قايسه بين BayesC و GBLUP در برآورد ارزش هاي اصلاحي ژنومي در توزيع هاي متفاوت واريانس ژن هاي عمده اثر

Comparison between Bayesc and GBLUP in Estimating Genomic Breeding Values under Different QTL Variance Distributions

ژنومي حاوي 1000 چند شكلي تك نوكليوتيدي دو آللي روي يك كروموزوم به طول 100 سانتي مورگان شبيه سازي شد و توزيع هاي مختلف واريانس ژن هاي عمده اثر (يكنواخت، نرمال و گاما) و نيز تعداد ژن هاي عمده اثر متنوع (5، 10 و 20) به صورت فرضيات شبيه سازي صفات در نظر گرفته شدند و در نتيجه 9 صفت متفاوت ايجاد گرديد. مقايسه بين ارزش هاي اصلاحي ژنومي برآورد شده به وسيله BayesC و GBLUP نشان داد كه ارزش هاي اصلاحي ژنومي برآورد شده و ارزش هاي اصلاحي واقعي در جمعيت مرجع در تمامي صفات، همبستگي بسيار بالايي (80/0 < r) با يكديگر دارند. مقايسه صحت برآوردهاي دو روش در صفات مورد مطالعه نشان داد كه به جز در صفات با 5 ژن عمده اثر كه روش BayesC برتري معني داري (P < 0.05) نشان داد، در ساير صفات عملكرد هر دو روش در برآورد ارزش هاي اصلاحي يكسان بود. همچنين بررسي صحت برآوردهاي انجام شده توسط BayesC نشان داد كه اين روش با كاهش تعداد ژن هاي عمده اثر و نيز توزيع واريانس گاما در صفت مورد مطالعه، عملكرد بهتري نشان مي دهد. با اين حال روش GBLUP در تمامي صفات شبيه سازي شده برآورد صحيحي ارايه نمود و تعداد ژن ها و توزيع واريانس ژن هاي عمده اثر، اثري بر صحت برآوردهاي GBLUP نداشت كه اين امر مي تواند به فرضيات هر روش در مورد مدل ژنتيكي صفت مورد مطالعه ارتباط داشته باشد.

A genome consisted of 1000 biallelic single nucleotide polymorphisems (SNPs) on one chromosome with 100 CM length was simulated and different QTL variance distributions (Uniform, Normal and Gamma) and various numbers of QTL (5, 10 and 20) were considered as simulation assumptions and consecutively 9 various traits were generated. The comparison between GEBVs obtained from BayesC and GBLUP showed that GEBVs and true breeding values were largely correlated (r > 0.80) in training population for all traits. Comparing accuracies of GEBVs showed that both BayesC and GBLUP methods performed similarly, except in traits with 5 QTLs BayesC performed significantly better (P < 0.05). The accuracies of estimations using BayesC indicated that this method performed better under scenarios with low number of QTL and gamma variance distribution in trait of interest. However, GBLUP presented accurate estimations in all traits; and number of QTL and QTL variance distributions had no impact on accuracies of GBLUP estimations. These results can be due to assumed genetics model in trait of interest in each method.