مقایسه رویکرد حداکثر درست نمایی محدود شده با بیزی در برآورد اجزای واریانس ژنومی صفات پشم گوسفند مرینوس

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری ژنتیک و اصلاح نژاد دام-دانشگاه کشاورزی و منابع طبیعی رامین خوزستان

2 دانشیار ژنتیک و اصلاح نژاد دام- دانشگاه کشاورزی و منابع طبیعی رامین خوزستان

3 استادیار ژنتیک و اصلاح نژاد دام، پردیس ابوریحان دانشگاه تهران، گروه علوم دامی

4 استاد دانشکده کشاورزی و علوم روستائی دانشگاه نیوانگلند، آرمیدال، استرالیا

5 استاد ژنتیک و اصلاح نژاد دام، دانشگاه کشاورزی و منابع طبیعی رامین خوزستان

چکیده

برآورد دقیق اجزای واریانس ژنتیکی و غیرژنتیکی با اطلاعات شجره‌ای و ژنومی، از ملزومات پیش‌بینی صحیح ارزش‌های اصلاحی می‌باشد. از آنجایی که تراشه‌های چندشکلی تک‌نوکلئوتیدی (SNP) کل ژنوم را پوشش می‌دهند، نشانگرها تمامی جایگاه‌های صفات کمی را تحت پوشش قرار داده و به طور بالقوه تمام واریانس ژنتیکی را توجیه می‌کنند. در این پژوهش از SNPهای گوسفندان مرینوس استرالیایی استفاده شد. صفات طول و قطر تار پشم مورد بررسی قرار گرفتند. برای مطالعه رابطه بین فراوانی آللی و مقدار واریانس ژنتیکی افزایشی توجیه شده، SNPها در پنج گروه مختلف از فراوانی آللی کمیاب (MAF)، طبقه بندی شدند. دو مدل آماری با آنالیز مجزای هر گروه SNP و آنالیز توام هر پنج گروه SNP برازش شدند. آنالیزهای آماری با دو روش حداکثر درست‌نمایی محدود شده ژنومی (روش پارامتری) و بیزی (با استفاده از تکنیک نمونه‌گیری گیبس و مدل RKHS (روش نیمه‌پارامتری)) انجام شد. مقدار وراثت‌پذیری ژنومی برآورد شده توسط همه SNPها در رویکرد REML، برای قطر و طول تار پشم به ترتیب برابر 72/0 و 48/0 بود. در رویکرد بیزی این مقدار وراثت‌پذیری برای صفات مذکور به ترتیب برابر 74/0 و 47/0 برآورد گردید. در تجزیه و تحلیل مجزای گروه‌های مختلف MAF مقادیر وراثت‌پذیری ژنومی هر دو رویکرد مشابه ولی در تجزیه توأم، بین دو رویکرد تفاوت زیادی وجود داشت. بطور کلی در مدل‌های ساده نتایج دو رویکرد مشابه بوده ولی در مدل‌های پیچیده مانند آنالیز توأم نتایج دو مدل متفاوت و معنی‌دار هستند. برای بررسی این‌که کدام روش از اعتبار بالاتری برخوردار است نیاز به تحقیقات آتی می‌باشد.

