تاثیر مقیاس ماتریس روابط خویشاوندی ژنگانی بر برآورد مولفه های واریانس و درستی پیش بینی ارزش های اصلاحی
Publish place: IRANIAN JOURNAL OF ANIMAL SCIENCE، Vol: 48، Issue: 2
Publish Year: 1396
نوع سند: مقاله ژورنالی
زبان: Persian
View: 466
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IJAS-48-2_005
تاریخ نمایه سازی: 6 خرداد 1399
Abstract:
در این پژوهش، روش برای پیش بینی فراسنجه های ناشناخته پنج مدل بهترین پیش بینی نااریب خطی ژنگانی (ژنومی G-BLUP) از روش بیز و نمونه گیری گیبس استفاده شد. در هر مدل از مقیاسهای متفاوتی برای ماتریس G شامل استفاده از فراوانی آللی جمعیت بنیان گذار (Gfoun)، فراوانی آللی جمعیت مرجع (Gref)، فراوانی آللی برابر با 5/0 (G05)، یک ماتریس نرمال شده با میانگین عنصرهای قطری برابر با یک (Gnorm) و یک ماتریس G وزن شده با ماتریس A (Gwei)، استفاده شد. برای مقایسه نتایج از یک جمعیت دارای آمیزش تصادفی و یک جمعیت انتخاب شده، برای صفتی با وراثت پذیری 25/0 روی یک ژنگان با QTL 105 و 3000 نشانگر تک نوکلئوتیدی روی سه کروموزوم استفاده شد. نتایج نشان داد، عنصرهای ماتریس های G در مقایسه با ماتریس A واریانس بالاتری دارند. میانگین عنصرهای قطری و غیر قطری به غیراز Gnorm و Gwei از عنصرهای متناظر در A بالاتر بودند. روش های Gnorm-BLUP و G05-BLUP در مقایسه با سه روش دیگر منجر به برآورد متورم واریانس ژنتیکی شدند که این تورم در جمعیت انتخاب شده کمتر بود. میانگین درستی پنج مدل G-BLUP در جمعیت تصادفی 084/0 بالاتر (736/0 در مقابل 652/0) از جمعیت انتخاب شده و میانگین اریبی 014/0 پایین تر (026/0 در مقابل 04/0) بود. اریبی پیش بینی ارزش اصلاحی حقیقی جمعیت انتخاب شده با استفاده از Gwei نزدیک به صفر ولی با Gref بیشتر از 06/0 بود. بیشترین درستی و کمترین اریب می تواند با استفاده از فراوانی آللی جمعیت مرجع که با ماتریس A مقیاس شده اند، بهدست آید.
Keywords:
Authors
سید مهدی حسینی وردنجانی
دانشجوی دکتری ژنتیک و اصلاح نژاد دام، دانشگاه فردوسی مشهد
محمد مهدی شریعتی
استادیار ژنتیک و اصلاح نژاد دام، دانشگاه فردوسی مشهد
حسین نعیمی پور یونسی
دانشجوی دکتری ژنتیک و اصلاح نژاد دام، دانشگاه فردوسی مشهد
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :