مقایسه حساسیت روش‌های BayesC و (GBLUP) در برآورد ارزش‌های اصلاحی ژنومی تحت تفاوت جایگاه صفات کمی مدل مفروض

Subject Areas : Camel

M. Shirali ¹ (Department of Animal Science, Faculty ofAgriculture and Natural Resources, University of Tehran, Karaj, Iran)
S.R. Miraei-Ashtiani ² (Department of Animal Science, Faculty ofAgriculture and Natural Resources, University of Tehran, Karaj, Iran)
A. Pakdel ³ (Department of Animal Science, Faculty ofAgriculture and Natural Resources, University of Tehran, Karaj, Iran)
C. Haley ⁴ (Division of Genetics and Genomics, The Roslin Institute and Royal (Dick) School of Veterinary Studies, University of Edinburgh, Easter Bush, Midlothian, EH25 9RG, United Kingdom)
P. Navarro ⁵ (Medical Research Council Human Genetics (MRC) Human Genetics Unit, MRC Institute of Genetics and Molecular Medicine University of Edinburgh, Western General Hospital, Crewe Road, Edinburgh, EH4 2XU, United Kingdom)
R. Pong-Wong ⁶ (Division of Genetics and Genomics, The Roslin Institute and Royal (Dick) School of Veterinary Studies, University of Edinburgh, Easter Bush, Midlothian, EH25 9RG, United Kingdom)

Received: 2014-03-28 Accepted : 2014-05-31 Published : 2015-03-01

Keywords: BayesC, GBLUP, ارزش اصلاحی, تعداد QTL, توزیع اثرات QTL,

Abstract :

هدف از این مطالعه، مقایسه صحت ارزش‌های اصلاحی برآورد شده و پیش‌بینی شده، به وسیله دو رویکرد مختلف، GBLUP  و BayesC، با استفاده از داده‌های شبیه سازی شده تحت توزیع‌های متفاوت اثرات جایگاه‌های مؤثر بر صفات کمی (QTL)، بود. داده‌ها با استفاده از سه توزیع متفاوت برای اثرات QTL، توزیع‌های یکنواخت، نرمال و گاما (66/1 و 4/0)، شبیه سازی شد. برای تعداد QTL مقادیر 5، 10 و 20 فرض شد. در نهایت، 9 سناریوی متفاوت برای مقایسه ارزش‌های اصلاحی برآورد شده حاصل از نشانگرها ایجاد شد و با استفاده از آزمونT  با هم مقایسه شدند. در مقایسات بین GBLUP و BayesC بر روی سناریوهای متفاوت صفات مورد مطالعه، برآورد ارزش‌های اصلاحی ژنومی به دست آمد و فارغ از توزیع‌ها و فرضیات به کار رفته، این برآوردها با ارزش‌های اصلاحی واقعی در جمعیت آزمون همبستگی بالایی (80/0r>) را نشان داند. در اکثر صفات شبیه سازی شده، BayesC برآوردهای صحیح‌تری از GBLUP ارائه کرد. در تمامی سناریوها فارغ از توزیع‌های متفاوت اثرات QTL و در همه تعداد QTL، GBLUP همواره صحت بالایی ارائه کرد. BayesC در صفات دارای تعداد کمتر QTL و توزیع گامای اثرات QTL، صحت‌های بالاتری را ارائه کرد. درنتیجه، GBLUP و BayesC در همه سناریوها، همواره صحت‌های بالایی ارائه کردند، هرچند BayesC در صفات دارای تعداد کمتر QTL با توزیع گامای اثرات عملکرد بهتری داشت.

References:

Coster A., Bastiaansen J.W.M., Calus M.P.L., Van Arendonk J.A.M. and Bovenhuis H. (2010). Sensitivity of methods for estimating breeding values using genetic markers to the number of QTL and distribution of QTL variance. Genet. Select. Evol. 42, 9-15.
Daetwyler H.D., Pong-Wong R., Villanueva B. and Woolliams J.A. (2010). The impact of genetic architecture on genome-wide evaluation methods. Genetics. 185, 1021-1031.
Daetwyler H.D., Villanueva B., Bijma P. and Woolliams J.A. (2007). Inbreeding in genome-wide selection. J. Anim. Breed. Genet. 124, 369-376.
Dekkers J.C.M. (2007). Prediction of response from marker-assisted and genomic selection using selection index theory. J. Anim. Breed. Genet. 124, 331-341.
Gilmour A.R., Thompson R. and Cullis B.R. (1995). Average information REML: an efficient algorithm for variance parameter estimation in linear mixed models. Biometrics. 51, 1440-1450.
Goddard M. (2008). Genomic selection prediction of accuracy and maximisation of long term response. Genetica. 136, 245-257.
Haldane J.B.S. (1919). The combination of linkage values and the calculation of distances between the loci of linked factors. J. Genet. 8, 299-309.
Hayes B.J., Visscher P.M. and Goddard M.E. (2009). Increased accuracy of artificial selection by using the realized relationship matrix. Genet. Res. 91, 47-60.
Henderson C.R. (1975). Best linear unbiased estimation and prediction under a selection model. Biometrics. 31, 423-447.
Meuwissen T.H.E., Hayes B.J. and Goddard M.E. (2001). Prediction of total genetic value using genome-wide dense marker maps. Genetics. 157, 321-322.
Nadaf J. and Pong-Wong R. (2011). Applying different genomic evaluation approaches on QTLMAS2010 dataset. BMC Proc. 5(3), 9-16.
Nejati Javaremi A., Smith C. and Gibson P.J. (1997). Effect of total allelic relationship on accuracy of evaluation and response to selection. J. Anim. Sci. 75, 1738-1745.
Shirali M., Miraei-Ashtiani S.R., Pakdel A., Haley C. and Pong-Wong R. (2012). Comparison between Bayesc and GBLUP in estimating genomic breeding values under different QTL variance distributions. Iranian J. Anim. Sci. 43, 261-268.
Solberg T.R., Sonesson A.K., Woolliams J.A. and Meuwissen T.H.E. (2008). Genomic selection using different marker types and densities. J. Anim. Sci. 86, 2447-2454.
Sved J.A. (1971). Linkage disequilibrium and homozygosity of chromosome segments in finite populations. Theor. Popul. Biol. 2, 125-141.
Tibshirani R. (1996). Regression shrinkage and selection via the Lasso. J. Roy. Stat. Soc. B Met. 58, 267-288.
Villanueva B., Pong-Wong R., Fernandez J. and Toro M.A. (2005). Benefits from marker-assisted selection under an additive polygenic genetic model. J. Anim. Sci. 83, 1747-1752.
Visscher P.M. and Haley C.S. (1998). Strategies for marker-assisted selection in pig breeding programmes. Pp. 503-510 in Proc. 6^th World Cong. Genet. Appl. Livest. Prod. WCGALP, Armidale, Australia.
Woolliams J.A., Pong-Wong R. and Villanueva B. (2002). Strategic optimisation of short- and long-term gain and inbreeding in MAS and non-MAS schemes. Pp. 23-25 in Proc. 7^th World Cong. Genet. Appl. Livest. Prod. Montpellier, France.