez-Juncà, A., Dirac, A., Gili, M., Martínez-Sáez, E., & Seoane, J. (2012). USP15 stabilizes TGF-β receptor I and promotes oncogenesis through the activation of TGF-β signaling in glioblastoma. Nature Medicine, 18(3), 429-435. doi: 10.1038/nm.2619 Garrick, D. J., Taylor, J. F., & Fernando, R. L. (2009). Deregressing estimated breeding values and weighting information for genomic regression analyses. Genetics Selection Evolution, 41, 1-8. doi: 10.1186/1297-9686-41-55 Gianola, D., Okut, H., Weigel, K. A., & Rosa, G. J. (2011). Predicting complex quantitative traits with Bayesian neural networks: a case study with Jersey cows and wheat. BMC Genetics, 12, 1-14. doi: 1471-2156/12/87 Jayawardana, J. M. D. R., Lopez-Villalobos, N., McNaughton, L. R., & Hickson, R. E. (2023). Genomic regions associated with milk composition and fertility traits in spring-calved dairy cows in New Zealand. Genes, 14(4), 8-60. doi: 10.3390/genes14040860 Jiang, J., Ma, L., Prakapenka, D., VanRaden, P. M., Cole, J. B., & Da, Y. (2019). A large-scale genome-wide association study in US Holstein cattle. Frontiers in Genetics, 412. doi: 10.3389/fgene.2019.00412 Júnior, G. O., Perez, B. C., Cole, J. B., Santana, M. H. D. A., Silveira, J., Mazzoni, G., & Ferraz, J. B. S. (2017). Genomic study and medical subject headings enrichment analysis of early pregnancy rate and antral follicle numbers in Nelore heifers. Journal of Animal Science, 95(11), 4796-4812. doi: 10.2527/jas2017.1752 Kordowitzki, P., Haghani, A., Zoller, J. A., Li, C. Z., Raj, K., Spangler, M. L., & Horvath, S. (2021). Epigenetic clock and methylation study of oocytes from a bovine model of reproductive aging. Aging Cell, 20(5), 33-49. doi: 10.1111/acel.13349. Kramer, M., Erbe, M., Seefried, F. R., Gredler, B., Bapst, B., Bieber, A., & Simianer, H. (2014). Accuracy of direct genomic values for functional traits in Brown Swiss cattle. Journal of Dairy Science, 97(3), 1774-1781. doi: 10.3168/jds.2013-7054 Li, B., Zhang, N., Wang, Y. G., George, A. W., Reverter, A., & Li, Y. (2018). Genomic prediction of breeding values using a subset of SNPs identified by three machine learning methods. Frontiers in Genetics, 9, 2-37. doi: 10.3389/fgene.2018.00237 Liao, S. F., Boling, J. A., & Matthews, J. C. (2015). Gene expression profiling indicates an increased capacity for proline, serine, and ATP synthesis and mitochondrial mass by the liver of steers grazing high vs. low endophyte-infected tall fescue. Journal of Animal Science, 93(12), 5659-5671. doi: 10.2527/jas.2015-9193 Lin, X., Li, B., Chen, Y., Chen, H., & Liu, M. (2022). KAT2B Gene Polymorphisms Are Associated with Body Measure Traits in Four Chinese Cattle Breeds. Animals, 12(15), 19-54. doi: 10.3390/ani12151954 Liu, R. H., Yang, M. H., Xiang, H., Bao, L. M., Yang, H. A., Yue, L. W., & Huang, Y. (2012). Depletion of OLFM4 gene inhibits cell growth and increases sensitization to hydrogen peroxide and tumor necrosis factor-alpha induced-apoptosis in gastric cancer cells. Journal of Biomedical Science, 19(1), 1-11. doi: 10.1186/1423-0127-19-38 Lu, X., Abdalla, I. M., Nazar, M., Fan, Y., Zhang, Z., Wu, X., & Yang, Z. (2021). Genome-wide association study on reproduction-related body-shape traits of chinese Holstein cows. Animals, 11(7), 19-27. doi: 10.3390/ani11071927 Lu, X., Arbab, A. A. I., Abdalla, I. M., Liu, D., Zhang, Z., Xu, T., & Yang, Z. (2022). Genetic parameter estimation and genome-wide association study-based loci identification of milk-related traits in Chinese Holstein. Frontiers in Genetics, 12, 799-664. doi: 10.3389/fgene.2021.799664 Meuwissen, T. H., Hayes, B. J., & Goddard, M. (2001). Prediction of total genetic value using genome-wide dense marker maps. Genetics, 157(4), 1819-1829. doi: 10.1093/genetics/157.4.1819 Mohammadi, A., Alijani, S., Rafat, S. A., & Abdollahi-Arpanahi, R. (2020). Genome-wide association study and pathway analysis for female fertility traits in Iranian Holstein cattle. Annals of Animal Science, 20(3), 825-851. doi: 10.2478/aoas-2020-0031 Mohammadi, H., Khaltabadi Farahani, A. H., & Moradi, M. H. (2022). Genome-wide association study based on haplotype model and gene-set enrichment analysis associated with age at first calving in Nelore cattle. Animal Production Research, 11(2), 69-80. doi: 10.22124/ar.2022.19943.1629 [In Persian] Panetto, J. C. D. C., Machado, M. A., da Silva, M. V. G., Barbosa, R. S., dos Santos, G. G., de MH Leite, R., & Peixoto, M. G. C. (2017). Parentage assignment using SNP markers, inbreeding and population size for the Brazilian Red Sindhi cattle. Livestock Science, 204, 33-38. doi: 10.1016/j.livsci.2017.08.008 Peng, Y., Liu, J., Liu, Q., Yao, Y., Guo, C., Zhang, Y., & Lin, D. (2010). Conformational and biochemical characterization of a rat epididymis-specific lipocalin 12 expressed in Escherichia coli. Biochimica et Biophysica Acta (BBA)-Proteins and Proteomics, 1804(11), 2102-2110. doi: 10.1016/j.bbapap.2010.07.020 Pryce, J. E., Bolormaa, S., Chamberlain, A. J., Bowman, P. J., Savin, K., Goddard, M. E., & Hayes, B. J. (2010). A validated genome-wide association study in 2 dairy cattle breeds for milk production and fertility traits using variable length haplotypes. Journal of Dairy Science, 93(7), 3331-3345. doi: 10.3168/jds.2009-2893 Purcell, S., Neale, B., Todd-Brown, K., Thomas, L., Ferreira, M. A., Bender, D., & Sham, P. C. (2007). PLINK: a tool set for whole-genome association and population-based linkage analyses. The American Journal of Human Genetics, 81(3), 559-575. doi: 0.1086/519795 Purfield, D. C., McClure, M., & Berry, D. P. (2016). Justification for setting the individual animal genotype call rate threshold at eighty-five percent. Journal of Animal Science, 94(11), 4558-4569. doi: 10.2527/jas.2016-0802 Santos, E. M. S., Almeida, A. C., Santos, H. O., Cangussu, A. R., Costa, K. S., Alves, J. N., & Aguiar, R. W. S. (2019). Mechanism of Brassica oleracea performance in bovine infectious mastitis by bioinformatic analysis. Microbial Pathogenesis, 129, 19-29. doi: 10.1016/j.micpath.2019.01.029 Sargolzaei, M., Chesnais, J. P., & Schenkel, F. S. (2014). A new approach for efficient genotype imputation using information from relatives. BMC Genomics, 15(1), 1-12. doi: 1471-2164/15/478 Sargolzaei, M., Iwaisaki, H., & Colleau, J. J. (2006). CFC: A tool for monitoring genetic diversity. In Proceedings of the 8th world congress on genetics applied to livestock production. Pp. 13-18. doi: 10.1017/S1751731112001723 Sun, X., Jiang, J., Wang, G., Zhou, P., Li, J., Chen, C., & Ren, H. (2023). Genome-wide association analysis of nine reproduction and morphological traits in three goat breeds from Southern China. Animal Bioscience, 36(2), 191. doi: 10.5713/ab.21.0577 Wallén, S. E., Prestløkken, E., Meuwissen, T. H. E., McParland, S., & Berry, D. P. (2018). Milk mid-infrared spectral data as a tool to predict feed intake in lactating Norwegian Red dairy cows. Journal of Dairy Science, 101(7), 6232-6243. doi: 10.3168/jds.2017-13874 Wang, M., Moisá, S., Khan, M. J., Wang, J., Bu, D., & Loor, J. J. (2012). MicroRNA expression patterns in the bovine mammary gland are affected by stage of lactation. Journal of Dairy Science, 95(11), 6529-6535. doi: 10.2012-5748.3168 Wang, Y., Liu, S., Yan, Y., Li, S., & Tong, H. (2019). SPARCL1 promotes C2C12 cell differentiation via BMP7-mediated BMP/TGF-β cell signaling pathway. Cell Death & Disease, 10(11), 852. doi: 10.1038/s41419-019-2049-4 Wiggans, G. R., VanRaden, P. M., Bacheller, L. R., Tooker, M. E., Hutchison, J. L., Cooper, T., & Sonstegard, T. S. (2010). Selection and management of DNA markers for use in genomic evaluation. Journal of dairy Science, 93(5), 2287-2292. doi: 10.3168/jds.2009-2773 Xiao, Y., Wen, Z. Z., Wu, B., Zhu, H. X., Zhang, A. Z., Li, J. Y., & Gao, J. G. (2022). Deletion of Aldh4a1 leads to impaired sperm maturation in mice. Molecular Biology, 56(4), 543-550. doi: 10.1134/S002689332204015X Xuan, R., Wang, J., Zhao, X., Li, Q., Wang, Y., Du, S., & Chao, T. (2022). Transcriptome analysis of goat mammary gland tissue reveals the adaptive strategies and molecular mechanisms of lactation and involution. International Journal of Molecular Sciences, 23(22), 14424. doi: 10.3390/ijms232214424 Yang, P., Hwa Yang, Y., B Zhou, B., & Y Zomaya, A. (2010). A review of ensemble methods in bioinformatics. Current Bioinformatics, 5(4), 296-308. doi: 10.2174/157489310794072508 Zhang, H., Wang, Z., Wang, S., & Li, H. (2012). Progress of genome wide association study in domestic animals. Journal of Animal Science and Biotechnology, 3(1), 1-10. doi: 10.1186/2049-1891-3-26 Zhang, R., Li, X., Ma, Y., Liu, Y., Zhang, Y., Cheng, X., & Ning, Z. (2023). Identification of candidate genomic regions for thermogelled egg yolk traits based on a genome-wide association study. Poultry Science, 102(3), 102-402. doi: 10.1016/j.psj.2022.102402 Zhang, T., Wang, T., Niu, Q., Xu, L., Chen, Y., Gao, X., & Xu, L. (2022). Transcriptional atlas analysis from multiple tissues reveals the expression specificity patterns in beef cattle. BMC Biology, 20(1), 79. doi: 10.1186/s12915-022-01269-4 | ||
آمار تعداد مشاهده مقاله: 186 تعداد دریافت فایل اصل مقاله: 127 |