- همه نشریات
- نشریات علمی سازمان تحقیقات، آموزش و ترویچ کشاورزی
- مجلات ترویجی سازمان تحقیقات، آموزش و ترویج کشاورزی
- سایر نشریات سازمان تحقیقات، آموزش و ترویج کشاورزی
- نشریات علمی انجمن ها
- علوم آب و خاک
- علوم اقتصاد و ترویج کشاورزی
- علوم جنگل, مرتع و آبخیزداری
- علوم دامی و شیلات
- علوم زراعی و باغی
- علوم گیاهپزشکی
- علوم مهندسی و مکانیزاسیون کشاورزی
- نشریات با زبان انگلیسی
- نشریات با زبان فارسی
- نشریات دانشگاه آزاد اسلامی
- نشریات علمی
پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 286 |
| تعداد نشریات سازمان | 84 |
| تعداد شماره‌ها | 3,034 |
| تعداد مقالات | 33,942 |
| تعداد مشاهده مقاله | 45,357,242 |
| تعداد دریافت فایل اصل مقاله | 65,933,237 |
بهینه سازی جمعیت مرجع در پویش ژنومی و ارزیابی ژنومیک | ||
| علوم دامی | ||
| دوره 33، شماره 126، خرداد 1399، صفحه 191-204 اصل مقاله (2.64 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/asj.2019.123551.1838 | ||
| نویسندگان | ||
| مرتضی مهدوی1؛ غلامرضا داشاب* 2؛ مهدی وفای واله2؛ محمد رکوعی3؛ مهدی سرگلزئی4 | ||
| 1دانش آموخته دکتری ژنتیک و اصلاح نژاد دام و طیور، گروه علوم دامی، دانشکده کشاورزی، دانشگاه زابل، زابل | ||
| 2دانشیار گروه علوم دامی، دانشکده کشاورزی، دانشگاه زابل، زابل. | ||
| 3دانشیار گروه علوم دامی و گروه بیوانفورماتیک، دانشکده کشاورزی، دانشگاه زابل، زابل. | ||
| 4دانشیار گروه پاتولوژی، دانشگاه گوئلف و HiggsGene Solutions Inc ، گوئلف، کاناد | ||
| چکیده | ||
| بهینه‌سازی جمعیت مرجع در ارزیابی‌های ژنومیک به دلیل تأثیر آن بر صحت برآورد اثرات نشانگرها و ارزش-های ارثی ژنومیک نقش کلیدی در اصلاح حیوانات اهلی دارد. در مطالعه حاضر هفت روش متفاوت انتخاب جمعیت مرجع شامل انتخاب همه، انتخاب بیشترین و کمترین عملکردها، انتخاب تصادفی، انتخاب افراد با بیشترین و کمترین شباهت نشانگر و ژنگاه مورد ارزیابی قرار گرفت. در مطالعات پویش ژنومی روش انتخاب همه به عنوان جمعبت مرجع، نشانگرهای با فراوانی متوسط و بالا با اثر بزرگ بر روی صفت را تعیین نمود، اما استفاده از روش بیشترین و کمترین عملکردها، نشانگرهای با فراوانی نادر با اثر بزرگ بر روی صفت را گزارش نمود. استفاده هم‌زمان از تراکم بالای نشانگری و مرجع انتخابی در مقایسه با تراکم پایین و مرجع کامل، موجب کاهش صحت ارزیابی‌ها گردید، ولی رتبه‌بندی حیوانات را تغییر نداد. بین روش‌های انتخاب جمعیت مرجع با نسل (P≤0.0134) و همچنین با عدم تعادل لینکاژ (P≤ 2e-16) اثر متقابل وجود داشت. به طور کلی انتخاب همه حیوانات به عنوان جمعیت مرجع منتج به صحت‌های بالاتری در مقایسه با شش روش مرجع انتخابی گردید. بین روش‌های انتخاب، در جمعیت‌های با اندازه مؤثر کم (۲۵۵/۰r2 = ، 100=Ne) اختلافی وجود نداشت ، اما در جمعیت‌های با اندازه مؤثر زیاد (۰۸۶/۰r2= ،400=Ne) روش‌های انتخاب جمعیت مرجع با صحت‌های متفاوتی ارزش‌های اصلاحی ژنومی را پیشبینی کردند. بیشترین و کمترین صحت پیشبینی ارزش اصلاحی ژنومی به ترتیب متعلق به روش‌های انتخاب دام‌ها بر اساس حداکثر شباهت ژنگاه و نشانگری بود(0231/0≥P ) | ||
| کلیدواژه‌ها | ||
| "نشانگر"؛ " ژنتیک"؛ "انتخاب"؛ "ژنوتایپ"؛ "ژنگاه" | ||
| عنوان مقاله [English] | ||
| Optimization of Training Set in Genome Wide Association Study and Genomic Evaluation | ||
| نویسندگان [English] | ||
| Morteza Mahdavi1؛ Gholam Reza Dashab2؛ Mehdi Vafaye Valleh2؛ Mohammad Rokouei3؛ Mehdi Sargolzaei4 | ||
| 1Animal department | ||
| 2Assistant professor of animal science/ Department of Animal Science, University of Zabol, Zabol, Iran | ||
| 3Department of Animal Science, University of Zabol, Zabol, Iran Department of Bioinformatics, University of Zabol, Zabol, Iran | ||
| 41- Department of Pathobiology, University of Guelph, Guelph, Canada 2- HiggsGene Solutions Inc., Guelph, Canada | ||
| چکیده [English] | ||
