8954856055505db

ارزیابی کارایی تکنیک نمونه‌‌گیری تجمعی بوت‌‌استرپ بر صحت روش بهترین پیش‌‌بینی نااُریب خطی ژنومی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری، گروه علوم دامی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان

2 دانشیار، گروه علوم دامی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان

3 استاد، گروه علوم دامی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان

4 استادیار، گروه علوم دام و طیور، پردیس ابوریحان دانشگاه تهران

چکیده

به منظور افزایش صحت ارزیابی‌‌های روش بهترین پیش‌‌بینی نااُریب خطی ژنومی (GBLUP)، تکنیک نمونه‌‌گیری تجمعی بوت‌‌استرپ (بگینگ) بکار گرفته شد. بدین منظور ژنومی حاوی 10000 نشانگر تک‌‌نوکلئوتیدی دو آللی (SNP) با فواصل یکسان روی 10 کروموزوم هریک به طول 100 سانتی‌‌مورگان شبیه‌‌سازی شد. برای ایجاد عدم تعادل پیوستگی (LD) بین SNPها و جایگاه‌‌های‌ ژنی کنترل‌‌کنندة صفات کمی (QTL)، به مدت 100 نسل بین 100 فرد (50 نر و 50 ماده) آمیزش تصادفی صورت گرفت. در نسل 101 (جمعیت مرجع) تعداد نمونه‌‌ها به 1000 یا 2000 فرد افزایش یافت و برای این افراد یک ارزش فنوتیپی شبیه‌‌سازی شد. سپس اثر نشانگرها در این جمعیت با استفاده از روش GBLUP و روش ترکیبی GBLUP با تکنیک بگینگ (BGBLUP) برآورد گردید. در آخر با استفاده از ضرایب رگرسیونی برآورد شده و با توجه به ژنوتیپ نشانگرها برای افراد جوان نسل‌‌های 102 تا 105 که جمعیت تائید نام دارند و فاقد فنوتیپ‌‌اند، ارزش‌‌های اصلاحی ژنومی محاسبه شد. براساس نتایج پژوهش حاضر، صحت ارزش‌‌های اصلاحی ژنومی روش GBLUP در همة حالات از حیث عددی بالاتر از BGBLUP بوده (p > 0.05) و در مورد نسل اول جمعیت تائید (نسل 102) و بدون توجه به توزیع آثار جایگزینی ژنها، با جمعیتی برابر 1000 (یا 2000) فرد در جمعیت مرجع دامنة صحت ارزش‌‌های اصلاحی ژنومی روش GBLUP از 049/0±339/0 (042/0±412/0) برای صفت با توارث‌‌پذیری 5 درصد تا 015/0±728/0 (015/0±783/0) برای صفت با توارث‌‌پذیری 65 درصد متفاوت بود و مقادیر مشابه برای روش BGBLUP نیز به ترتیب 047/0±338/0 (042/0±411/0) و 016/0±725/0 (015/0±780/0) بود.

کلیدواژه‌ها


عنوان مقاله [English]

Evaluation of the effectiveness of bootstrap aggregating sampling technique in the accuracy of genomic best linear unbiased prediction method

نویسندگان [English]

  • Khabat Kheirabadi 1
  • Jamal Fayazi 2
  • Hedayatollah Roshanfekr 3
  • Rostam Abdollahi Arpanahi 4
1 Ph.D. Candidate, Department of Animal Science, Khuzestan Agricultural Sciences and Natural Resources University, Iran
2 Associate Professor, Department of Animal Science, Khuzestan Agricultural Sciences and Natural Resources University, Iran
3 Professor, Department of Animal Science, Khuzestan Agricultural Sciences and Natural Resources University, Iran
4 Assistant Professor, Department of Animal and Poultry Science, Aburaihan Campus, University of Tehran, Iran
چکیده [English]

In order to increase the accuracy of genomic best linear unbiased prediction method (GBLUP), bootstrap aggregating sampling (bagging) technique was applied. In this order a genome consisted of 10,000 bi-allelic single nucleotide polymorphism (SNP) over ten chromosomes, with 100 cM length each, was simulated. To generate linkage disequilibrium (LD) between SNPs and quantitative trait loci (QTL), random mating was simulated for 100 generations between 100 individuals (50 males and 50 females). Then in generation 101 (reference population) number of individuals increased to 1000 or 2000 and their phenotypes were also simulated. Then the marker effects were estimated in this population using GBLUP method or combined this method with bagging technique (BGBLUP). By using these regression coefficients and according to the genotype markers for juvenile individuals in generations 102 to 105, called validation population which had no phenotype, genomic breeding values were predicted. According to the finding of this research, the accuracies of genomic breeding values of GBLUP method were higher than those for BGBLUP (p > 0.05) and about the first testing set (102 generation) and regardless of QTL effects with a population of 1000 (or 2000) observations in the reference set, the range of GBLUP accuracy was 0.339±0.049 (0.412±0.042) for a trait with 0.05 heritability to 0.728±0.015 (0.783±0.015) for a trait with 0.65 heritability, whereas the accuracy of BGBLUP method were varied between 0.338±0.047 (0.411±0.042) to 0.725±0.016 (0.780±0.015).

