ارزیابی عملکرد روش هایBoosting و بیز A در چالش های مختلف معماری ژنومی صفات گسسته و پیوسته

سابقه و هدف: گزینش ژنومی چالشی امید بخش برای کشف رموز ژنتیکی صفات کمی و کیفی به منظور بهبود رشد ژنتیکی و صحت پیش بینی ژنومی در اصلاح دام می باشد .در این پژوهش، عملکرد روش های Boosting و بیز A در برآورد ارزش های اصلاحی ژنومی صفات آستانه ای دودویی و پیوسته در تراکم مختلف نشانگری با استفاده از معماری های مختلف ژنومی مورد بررسی قرار گرفت. مواد و روش ها: داده های ژنومی از طریق نرم افزار QMSim با سطوح متفاوت وراثت پذیری (1/0 و 3/0)، سطوح مختلف LD (کم و زیاد)، تراکم های متفاوت جایگاه های صفات کمی (150 و 450) و تراکم مختلف نشانگری (K10 و k 50) برای تعداد 30 کروموزم شبیه سازی شدند. جهت ایجاد فنوتیپ آستانه ای دودویی در مجموعه مرجع، افراد هر نسل بر اساس فنوتیپ پیوسته در خروجی QMSim رتبه بندی شدند، سپس فنوتیپ آستانه ای افراد، وابسته به میانگین جمعیت شبیه سازی شده به ترتیب کد صفر (پایین تر از میانگین صفت) و کد یک (بالاتر از میانگین صفت) در نظرگرفته شد. در نهایت، ارزش های اصلاحی ژنومی با استفاده از روش های Boosting و بیز A محاسبه و جهت ارزیابی صحت ژنومی صفات آستانه ای و پیوسته، مورد استفاده قرار گرفتند. نتایج: روش Boosting دامنه گسترده ای از صحت ژنومی در مقایسه با روش بیز A با تغییرات تراکم نشانگرها نشان داد. روش Boosting در مقایسه با روش بیز آستانه ای A به ترتیب افزایشی 3/6 و 3/7 درصدی در صحت ژنومی صفات آستانه ای برای تراکم های نشانگری k10 و k50 نشان داد. عملکرد بیز A برای صفات با توزیع فنوتیپی پیوسته به طور قابل توجهی بیشتر از روش Boosting بود، خصوصا هنگامی که سناریوهای با تراکم نشانگری پایین استفاده شدند. ساختار معماری ژنومی از جمله وراثت پذیری، تعداد QTL و LD از فاکتورهای موثر بر صحت ژنومی روشهای بیز و Boosting بودند. در این راستا نقش وراثت پذیری بر عملکرد هریک از این روش ها مشهودتر بود. در مجموع، صحت های ژنومی روش بیز برای نوسانات تعداد QTL و روش Boosting برای نوسانات سطوح LD، حساسیت بیشتری نشان دادند. در تراکم بالای نشانگرها و برای صفات با فنوتیپ آستانه ای، بیشترین و کمترین میزان صحت ژنومی به ترتیب برای روش Boosting (598/0) و بیز آستانه ای A (510/0) هنگامی بود که تعداد بالای QTL وجود داشت. برای صفات پیوسته، بیشترین و کمترین میزان صحت ژنومی به ترتیب برای روش بیز A (702/0) و Boosting (569/0) در تعداد QTL پایین مشاهده شد. اثر مثبت افزایش LD بر صحت ژنومی روش های Boosting و بیز Aدر سناریوهای با تراکم نشانگر پایین نسبت به سناریوهای با تراکم نشانگری بالا مشهودتر بود. نتیجه گیری: روند کلی نتایج این تحقیق نشان داد که روش Boosting در ارزیابی ژنومی صفات آستانه ای و روش بیز A در ارزیابی صفات پیوسته بهترین عملکرد را نشان می دهند.

Keywords:

صفات آستانه ای , صحت ژنومی , وراثت پذیری , یادگیری ماشین , عدم تعادل پیوستگی