نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار و عضو هیات علمی گروه علوم دامی دانشگاه ایلام

2 استادیار و عضو هیات علمی گروه علوم دامی دانشگاه جیرفت

چکیده

صفات تولیدمثل بدلیل تاثیر زیاد بر سودآوری، در صنعت پرورش گاوهای شیرده جزء صفات عملکردی محسوب می‌شوند. به دلیل وراثت‌پذیری پایین این صفات، پیشرفت ژنتیکی آن‌ها به کندی صورت می‌گیرد. بنابراین، انتخاب ژنومی یک روش موثر برای افزایش پیشرفت ژنتیکی این صفات می‌باشد.صحت انتخاب ژنومی وابسته به عوامل زیادی از جمله، وراثت‌پذیری صفات، روش آماری محاسبه اثرات نشانگر تک نوکلئوتیدی SNP در جمعیت مرجع و تعداد افراد جمعیت مرجع بستگی دارد. لذا هدف از پژوهش کنونی، مقایسه صحت و اریب پیش‌بینی‌های ژنومی برای این صفات با استفاده از روش‌های تک مرحله‌ای و چند مرحله‌ای GBLUP تحت راهبردهای مختلف به کمک داده شبیه‌سازی شده بود. بدین منظور، ژنومی حاوی 1000، 2000 و 5000 نشانگر تک نوکلئوتیدی دو آللی (SNP) به طول یک سانتی مورگان شبیه‌سازی گردید. تعداد افراد جمعیت مرجع در سه راهبرد متفاوت به ترتیب 1000، 1500 و 2000 در نظر گرفته شد. میانگین‌های صحت انتخاب تحت روش‌هایMS-GBLUP و SS-GBLUP به ترتیب 244/0 و 399/0 برآورد گردیدند. با افزایش تعداد افراد جمعیت مرجع از 1000 به 2000 حیوان میانگین صحت پیش‌بینی ژنومی در روش MS-GBLUP به ترتیب از 209/0 به 294/0 و در روش SS-GBLUP به ترتیب از 348/0 به460/0 افزایش یافت. متوسط ضریب رگرسیون برای روش‌های فوق به ترتیب 12/1 و 94/0 برآورد گردید. به طور کلی، نتایج به دست آمده در پژوهش کنونی نشان دادند که که در صفات با وراثت‌پذیری پایین برای افزایش صحت انتخاب، استفاده از روش تک‌مرحله‌ای GBLUP به همراه افزایش تعداد افراد جمعیت مرجع به عنوان روش مناسبی برای برآورد اثرات نشانگر می‌باشد.