| The optimization of the reference population in genomic evaluation plays an important role in livestock breeding, because of its potential impact on the accuracy of estimating the marker effects and genomic breeding values. In the present study, seven different train set selection methods including selection of all, selection of the highest and lowest performances, random selection, selection of individuals with the most and least marker and QTL similarity were evaluated. In genome wide association study selection of all as train set detected common SNPs which make a high variation on the trait. However selective train set was just reported rare SNPs with a major effect on the trait. In genomic selection simultaneous use of high-density markers and selective train set in comparison with low-density and selection of all as train set reduced accuracy, but did not change the ranking of animals. There was also an interaction between train set selection method and generation (P≤0.0134) as well as the linkage disequilibrium (P≤ 2e-16). In general, selection of all animals as a train set resulted in higher accuracy compared to six selective train set methods. There were no differences between the methods of selecting train set in populations with a low effective size (r2 = 0.255, Ne =100), but in populations with a high effective size (r2 = 0.086, Ne =400) methods, with different accuracy predicted genomic breeding values. The highest and lowest accuracy were respectively belonged to most QTL and marker similarity methods. | ||
| کلیدواژه‌ها [English] | ||
| "Marker", "Genetic", "Selection", " Genotyping", " QTL" | ||
| مراجع | ||
|
Ansari-Mahyari, S., Sørensen, A. C., Lund, M. S., Thomsen, H., & Berg, P. (2008). Across-Family Marker-Assisted Selection Using Selective Genotyping Strategies in Dairy Cattle Breeding Schemes. Journal of Dairy Science, 91(4), 1628–1639. https://doi.org/10.3168/jds.2007-0613 Blonk, R.J.W., Komen, J. and van Arendonk, J.A.M., (2010). Minimizing genotyping in breeding programs with natural mating. World Congress on Genetic Applied to Livestock Production, Leipzig, Germany, 195, 2–7. Boligon, A. A., Long, N., Albuquerque, L. G., Weigel, K. A., Gianola, D., & osa, G. J. M. (2012). Comparison of selective genotyping strategies for prediction of breeding values in a population undergoing selection. Journal of Animal Science, 90(13), 4716–4722. https://doi.org/10.2527/jas.2012-4857 Hayes, B. J., Bowman, P. J., Chamberlain, A. J., & Goddard, M. E. (2009). Invited review: Genomic selection in dairy cattle: Progress and challenges. Journal of Dairy Science, 92(2), 433–443. https://doi.org/10.3168/jds.2008-1646 Hill, W. G., & Robertson, A. (1968). Linkage disequilibrium in finite populations. Theoretical and Applied Genetics, 38(6), 226–231. https://doi.org/10.1007/BF01245622 Hu, Z. L., Park, C. A., Wu, X. L., & Reecy, J. M. (2013). Animal QTLdb: An improved database tool for livestock animal QTL/association data dissemination in the post-genome era. Nucleic Acids Research, 41(D1), 871–879. https://doi.org/10.1093/nar/gks1150 In: https://www.animalgenome.org/cgi-bin/QTLdb/OA/index Jannink, J. L. (2005). Selective phenotyping to accurately map quantitative trait loci. Crop Science, 45(3), 901–908. https://doi.org/10.2135/cropsci2004.0278 Jiménez-Montero, J. A., González-Recio, O., & Alenda, R. (2012). Genotyping strategies for genomic selection in small dairy cattle populations. Animal, 6(8), 1216–1224. https://doi.org/10.1017/S1751731112000341 Jin, C., Lan, H., Attie, A. D., Churchill, G. A., Bulutuglo, D., & Yandell, B. S. (2004). Selective phenotyping for increased efficiency in genetic mapping studies. Genetics, 168(4), 2285–2293. https://doi.org/10.1534/genetics.104.027524 Loberg, A. and Durr, J.W. (2009). Interbull survey on the use of genomic information. In: Proceedings of the Interbull technical workshop, Uppsala, Sweden, 39, 3–1 Lund, M. S., de Roos, A. P. W., de Vries, A. G., Druet, T., Ducrocq, V., Guillaume, F., Liu, Z., Schrooten, C., Su, G. (2010). Improving genomic prediction by EuroGenomics collaboration. In: 9th World Congress on Genetics Applied to Livestock Production, Leipzig, Germany (p. 150). https://doi.org/10.1007/s10530-015-1047-4 Nishio, M., & Satoh, M. (2014). Impacts of genotyping strategies on long-term genetic response in genomic selection. Animal Science Journal, 85(5), 511–516. https://doi.org/10.1111/asj.12184 Rupp, R., Mucha, S., Larroque, H., McEwan, J., & Conington, J. (2016). Genomic application in sheep and goat breeding. Animal Frontiers, 6(1), 39. https://doi.org/10.2527/af.2016-0006 Safari, A., & Fogarty, N. M. (2003). Genetic parameters for sheep production traits: estimates from the literature. Technical Bulletin, NSW Agriculture, Australia., 49, 13–21. Retrieved from http://www.sheepcrc.org.au/files/pages/articles/publications--genetics/Genetic_Parameters_entire_report.pdf Sargolzaei, M. (2014). SNP1101 User’s Guide. Version 1.0. HiggsGene Solutions Inc. Sargolzaei, M., & Schenkel, F. S. (2009). QMSim: A large-scale genome simulator for livestock. Bioinformatics, 25(5), 680–681. https://doi.org/10.1093/bioinformatics/btp045 Sargolzaei, M., Schaeffer, L. R., Wiggans, G. R., & Schenkel, F. S. (2014). Approximation of Reliability of Direct Genomic Breeding. In: 10th World Congress on Genetics Applied to Livestock Production, Vancouver, Canada, August 17-22. Su, G., Ma, P., Nielsen, U. S., Aamand, G. P., Wiggans, G., Guldbrandtsen, B., & Lund, M. S. (2016). Sharing reference data and including cows in the reference population improve genomic predictions in Danish Jersey. Animal, 10(6), 1067–1075. https://doi.org/10.1017/S1751731115001792 Sun, Y., Wang, J., Crouch, J. H., & Xu, Y. (2010). Efficiency of selective genotyping for genetic analysis of complex traits and potential applications in crop improvement. Molecular Breeding, 26(3), 493–511. https://doi.org/10.1007/s11032-010-9390-8 VanRaden, P. M., Van Tassell, C. P., Wiggans, G. R., Sonstegard, T. S., Schnabel, R. D., Taylor, J. F., & Schenkel, F. S. (2009). Invited Review: Reliability of genomic predictions for North American Holstein bulls. Journal of Dairy Science, 92(1), 16–24. https://doi.org/10.3168/jds.2008-1514 Weigel, K. A., Van Tassell, C. P., O’Connell, J. R., VanRaden, P. M., & Wiggans, G. R. (2010). Prediction of unobserved single nucleotide polymorphism genotypes of Jersey cattle using reference panels and population-based imputation algorithms. Journal of Dairy Science, 93(5), 2229–2238. https://doi.org/10.3168/jds.2009-2849 Wiggans, G.R., Sonstegard. T.S., VanRaden. P.M., Matukumalli, L.K., Schnabel. R.D.,Taylor, J.F., Chesnais. J.P., Schenkel, F. and Van, Tassell, C.P. (2008). Genomic evaluations in the United States and Canada: collaboration. In: Procedings of International Commitee of Animal Recording, Niagara Falls, NY, 6pp Xing, C. and Xing, G. (2009). Power of selective genotyping in genome-wide association studies of quantitative traits. BMC Proceedings, 3(Suppl 7): S23. https://doi: 10.1186/1753-6561-3-S7-S23 Yoav, B. and Yosef, H. (1995). Discovery Rate: A Practical and Powerful Approach to Multiple Testing. Journal of the Royal Statistical Society. 57(1), 289-300. Zhao, Y., Gowda, M., Longin, F. H., Würschum, T., Ranc, N., & Reif, J. C. (2012). Impact of selective genotyping in the training population on accuracy and bias of genomic selection. Theoretical and Applied Genetics, 125(4), 707–713. https://doi.org/10.1007/s00122-012-1862-2 | ||
|
آمار تعداد مشاهده مقاله: 545 تعداد دریافت فایل اصل مقاله: 391 |
||
سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب