صحت انتخاب ژنومي روش هاي پارامتري و ناپارامتري با معماري هاي ژنتيكي افزايشي و غالبيت

Genomic Selection Accuracy Parametric and Nonparametric Statistical Methods with Additive and Dominance Genetic Architectures

در بيشتر مطالعات پيش بيني ژنومي براي برآورد ارزش اصلاحي ژنومي فقط از اثرات افزايشي در مدل استفاده مي كنند. از طرفي در بيشتر صفات پيچيده يك منبع مهم تنوع، اثرات غالبيت بوده كه لحاظ نمودن اين اثر در مدل ممكن است باعث افزايش صحت پيش بيني هاي ژنومي گردند. در اين مطالعه كه با استفاده از شبيه سازي داده انجام شد، تاثير مقادير مختلف وراثت پذيري (0/1، 0/3 و 0/5) و نيز مقادير مختلف نسبت واريانس غالبيت به واريانس فنوتيپي (0، 0/05 و 0/15) بر صحت انتخاب ژنومي در روش هاي آماري پارامتري ( بيز A، B و LASSO) و ناپارامتري (RKHS) بررسي شد. همبستگي بين ارزش هاي اصلاحي حقيقي و ارزش هاي اصلاحي ژنومي، به عنوان معياري از صحت پيش بيني هاي ژنومي براي سناريوهاي مختلف به كمك نرم افزار R برآورد گرديد. نتايج اين مطالعه نشان داد كه با افزايش مقدار وراثت پذيري در تمام روش ها صحت پيش بيني ژنومي افزايش پيدا مي كند. همچنين با افزايش مقادير نسبت واريانس غالبيت به واريانس فنوتيپي در مدل، شيب صحت ژنومي در روش هاي پارامتري كند گرديده ولي در روش ناپارامتري سرعت افزايش صحت ادامه پيدا نمود. ميانگين مربعات خطا با افزايش مقدار نسبت واريانس غالبيت به واريانس فنوتيپي در روش ناپارامتري بيشتر كاهش يافت. از اين رو مي توان چنين نتيجه گرفت كه با افزايش سطح نسبت واريانس غالبيت به واريانس فنوتيپي در مدل، استفاده از روش هاي ناپارامتري احتمالاً بهتر از روش هاي پارامتري صحت پيش بيني هاي ژنومي را برآورد مي كنند.

In most genomic prediction studies only additive effects will be used in models for estimating genomic breeding values (GEBV). However, dominance genetic effects are an important source of variation for complex traits, considering them into account may improve the accuracy of GEBV. In the present study, performed applying simulated data, the effect of different heritability values (0.1, 0.3 and 0.5) and different values for the proportion of dominance variance to phenotypic variance (0, 0.05 and 0.15) on genomic selection accuracy in parametric (LASSO, A and B Bayes) and non-parametric (RKHS) statistical methods were studied. Correlations between the true and genomic breeding values, as a measure for the accuracy of genomic predictions under different scenarios were calculated using R software. The results of the present study revealed that, under all statistical methods as heritability values increased, the accuracy of genomic predictability increased. Also, as the value of dominance variance to phenotype variance increased genomic accuracy slant was slow under parametric methods but in the non-parametric method accuracy continued to increase. Under non parametric method the average mean square error was more reduced as the ratio of dominance variance to phenotype variance increased. Therefore, it may be concluded that under nonparametric method as the ratio of dominance variance to phenotype variance increased the accuracy of genomic predictions would be more increased than that of under parametric methods.