کلیدواژه‌ها


تیموریان، م.، اسلمی‌نژاد، ع.ا. و شریعتی، م.م. (1394). بررسی اثر برخی عوامل جمعیتی بر کیفیت انتخاب ژنومیک در گاوهای هلشتاین ایران. نشریه پژوهشهای علوم دامی ایران. جلد 7، شماره 1، ص ص. 103-96.
دیمی غیاث‌آبادی، پ.، علیجانی، ص.، شجاع غیاث، ج. و پیرانی، ن. (1391). مقایسه دو روش آماری حداکثر درست‌نمایی محدود شده و آنالیز بیزی در برآورد پارامترهای ژنتیکی برخی صفات مهم اقتصادی مرغهای بومی استان فارس. پژوهشهای تولیدات دامی. سال سوم. شماره 5. ص ص. 13-1.
راشدی ده‌صحرائی، آ.، فیاضی، ج.، وطن‌خواه، م. و بیگی نصیری، م.ت. (1392). برآورد اجزای (کو)واریانس و فراسنجه های ژنتیکی صفات رشد در برههای لری بختیاری با استفاده از روش نمونه گیری گیبس. نشریه پژوهش در نشخوارکنندگان. جلد 1. شماره 2. ص ص. 128-109.
قائمی، م.، افشار، م.، عسگری جعفرآبادی، ق. و حاجی بنده، ن. (1391). اثر ضریب وراثت پذیری بر صحت ارزیابی ژنومی و تغییرات ضریب همخونی. مجله دانش و پژوهش علوم دامی / جلد 10، ص ص. 102-95.
Abdollahi-Arpanahi, R., Pakdel, A., Nejati-Javaremi, A., Moradi Shahrbabak, M., Morota, G., Valente, B.D. et al. (2014). Dissection of additive genetic variability for quantitative traits in chickens using SNP markers. Animal Breeding and Genetics. 131: 183–193.
Geman, S. and Geman, D. (1984). Stochastic relaxation, Gibbs distributions, and the Bayesian restoration of images. IEEE Transactions on pattern Analysis and machine Intelligence. 6: 721-741.
Gianola, D. and de los Campos, G. (2013). Genome-enable prediction of complex traits. University of Wisconsin-Medison, May 27th-31st, 2013.
Hayes, B.J. (2007). QTL,Mapping Mas, and Genomic selection Animal breeding and Genetics Department of Animal Science Iowa State university.
Hayes, B.J., P. M. Visscher, and M.E. Goddard. (2009). Increased accuracy of artificial selection by using the realized relationship matrix. Genetic Research. 91:47–60.
Jensen, J., Su, G. and Madsen, P. (2012). Partitioning additive genetic variance into genomic and remaining polygenic components for complex traits in dairy cattle. BMC Genetics. 13, 44.
Lee, S.H., DeCandia, T.R., Ripke, S., Yang, J., Sullivan, P.F., Goddard, M.E. and et al. (2012). Estimating the proportion of variation in susceptibility to schizophrenia captured by common SNPs. Nature Genetics. 44: 247–250.
Lee, S.H., Harold, D., Nyholt, D.R., Goddard, M.E., Zondervan, K.T., Williams, J. et al. (2013). Estimation and partitioning of polygenic variation captured by common SNPs for Alzheimer’s disease, multiple sclerosis and endometriosis. Human Molecular Genetics. 22: 832–841.
Matebesi, P.A., Cloete, S.W.P. and Van Wyk, J.B. (2009). Genetic parameter estimation of 16-month live weight and objectively measured wool traits in the Tygerhoek Merino flock. South African Journal of Animal Science. 2009, 39 (1): 73-82.
Meuwissen, T. H. E., B. J. Hayes, and M. E. Goddard. (2001). Prediction of total genetic value using genome-wide dense marker maps. Genetics. 157:1819–1829.
Ogawa, Sh., Matsuda1, H., Taniguchi, Y., Watanabe, T., Sugimoto, Y. and Iwaisaki, H. (2016). Estimated Genetic Variance Explained by Single Nucleotide Polymorphisms of Different Minor Allele Frequencies for Carcass Traits in Japanese Black Cattle. Journal of Biosciences and Medicines. 4: 89-97.
Park, J.H., Gail, M.H., Weinberg, C.R., Carroll, R.J., Chung, C.C., Wang, Z. et al. (2011). Distribution of allele frequencies and effect sizes and their interrelationships for common genetic susceptibility variants. Proceedings of the National Academy of Sciences of the USA. 108(44): 18026–18031.
Pérez, P. and de los Campos, G. (2013). BGLR: a statistical package for whole genome regression and prediction. R package version, 1(0.2)
Pimentel, E.C.G., Erbe, M., Konig S. and Simianer. H. (2011). Genome partitioning of genetic variation for milk production and composition traits in Holstein cattle. Frontiers in Genetics. 2,19.
Purcell, S., Neale, B., Todd-Brown, K., Thomas. L., Ferreira, M.A.R., Bender, D. et al. (2007). PLINK: a tool set for whole-genome association and population-based linkage analyses. American Journal of Human Genetic. 81: 559–575.
Safari, E., Fogarti, N.M., Gilmour, A.R., Atkins, K.D., Mortimer, S.I., Swan, A.A. and et al. (2007). Across population genetic parameters for wool, growth, and reproduction traits in Australian Merino sheep. 2. Estimates of heritability and variance components. Australian Journal of Agricultural Research. 58(2): 177-184.
Schrooten C., Bovenhuis, H.,Van Arendok, J.A., and Bijma, P. (2005). Genetic Progress in multistage dairy cattle breeding schemes using genetic markers. Journal of Dairy Science. Sci.88:1569-1581.
Uemoto, Y., Sasaki, Sh., Kojima, T., Sugimoto, Y. and Watanabe, T. (2015). Impact of QTL minor allele frequency on genomic evaluation using real genotype data and simulated phenotypes in Japanese Black cattle. BMC Genetics. (2015) 16:134.
Van Raden, P.M. (2008). Efficient methods to compute genomic predictions. Journal of Dairy Science. 91:4414–23.
Wray, N.R. (2005). Allele frequencies and the r2 measure of linkage disequilibrium: impact on design and interpretation of association studies. Twin Reserch and Human Genetics. 8: 87–94.
Yang, J., Benyamin, B., McEvoy, B.P., Gordon, S., Henders, A.K., Nyholt, D.R. et al. (2010). Common SNPs explain a large proportion of the heritability for human height. Nature Genetics. 42: 565–569.