| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شمارهها | 3,219 |
| تعداد مقالات | 35,690 |
| تعداد مشاهده مقاله | 53,561,118 |
| تعداد دریافت فایل اصل مقاله | 92,841,363 |
مقایسه صحت پیشبینی ژنومی صفاتی با وراثت پذیری پایین در گاوهای شیری تحت روشهای تکمرحلهای و چند مرحلهای با استفاده از دادههای شبیهسازی | ||
| علوم دامی | ||
| مقاله 12، دوره 32، شماره 125، اسفند 1398، صفحه 155-166 اصل مقاله (1.42 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/asj.2019.123627.1788 | ||
| نویسندگان | ||
| یحیی محمدی* 1؛ مرتضی ستائی مختاری2 | ||
| 1استادیار و عضو هیات علمی گروه علوم دامی دانشگاه ایلام | ||
| 2استادیار و عضو هیات علمی گروه علوم دامی دانشگاه جیرفت | ||
| چکیده | ||
| صفات تولیدمثل بدلیل تاثیر زیاد بر سودآوری، در صنعت پرورش گاوهای شیرده جزء صفات عملکردی محسوب میشوند. به دلیل وراثتپذیری پایین این صفات، پیشرفت ژنتیکی آنها به کندی صورت میگیرد. بنابراین، انتخاب ژنومی یک روش موثر برای افزایش پیشرفت ژنتیکی این صفات میباشد.صحت انتخاب ژنومی وابسته به عوامل زیادی از جمله، وراثتپذیری صفات، روش آماری محاسبه اثرات نشانگر تک نوکلئوتیدی SNP در جمعیت مرجع و تعداد افراد جمعیت مرجع بستگی دارد. لذا هدف از پژوهش کنونی، مقایسه صحت و اریب پیشبینیهای ژنومی برای این صفات با استفاده از روشهای تک مرحلهای و چند مرحلهای GBLUP تحت راهبردهای مختلف به کمک داده شبیهسازی شده بود. بدین منظور، ژنومی حاوی 1000، 2000 و 5000 نشانگر تک نوکلئوتیدی دو آللی (SNP) به طول یک سانتی مورگان شبیهسازی گردید. تعداد افراد جمعیت مرجع در سه راهبرد متفاوت به ترتیب 1000، 1500 و 2000 در نظر گرفته شد. میانگینهای صحت انتخاب تحت روشهایMS-GBLUP و SS-GBLUP به ترتیب 244/0 و 399/0 برآورد گردیدند. با افزایش تعداد افراد جمعیت مرجع از 1000 به 2000 حیوان میانگین صحت پیشبینی ژنومی در روش MS-GBLUP به ترتیب از 209/0 به 294/0 و در روش SS-GBLUP به ترتیب از 348/0 به460/0 افزایش یافت. متوسط ضریب رگرسیون برای روشهای فوق به ترتیب 12/1 و 94/0 برآورد گردید. به طور کلی، نتایج به دست آمده در پژوهش کنونی نشان دادند که که در صفات با وراثتپذیری پایین برای افزایش صحت انتخاب، استفاده از روش تکمرحلهای GBLUP به همراه افزایش تعداد افراد جمعیت مرجع به عنوان روش مناسبی برای برآورد اثرات نشانگر میباشد. | ||
| کلیدواژهها | ||
| ارزیابی ژنومی؛ جمعیت مرجع؛ روش تک مرحلهای؛ صفات با وراثتپذیری پایین؛ صحت انتخاب | ||
| عنوان مقاله [English] | ||
| The comparison of the accuracy of genomic predictions for low heritability traits under single-step and multi-step GBLUP methods applying simulated data | ||
| نویسندگان [English] | ||
| Y. Mohammadi1؛ Morteza Sattaei Mokhtari2 | ||
| 2University of Jiroft | ||
| چکیده [English] | ||
| Reproductive traits are considered to be as functional traits in the dairy breeding industry due to their great impact on the profitability. Due to low heritability of reproductive traits, genetic progress in these traits is slow. Therefore, genomic selection may be considered as an effective method for increasing genetic improvement for these traits. The accuracy of genomic selection depends on the several factors such as heritability of traits, statistical method for calculating SNP marker effects in reference population and number of individuals in the reference population. The present study was aimed to compare the accuracy and bias of genomic predictions for low heritability traits using SS-GBLUP and MS-GBLUP methods under different strategies applying simulated data. For this purpose, a genome containing 1000, 2000 and 5000 single-nucleotide polymorphism with two alleles (SNP) with length of one cM was simulated. The numbers of individuals in reference population were