قابلیت پیش‌بینی مدل‌های آماری پیش‌بینی ژنومی هنگامیکه صفت مورد بررسی تحت تأثیر معماری کاملاً افزایشی است

Subject Areas : Camel

م. مومن ¹ , ا. آیت‌آللهی مهرجردی ² , ا. شیخی ³ , ع. اسماعیلی‌زاده ⁴ , م. اسدی فوزی ⁵

1 - Department of Animal Science, Faculty of Agriculture, Shahid Bahonar University of Kerman, Kerman, Iran
2 - Department of Animal Science, Faculty of Agriculture, Shahid Bahonar University of Kerman, Kerman, Iran
3 - Department of Animal Science, Faculty of Mathematics and Computer Science, Shahid Bahonar University of Kerman, Kerman, Iran
4 - Department of Animal Science, Faculty of Agriculture, Shahid Bahonar University of Kerman, Kerman, Iran
5 - Department of Animal Science, Faculty of Agriculture, Shahid Bahonar University of Kerman, Kerman, Iran

Received: 2016-03-28 Accepted : 2016-08-31 Published : 2016-12-01

Keywords: روش آماری پیش‌بینی ژنومی, پارامتری, ناپارامتری, قابلیت پیش‌بینی,

Abstract :

یک مطالعه شبیه سازی شده به منظور بررسی قابلیت پیش­بینی روش­های پارامتری و ناپارامتری پیش­بینی ژنومی، هنگامی که صفت کمی تحت تأثیر معماری ژنتیکی کاملا افزایشی صورت گرفت. بدین منظور یک صفت کمّی با وراثت­پذیری کاملاً افزایشی (h2=0.3)، تحت تأثیر 300 جایگاه کنترل کننده صفت کمّی (QTL)، شبیه­سازی شد. قابلیت پیش­بینی 14 مدل آماری براساس چهار معیار اریبی، مجموع مربعات خطا، همبستگی بین مقدار فنوتیپ مشاهده شده و ارزش اصلاحی ژنومی برآورد شده وهمچنین، همبستگی ارزش اصلاحی برآورد شده و ارزش اصلاحی واقعی برآورد گردید. نتایچ نشان داد که مدل­های پیش­بینی ژنومی پارامتری قابلیت پیش­بینی بهتری نسبت به مدل­های غیرپارامتری دارند. همچنین، تمامی مدل­های پارامتری به غیر از روش RR-BLUP بیشتر واریانس فنوتیپی را می­توانند توجیه کنند و مجموع مربعات خطای کمتر، همبستگی پیش­بینی و همبستگی ارزش اصلاحی برآورد شده و ارزش اصلاحی واقعی بالاتری برآورد گردید. همچنین این روش­ها کمترین اریبی را نشان دادند و مقادیر پیش­بینی شده حاصل از آنها نااریب­تر بود. روش ناپارامتری Random forest بدترین عملکرد را نشان داد. به طور کلی نتایج این شبیه­سازی نشان داد که، تفاوت بسیار زیادی بین روش­های ناپارامتری هنگامیکه صفت تحت تأثیر معماری ژنتیکی غیر افزایشی می­باشد وجود دارد. این اتفاق ممکن است زمانیکه اثرات غلبه و اپیستاتیک به عنوان واریانس غیر افزایشی در معماری ژنتکی صفت دخیل باشند وجود نداشته باشد.

References:

Daetwyler H., Pong-Wong R., Villanueva B. and Woolliams J. (2010). The impact of genetic architecture on genome-wide evaluation methods. Genetics. 185, 1021-1031.

Daetwyler H.D., Calus M.P., Pong-Wong R., de Los Campos G. and Hickey J.M. (2013). Genomic prediction in animals and plants: simulation of data, validation, reporting and benchmarking. Genetics. 1932, 347-365.

de Los Campos G., Hickey J.M., Pong-Wong R., Daetwyler H.D. and Calus M.P. (2013). Whole-genome regression and prediction methods applied to plant and animal breeding. Genetics. 1932, 327-345.