کلیدواژه‌ها [English]

  • Accuracy of evaluation
  • bagging technique
  • Genomic Selection
  1. Abdollahi‐Arpanahi, R., Morota, G., Valente, B.D., Kranis, A., Rosa, G. J. M. & Gianola, D. (2015). Assessment of bagging GBLUP for whole‐genome prediction of broiler chicken traits. Journal of Animal Breeding and Genetics, 132, 218-228.
  2. Breiman, L. (1996). Bagging predictors. Machine learning, 24, 123-140.
  3. Efron, B. & Tibshirani, R. J. (1993). An introduction to the bootstrap, New York: Chapman & Hall.
  4. Gianola, D., Weigel, K. A., Krämer, N., Stella, A. & Schön, C. C. (2014). Enhancing genome-enabled prediction by bagging genomic BLUP. PLoS One, 9, e91693.
  5. Goddard, M. (2009). Genomic selection: prediction of accuracy and maximisation of long term response. Genetics, 136, 245-257.
  6. Goddard, M. E. & Hayes, B. J. (2007). Genomic selection. Journal of Animal Breeding and Genetics, 124, 323-330.
  7. Goddard, M. E. & Hayes, B. J. (2009). Mapping genes for complex traits in domestic animals and their use in breeding programmes. Nature Reviews Genetics, 10, 381-391.
  8. García-Ruiz, A., Cole, J. B., VanRaden, P. M., Wiggans, G. R., Ruiz-López, F. J. & Van Tassell, C. P. (2016). Changes in genetic selection differentials and generation intervals in US Holstein dairy cattle as a result of genomic selection. Proceedings of the National Academy of Sciences, 113, E3995-E4004.
  9. Habier, D., Fernando, R. & Dekkers, J. (2007). The impact of genetic relationship information on genome-assisted breeding values. Genetics, 177, 2389-2397.
  10. Habier, D., Tetens, J., Seefried, F.R., Lichtner, P. & Thaller, G. (2010). The impact of genetic relationship information on genomic breeding values in German Holstein cattle. Genetics Selection Evolution, 42, 5.
  11. 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, 433-443.
  12. Henderson, C. R. (1975). Best linear unbiased estimation and prediction under a selection model. Biometrics, 423-447.
  13. Hutchison, J., Cole, J. & Bickhart, D. (2014). Use of young bulls in the United States. Journal of Dairy Science, 97, 3213-3220.
  14. Lee, S. H., van der Werf, J. H., Hayes, B. J., Goddard, M. E. & Visscher, P. M. (2008). Predicting unobserved phenotypes for complex traits from whole-genome SNP data. PLoS Genetics, 4, e1000231.
  15. Lund, M. S., Sahana, G., de Koning, D. J., Su, G. & Carlborg, Ö. (2009). Comparison of analyses of the QTLMAS XII common dataset. I: Genomic selection. BMC proceedings, BioMed Central.
  16. Meuwissen, T., Hayes, B. & Goddard, M. (2001). Prediction of total genetic value using genome-wide dense marker maps. Genetics, 157, 1819-1829.
  17. Mikshowsky, A. A., Gianola, G. & Weigel, K. A. (2016). Improving reliability of genomic predictions for Jersey sires using bootstrap aggregation sampling. Journal of Dairy Science, 99, 3632-3645.
  18. Mikshowsky, A. A., Gianola, G. & Weigel, K. A. (2017). Assessing genomic prediction accuracy for Holstein sires using bootstrap aggregation sampling and leave-one-out cross validation. Journal of Dairy Science, 100, 453-464.
  19. Schaeffer, L. (2006). Strategy for applying genome‐wide selection in dairy cattle. Journal of Animal Breeding and Genetics, 123, 218-223.
  20. Technow, F. (2013). R Package hypred: Simulation of genomic data in applied Genetics. University of Hohenheim.
  21. VanRaden, P., Van Tassell, V., Wiggans, G., Sonstegard, T., Schnabel, R., Taylor, J. & Schenkel, F. (2009). Invited review: Reliability of genomic predictions for North American Holstein bulls. Journal of Dairy Science, 92, 16-24.