بررسی عملکرد روش ششم از رگرسیون ریج در ارزیابی ژنومی صفات آستانه دار با معماری ژنتیکی افزایشی و غالبیت

چکیده مبسوط مقدمه و هدف: یکی از مسائل مهم در انتخاب ژنومی، برآورد اثر نشانگرها است. روش های مختلفی در طی سال های اخیر جهت برآورد اثر نشانگرها پیشنهاد شده ­اند که هر کدام ارزش های اصلاحی ژنومی را با صحت متفاوتی برآورد می نمایند. یکی از روش­های مورد استفاده در ارزیابی ژنومی روش رگرسیون ریج می ­باشد (rrBLUP) که در مطالعات مختلف برای پیش ­بینی ارزش­های اصلاحی ژنومی مورد استفاده قرار گرفته است. اخیرا با اعمال تغییراتی در پارامترهای روشrrBLUP نسخه­ ای از این روش تحت عنوان رگرسیون ریج-روش ششم (RR-m۶) برای حل مسائل رگرسیون پیشنهاد شده است. با این حال، تاکنون این روش در ارزیابی ژنومی صفات آستانه­ دار با معماری ژنتیکی افزایشی و غالبیت مورد استفاده قرار نگرفته است و عملکرد آن در این زمینه مشخص نیست. لذا در این تحقیق عملکرد پیش ­بینی این روش با سایر روش­ های رایج در ارزیابی ژنومی مقایسه شد. مواد و روش­ ها: ژنومی شامل ۱۰ کروموزوم، هر کدام حاوی ۱۰۰۰ نشانگر تک نوکلئوتیدی دو آللی (SNP) در سطح وراثت ­پذیری ۰/۵ شبیه­ سازی شد. به همه جایگاه های صفات کمی (QTLها) اثرات ژنتیکی افزایشی داده شد که اثرات آنها با توزیع گاما مدل­سازی شد. دو سناریو از تعدادQTL  به صورت ۱% و ۱۰% از تعداد کل SNPها (به ترتیب ۱۰ و ۱۰۰ QTL به ازاء هر کروموزوم) در نظر گرفته شد. همچنین در سناریوهای مختلف به ۰/۰، ۵۰ و ۱۰۰% از QTLها اثر غالبیت داده شد. ارزش­ های اصلاحی ژنومی با استفاده از روش ­های RR-m۶، rrBLUP، GBLUP، BayesA، درخت رگرسیونی (RT)، جنگل تصادفی (Random Forest, RF) و Boosting برآرود شده و شاخص­ های صحت پیش ­بینی، اریبی و پراکنش (تورم ارزش­های اصلاحی ژنومی) برای تجزیه و تحلیل ارزش­ های اصلاحی حاصل و مقایسه روش ­های مختلف مورد استفاده قرار گرفتند. در ضمن، زمان محاسباتی و میزان حافظه مورد نیاز برای پردازش کدهای مربوط به هر روش بر روی CPU محاسبه شد. یافته­ ها: نتایج نشان داد استفاده از یک مدل صرفا افزایشی زمانی که اثرات ژنتیک غالبیت در تنوع فنوتیپی صفت مشارکت داشته باشند، منجر به کاهش صحت و افزایش اریبی و پراکنش ارزش­های اصلاحی ژنومی خواهد شد که میزان آن با تعداد QTLهایی که اثر غالبیت دارند رابطه مستقیم داشت. در مقایسه با سایر روش­ ها، روش RR-m۶ عملکرد بسیار مطلوبی از خود نشان داد به صورتی­که در تمامی سناریوهای مطالعه شده، ارزش­ های اصلاحی ژنومی حاصل از آن از بیشترین صحت و کمترین اریبی و پراکنش برخوردار بود اگرچه در بیشتر موارد تفاوت آن با روش BayesA معنی ­دار نبود. از نظر سرعت محاسباتی روش RR-m۶ سریعترین روش­ ها بود و در ضمن در مقایسه با سایر روش­ ها به حافظه کمتری برای انجام تجزیه و تحلیل ها احتیاج داشت. نتیجه گیری: نتایج نشان داد از آن­جا که روش RR-m۶ ارزش­های اصلاحی ژنومی را با صحت بالایی پیش ­بینی می ­کند و در ضمن از نظر مدت زمان انجام محاسبات و میزان حافظه مورد نیاز نیز بسیار کارآمد است، می­ توان از آن برای ارزیابی ژنومی صفات آستانه دار استفاده نمود.

Keywords:

Dominance genetic effects , Genomic selection , QTL , Single nucleotide polymorphism , انتخاب ژنومی , اثرات ژنتیکی غالبیت , نشانگر تک نوکلئوتیدی دو آللی , QTL