Desta Z.A. and Ortiz R. (2015). Genomic selection: genome-wide prediction in plant improvement. Trends. Plant. Sci. 199, 592-601.

Do D.N., Janss L.L., Jensen J. and Kadarmideen H.N. (2015). SNP annotation-based whole genomic prediction and selection: an application to feed efficiency and its component traits in pigs. J. Anim. Sci. 93(5), 2056-2063.

Fernández J., Toro M.A., Gómez-Romano F. and Villanueva B. (2016). The use of genomic information can enhance the efficiency of conservation programs. Anim. Fronts. 6(1), 59-64.

Gianola D., Fernando R.L. and Stella A. (2006). Genomic-assisted prediction of genetic value with semiparametric procedures. Genetics. 1733, 1761-1776.

Gianola D. and Rosa G.J.M. (2015). One hundred years of statistical developments in animal breeding. Ann. Rev. Anim. Biosci. 31, 19-56.

Hayes B. J., J. Pryce, A. J. Chamberlain, P. J. Bowman and M. E. Goddard (2010). Genetic architecture of complex traits and accuracy of genomic prediction: coat colour, milk-fat percentage and type in Holstein cattle as contrasting model traits. PLoS Genet. 6(9), 1001139.

Holland J.B. (2007). Genetic architecture of complex traits in plants. Curr. Opin. Plant. Biol. 10(2), 156-161.

Howard R., Carriquiry A.L. and Beavis W.D. (2014). Parametric and nonparametric statistical methods for genomic selection of traits with additive and epistatic genetic architectures. G3 Bethesda. 46, 1027-1046.

Lee S.H., van der Werf J.H., Hayes B.J., Goddard M.E. and Visscher P.M. (2008). Predicting unobserved phenotypes for complex traits from whole-genome SNP data. PLoS Genet. 4, 1000231.

Lidan Sun R.W. (2015). Mapping complex traits as a dynamic system. Phys. Life Rev. 13, 194-197.

Meuwissen T., Hayes B. and Goddard M. (2016). Genomic selection: a paradigm shift in animal breeding. Anim. Front. 6, 6-14.

Meuwissen T.H.E. and Goddard M.E. (2001). Prediction of total genetic value using genome-wide dense marker maps. Genetics. 157, 1819-1829.

Ober U., Ayroles J.F., Stone E.A., Richards S., Zhu D., Gibbs R.A., Stricker C., Gianola D., Schlather M., Mackay T.F. and Simianer H. (2012). Using whole-genome sequence data to predict quantitative trait phenotypes in Drosophila melanogaster. PLoS Genet. 8(5), 1002685.

R Core Team. (2015). R: a language and environment for statistical computing. Vienna, Austria: the R Foundation for Statistical Computing. Available at: http://www.R-project.org/.

Resende M.D.V., Resende M.F.R., Sansaloni C.P., Petroli C.D., Missiaggia A.A., Aguiar A.M., Abad J.M., Takahashi E.K., Rosado A.M., Faria D.A., Pappas G.J., Kilian A. and Grattapaglia D. (2012). Genomic selection for growth and wood quality in Eucalyptus: capturing the missing heritability and accelerating breeding for complex traits in forest trees. New Phytol. 194(1), 116-128.

Stranger B.E., Stahl E.A. and Raj T. (2011). Progress and promise of genome-wide association studies for human complex trait genetics. Genetics. 187(2), 367-383.

Su G., Christensen O.F., Ostersen T., Henryon M. and Lund M.S. (2012). Estimating additive and non-additive genetic variances and predicting genetic merits using genome-wide dense single nucleotide polymorphism markers. PLoS One. 7(9), 45293.

Tiezzi F. and Maltecca C. (2015). Accounting for trait architecture in genomic predictions of US Holstein cattle using a weighted realized relationship matrix. Genet. Sele. Evol. 47(1), 24.

Yang J., Zhu J. and Williams R.W. (2007). Mapping the genetic architecture of complex traits in experimental populations. Bioinformatics. 23(12), 1527-1536.