considered to be 1000, 1500 and 2000, respectively. The mean accuracies were estimated as 0.244 and 0.399 under above methods, respectively. Also, with an increase in the numbers of individual in the reference population, from 1000 to 2000 the mean accuracy of genomic prediction under above methods were increased from 0.209 to 0.294 and from 0.348 to 0.460, respectively. The averages for regression coefficient under above methods were estimated to be 1.2 and 0.94, respectively. Our results indicated that SS-GBLUP method along with an increase in the numbers of individuals' reference population, is suggested to increase the accuracy of selection for low-heritability reproduction traits. | ||
| کلیدواژهها [English] | ||
| Genomic evaluation, Reference population, Single step method, Low-heritability traits, Selection accuracy | ||
| مراجع | ||
|
محمدی، ی.، ستایی مختاری، م. و رزم کبیر، م. (1396). مطالعه روشهای پیشبینی ارزش اصلاحی ژنومی - مقایسه روشهای BLUP سنتی، G- BLUP و روش تکمرحلهای SS- BLUP. فصلنامه ژنتیک نوین. دوره 12، شماره2. ص ص. 173-167. Aguilar, I., Misztal, I., Legarra, A. and Tsuruta, S. (2010). Efficient computation of the genomic relationship matrix and other matrices used in single-step evaluation. Journal Animal Breeding and Genetics. 128:422–428. Aliloo, H., Mrode, R., Okeyo, A.M., Ni, G., Goddard, M.E. and Gibson, J.P. (2018). The feasibility of using low-density marker panels for genotype imputation and genomic prediction of crossbred dairy cattle of East Africa. Journal of Dairy Science. 10: 9108-9127. Azizian, S., Shadparvar A.A., Ghavi Hossein- Zadeh, N., and Shekalgorabi, S. (2016). Effect of increasing accuracy of genomic evaluations on economic efficiency of dairy cattle breeding programmes. Italian Journal of Animal Science. 15: 379-385. Chang, L.Y., Toghiani, S., Ling, A., Aggrey, S.E. and Rekaya, R. (2018). High density marker panels, SNPs prioritizing and accuracy of genomic selection. BMC Genetics. 19: 4. Christensen, O.F. and Lund, M.S. (2010). Genomic prediction when some animals are not genotyped. Genetic Selection Evolution. 42:2. De los Campos, G., Hickey, J.M., Pong-Wong, R., Daetwyler, H.D. and Calus M.P.L. (2013). Whole-genome regression and prediction methods applied to plant and animal breeding. Genetics. 193: 327–345. Gao, H., Christensen, O.F., Madsen, P., Nielsen, U.S., Zhang, Y., Lund, M.S. and Su, G. (2012). Comparison on genomic predictions using three GBLUP methods and two single-step blending methods in the Nordic Holstein population. Genetic Selection Evolution. 44:8. Goddard, M.E. (2009). Genomic selection: Prediction of accuracy and maximization of long term response. Genetica, 136:245–257. Goddard, M.E. and Hayes, B.J. (2009). Mapping gene for complex traits' in domestic animal and their use in breeding programmes. Nature Reviews Genetic. 10:381–391. Guarini, A.R., Lourenco, D.A.L., Brito, L.F., Sargolzaei, M., Baes, C., Miglior, F., Misztal, I. and Schenkel, F.S. (2018). Comparison of genomic predictions for lowly heritable traits using multi-step and single-step genomic best linear unbiased predictor in Holstein cattle. Journal of Dairy Science. 101:1–11. Hayes, B., Bowman, P., Chamberlain, A and Goddard, M. (2009). Genomic selection in dairy cattle: Progress and challenges. Journal of Dairy Science. 92:433–443. Hoze, C., Fritz, S. Phocas, F. Boichard, D. Ducrocq, V. and Croiseau, P. (2014). Efficiency of multi-breed genomic selection for dairy cattle breeds with different sizes of reference population. Journal of Dairy Science. 97:3918–3929. Ismael, A.,Lovendhal, P., Fogh, A., Lund, M.S., and Su, G. (2017). Improving genetic evaluation using a multitrait single-step genomic model for ability to resume cycling after calving, measured by activity tags in Holstein cows. Journal of Dairy Science, 10: 8188-8196. Koivula, M., Strandén, I., Su, G., and Mäntysaari, E.A. (2012). Different methods to calculate genomic predictions—Comparisons of BLUP at the single nucleotide polymorphism level, BLUP at the individual level (G-BLUP), and the one-step approach (H-BLUP). Journal of Dairy Science. 95:4065–4073. Legarra, A., Christensen, O.F., Aguilar, I. and Misztal, I. (2014). Single Step, a general approach for genomic selection. Livestock Science. 166: 54–65. Liu, Z., Seefried, F. R., Reinhardt, F., Rensing, S., Thaller, G., and Reents, R. (2011). Impacts of both reference population size and inclusion of a residual polygenic effect on the accuracy of genomic prediction. Genetic Selection Evolution. 43:19. Ma, P., Lund, M. S., Nielsen, U. S., Aamand, G. P., and Su, G. (2015). Single-step genomic model improved reliability and reduced the bias of genomic predictions in Danish Jersey. Journal of Dairy Science. 98:9026–9034. Misztal, I., Legarra, A. and Aguilar, I. (2009). Computing procedures for genetic evaluation including phenotypic, full pedigree, and genomic information. Journal of Dairy Science. 92:4648–4655. Misztal, I., Tsuruta, S., Strabel,T., Auvray, B., Druet T., and Lee, D. (2002). BLUPF90 and related programs (BGF90). Communication No. 28–07 in Proc. 7th World Congr. Genetics Applied to Livestock Production. Montpellier, France. Meuwissen, T.H., Hayes, B.J., and Goddard, M.E. (2001). Prediction of total genetic value using genome-wide dense marker maps. Genetics. 157: 1819–1829. Momen, M., Mehrgardi, A.A., Sheikhy, A., Esmailizadeh, A.K., and Assadi Fozzi, M. (2016). Neves, H.H.R., Carvalheiro, R., O’Brien, A. M., Utsunomiya, Y.T., do Carmo, A.S., Schenkel, F.S., Sölkner, J., McEwan, J.C., Van Tassell, C.P., Cole, J.B., and da Silva, M.V. Queiroz, S. A. (2014). Accuracy of genomic predictions in Bos indicus (Nellore) cattle. Genetics Selection Evolution. 46:17. Piccoli, M.L., Brito, L.F., Braccini, J., Brito, F.V., Cardoso, F.F., Cobuci, J.A., Sargolzaei, M. and Schenkel, F.S. (2018). A comprehensive comparison between single- and two-step GBLUP methods in a simulated beef cattle population. Canadian Journal of Animal Science. 98: 565–575. Sargolzaei, M., and Schenkel, F.S. (2009).QMSim: a large-scale genome simulator for livestock. Bioinformatics. 25: 680–1. Song, H., Zhang, J., Jiang, Y., Gao, H., Tang, S., Mi, S., Yu, F., Meng, Q., Xiao, W. and Ding, X. (2017). Genomic prediction for growth and reproduction traits in pig using an admixed reference population. Journal of Animal Science. 95: 3415-3424. Sullivan, P. G. (2009). Options for combining direct genomic and progeny test results. Report to the Genetic Evaluation Board of CDN. Canadian Dairy Network (CDN), Guelph, Ontario, Canada. Veerkamp, R.F., and Beerda, B. (2007). Genetics and genomics to improve fertility in high producing dairy cows. Therlogenology. 68: 266- 273. Wiggans, G.R., VanRaden, P.M., and Cooper,T.A. (2011). The genomic evaluation system in the United States: Past, present, future. Journal of Dairy Science. 94:3202–3211. | ||
|
آمار تعداد مشاهده مقاله: 710 تعداد دریافت فایل اصل مقاله: 610 |
||