پديد آورندگان :
اكبري، زهرا دانشگاه ياسوج - دانشكده علوم پايه , اردلان، آرش دانشگاه ياسوج - دانشكده علوم پايه , قادري زفره ايي، مصطفي دانشگاه ياسوج - دانشكده كشاورزي , رفيعي، فرجاد دانشگاه گيلان - دانشكده علوم كشاورزي - گروه بيوتكنولوژي كشاورزي , مريدي، ميثاق دانشگاه گيلان - دانشكده علوم كشاورزي
كليدواژه :
انتخاب ژنومي , روش‌هاي فراسنجه‌اي و نافراسنجه‌اي , صحت ارزيابي ژنومي , محيط R
چكيده فارسي :
انتخاب ژنومي از بزرگ ترين پيشرفت هاي حوزه به نژادي حيوانات و گياهان در اوايل قرن بيست و يكم ميلادي محسوب مي گردد. روال ارزيابي ژنومي، كه روي انتخاب به كمك نشانگر بنا نهاده شد، متكي به پيش فرض وجود عدم تعادل پيوستگي بين نشانگرهاي تك نوكليوتيدي (SNP) متراكم در سطح ژنوم و جايگاه هاي كنترل كننده صفات كمي (QTL) است. از نظر ارزيابي ژنتيكي، انتخاب ژنومي، بسياري از مدل هاي رايج را تحث تاثير قرار داده و منجر به ايجاد مدل هاي آماري-ژنتيكي جديدي شده است كه هر يك فرضيه هاي مختلفي را كنكاش مي كنند. گرچه اين مدل ها را مي توان بر اساس معيارهاي مختلفي گروه بندي كرد، اما با در نظر گرفتن توزيع صفات مورد بررسي، مي توان آنها را در دو گروه فراسنجه اي و نافراسنجه اي تقسيم بندي نمود. در اين پژوهش صحت ارزش هاي ارثي ژنومي با استفاده از روش هاي آماري مختلف فراسنجه اي و نافراسنجه اي مورد بررسي قرار گرفته است. روش هاي فراسنجه اي مورد استفاده عبارت از رگرسيون ستيغي، رگرسيون لاسو، روش الاستيك نت، مدل هاي مختلط و روش هاي بيزي شامل رگرسيون ستيغي بيزي، لاسو بيزي، بيز A، بيز B، بيز C و بيز D هستند. روش هاي نافراسنجه اي شامل ارگرسيون هسته اي، فضاي هيلبرت با هسته بازآفرين و ماشين بردار پشتيبان رگرسيوني مي باشند. تمامي اين روش ها روي يك مجموعه داده واقعي شامل اطلاعات ژنومي و فنوتيپي مربوط به 2300 حيوان، با استفاده از كدهاي R اجرا شدند. براي انتخاب مدل مناسب، از معيارهاي صحت (همبستگي ارزش ارثي واقعي و برآورد شده) و ميانگين مربعات خطا (MSE) استفاده شد. نتايج نشان داد كه كارايي پيش بيني روش هاي فراسنجه اي نسبت به روش هاي نافراسنجه اي بالاتر است. در ميان مدل هاي ارزيابي ژنومي مورد استفاده به طور نسبي نشان داده شد كه روش بيز B نسبت به ساير مدل ها، از صحت و عملكرد بهتري برخوردار است و اين با نتايج ساير پژوهشگران همخواني نداشت. اين تضاد احتمالا به دليل ساختار داده هاي مورد استفاده بوده است. يكي از اهداف اين پژوهش ارايه مدل هاي آماري ارزيابي ژنومي همراه با كدهاي اجرايي آنها در محيط R بوده است، لذا كدهاي ياد شده در اين مقاله مي توانند در يادگيري مدل هاي ارزيابي ژنتيكي مورد بحث كمك شاياني به كاربران بكنند.
چكيده لاتين :
Genomic selection is one of the greatest advances in the field of animal and plant breeding in the early twentieth century. This genomic evaluation procedure, which was based on marker-assisted selection, relies on the assumption that there is linkage disequilibrium between dense single nucleotide markers (SNPs) at the genome level and quantitative trait control (QTL) sites. In terms of genetic evaluation, genomic selection influenced many common models and led to the development of new statistical genetic models, each of which explored different hypotheses. Although these models can be grouped according to different criteria, but by considering the distribution of the studied traits, they can be divided into: parametric and non-parametric groupes. In this study, the accuracy of genomic breeding values was investigated using various parametric and non-parametric statistical methods. Parametric methods were ridge regression, Lasso regression, Elastic net method, mixed models, Bayesian methods including Bayesian regression, Lasso Bayes, Bayes A, Bays B, Bays C and Bayes D. Non-parametric methods were kernel regression, reproducing kernel Hilbert spaces regression and regression support vector machine. All of these methods were performed on a real data set including genomic and phenotypic information of 2300 animals using R codes. To select the appropriate model, the criteria of accuracy (correlation of actual and estimated breeding values) and mean squared error (MSE) were used. The results showed that the predictive efficiency of parametric methods was higher than non-parametric-methods. Among the genomic evaluation models, it was shown that Bayes B was relatively more accurate and efficient than other models, however, this results did not agree with the results of other researchers, which may have been due to the data structure used in this study. Since one of the objectives of this study was to provide statistical models of genomic evaluation along with their executive codes in R environment, so the codes mentioned in this article could help the users to learn the genetic evaluation models discussed in this study.
