قابليت پيش‌بيني مدل‌هاي آماري پيش‌بيني ژنومي هنگاميكه صفت مورد بررسي تحت تأثير معماري كاملاً افزايشي است

يك مطالعه شبيه سازي شده به منظور بررسي قابليت پيش­بيني روش­هاي پارامتري و ناپارامتري پيش­بيني ژنومي، هنگامي كه صفت كمي تحت تأثير معماري ژنتيكي كاملا افزايشي صورت گرفت. بدين منظور يك صفت كمّي با وراثت­پذيري كاملاً افزايشي (h2=0.3)، تحت تأثير 300 جايگاه كنترل كننده صفت كمّي (QTL)، شبيه­سازي شد. قابليت پيش­بيني 14 مدل آماري براساس چهار معيار اريبي، مجموع مربعات خطا، همبستگي بين مقدار فنوتيپ مشاهده شده و ارزش اصلاحي ژنومي برآورد شده وهمچنين، همبستگي ارزش اصلاحي برآورد شده و ارزش اصلاحي واقعي برآورد گرديد. نتايچ نشان داد كه مدل­هاي پيش­بيني ژنومي پارامتري قابليت پيش­بيني بهتري نسبت به مدل­هاي غيرپارامتري دارند. همچنين، تمامي مدل­هاي پارامتري به غير از روش RRBLUP بيشتر واريانس فنوتيپي را مي­توانند توجيه كنند و مجموع مربعات خطاي كمتر، همبستگي پيش­بيني و همبستگي ارزش اصلاحي برآورد شده و ارزش اصلاحي واقعي بالاتري برآورد گرديد. همچنين اين روش­ها كمترين اريبي را نشان دادند و مقادير پيش­بيني شده حاصل از آنها نااريب­تر بود. روش ناپارامتري Random forest بدترين عملكرد را نشان داد. به طور كلي نتايج اين شبيه­سازي نشان داد كه، تفاوت بسيار زيادي بين روش­هاي ناپارامتري هنگاميكه صفت تحت تأثير معماري ژنتيكي غير افزايشي مي­باشد وجود دارد. اين اتفاق ممكن است زمانيكه اثرات غلبه و اپيستاتيك به عنوان واريانس غير افزايشي در معماري ژنتكي صفت دخيل باشند وجود نداشته باشد.

A simulation study was conducted to address the issue of how purely additive (simple) genetic architecture might impact on the efficacy of parametric and non-parametric genomic prediction methods. For this purpose, we simulated a trait with narrow sense heritability h^2= 0.3, with only additive genetic effects for 300 loci in order to compare the predictive ability of 14 more practically used genomic prediction models based on four criteria (mean squared error (MSE), Bias, γy,GEBV and γGEBV,TBV). Results suggested that parametric genomic prediction models have greater superiority over non parametric genomic models under a simple purely additive genetic architecture. Our result also showed that, all parametric methods, other than ridgeregression BLUP (RR-BLUP), could explain most of phenotypic variation because they showed lower MSE, higher predictive correlation (γy,GEBV), the least amount of bias (by,GEBV) and the higher correlations between true breeding values and the estimated genomic breeding values (γTBV,GEBV). Random forest regression had the worst performance among non parametric methods. The simulation results suggested that there is a large difference between performances of non parametric methods in comparison with parametric methods when underlying architecture is purely additive. But this may not happen when dominance and epistatic genetic effects contributing to both additive and non-additive genetic variances.