کلیدواژه‌ها

محمدی، ی.، ستایی مختاری، م. و رزم کبیر، م. (1396). مطالعه روش‌های پیش‌بینی ارزش اصلاحی ژنومی -  مقایسه روش‌های BLUP سنتی،      G- BLUP و روش تک‌مرحله‌ای SS- BLUP. فصلنامه ژنتیک نوین. دوره 12، شماره2. ص ص. 173-167.
Aguilar, I., Misztal, I., Legarra, A. and Tsuruta, S. (2010). Efficient computation of the genomic relationship matrix and other matrices used in single-step evaluation. Journal Animal Breeding and Genetics. 128:422–428.
Aliloo, H., Mrode, R., Okeyo, A.M., Ni, G., Goddard, M.E. and Gibson, J.P. (2018). The feasibility of using low-density marker panels for genotype imputation and genomic prediction of crossbred dairy cattle of East Africa. Journal of Dairy Science. 10: 9108-9127.
Azizian, S., Shadparvar A.A., Ghavi Hossein- Zadeh, N., and Shekalgorabi, S. (2016). Effect of increasing accuracy of genomic evaluations on economic efficiency of dairy cattle breeding programmes. Italian Journal of Animal  Science. 15: 379-385.
 Chang, L.Y.,  Toghiani, S.,  Ling, A.,  Aggrey, S.E. and  Rekaya, R. (2018).  High density marker panels, SNPs prioritizing and accuracy of genomic selection. BMC Genetics. 19: 4.
Christensen, O.F. and Lund, M.S. (2010). Genomic prediction when some animals are not genotyped. Genetic Selection Evolution. 42:2.
De los Campos, G., Hickey, J.M., Pong-Wong, R., Daetwyler, H.D. and Calus M.P.L. (2013). Whole-genome regression and prediction methods applied to plant and animal breeding. Genetics. 193: 327–345.
Gao, H., Christensen, O.F., Madsen, P., Nielsen, U.S., Zhang, Y., Lund, M.S. and Su, G. (2012). Comparison on genomic predictions using three GBLUP methods and two single-step blending methods in the Nordic Holstein population. Genetic Selection Evolution. 44:8.
Goddard, M.E. (2009). Genomic selection: Prediction of accuracy and maximization of long term response. Genetica, 136:245–257.
Goddard, M.E. and Hayes, B.J. (2009). Mapping gene for complex traits' in  domestic animal and their use in breeding programmes. Nature Reviews Genetic. 10:381–391.
Guarini, A.R., Lourenco, D.A.L., Brito, L.F., Sargolzaei, M., Baes, C., Miglior, F., Misztal, I. and Schenkel, F.S. (2018). Comparison of genomic predictions for lowly heritable traits using multi-step and single-step genomic best linear unbiased predictor in Holstein cattle. Journal of  Dairy Science. 101:1–11.
Hayes, B., Bowman, P., Chamberlain, A and Goddard, M. (2009). Genomic selection in dairy cattle: Progress and challenges. Journal of Dairy  Science. 92:433–443.
Hoze, C., Fritz, S. Phocas, F. Boichard, D. Ducrocq, V. and Croiseau, P. (2014). Efficiency of multi-breed genomic selection for dairy cattle breeds with different sizes of reference population. Journal of Dairy  Science. 97:3918–3929.
Ismael, A.,Lovendhal, P., Fogh, A., Lund, M.S., and Su, G. (2017). Improving genetic evaluation using a multitrait single-step genomic model for ability to resume cycling after calving, measured by activity tags in Holstein cows. Journal of  Dairy Science, 10: 8188-8196.
Koivula, M., Strandén, I., Su, G., and Mäntysaari, E.A. (2012). Different methods to calculate genomic predictions—Comparisons of BLUP at the single nucleotide polymorphism level, BLUP at the individual level (G-BLUP), and the one-step approach (H-BLUP). Journal of Dairy  Science. 95:4065–4073.
Legarra, A., Christensen, O.F., Aguilar, I. and Misztal, I. (2014). Single Step, a general approach for genomic selection. Livestock Science. 166: 54–65.
Liu, Z., Seefried, F. R., Reinhardt, F., Rensing, S., Thaller, G., and Reents, R. (2011). Impacts of both reference population size and inclusion of a residual polygenic effect on the accuracy of genomic prediction. Genetic Selection Evolution. 43:19.
Ma, P., Lund, M. S., Nielsen, U. S., Aamand, G. P., and Su, G. (2015). Single-step genomic model improved reliability and reduced the bias of genomic predictions in Danish Jersey. Journal of Dairy  Science. 98:9026–9034.
Misztal, I., Legarra, A. and Aguilar, I. (2009). Computing procedures for genetic evaluation including phenotypic, full pedigree, and genomic information. Journal of Dairy  Science. 92:4648–4655.
Misztal, I., Tsuruta, S., Strabel,T., Auvray, B., Druet T., and Lee, D. (2002). BLUPF90 and related programs (BGF90). Communication No. 28–07 in Proc. 7th World Congr. Genetics Applied to Livestock Production. Montpellier, France.
Meuwissen, T.H., Hayes, B.J., and Goddard, M.E. (2001). Prediction of total genetic value using genome-wide dense marker maps. Genetics. 157: 1819–1829.
Momen, M., Mehrgardi, A.A., Sheikhy, A., Esmailizadeh, A.K., and Assadi Fozzi, M. (2016).
Predictive Ability of Statistical Genomic Prediction Methods When Underlying Genetic Architecture of Trait Is Purely Additive. Iranian Journal of Applied Animal Science. 6: 815-822.
Neves, H.H.R., Carvalheiro, R., O’Brien, A. M., Utsunomiya, Y.T., do Carmo, A.S., Schenkel, F.S., Sölkner, J., McEwan, J.C., Van Tassell, C.P., Cole, J.B.,  and da Silva, M.V. Queiroz, S. A. (2014). Accuracy of genomic predictions in Bos indicus (Nellore) cattle. Genetics Selection Evolution. 46:17.
Piccoli, M.L., Brito, L.F., Braccini, J., Brito, F.V., Cardoso, F.F., Cobuci, J.A., Sargolzaei, M. and Schenkel, F.S. (2018). A comprehensive comparison between single- and two-step GBLUP methods in a simulated beef cattle population. Canadian Journal of Animal Science. 98: 565–575.
Sargolzaei, M.,  and Schenkel, F.S. (2009).QMSim: a large-scale genome simulator for livestock. Bioinformatics. 25: 680–1.
Song, H., Zhang, J., Jiang, Y., Gao, H., Tang, S., Mi, S., Yu, F., Meng, Q., Xiao, W. and Ding, X. (2017). Genomic prediction  for growth and reproduction traits in pig using an admixed reference population. Journal of Animal Science. 95: 3415-3424.
Sullivan, P. G. (2009). Options for combining direct genomic and progeny test results. Report to the Genetic Evaluation Board of CDN. Canadian Dairy Network (CDN), Guelph, Ontario, Canada.
Veerkamp, R.F., and Beerda, B. (2007). Genetics and genomics to improve fertility in high producing dairy cows. Therlogenology. 68: 266- 273.
Wiggans, G.R., VanRaden, P.M., and Cooper,T.A. (2011). The genomic evaluation system in the United States: Past, present, future. Journal of Dairy Science. 94:3202–3211.