روش هاي كارآمد برآورد ارزش اصلاحي ژنومي و مكان يابي QTNها در راهبردهاي به نژادي گاو شيري

Effective methods for estimating genomic breeding values and QTN mapping in dairy cows breeding strategies

سابقه و هدف: در دسترس بودن هزاران تك‌نكلئوتيد چندشكل كه در سراسر ژنوم گسترش يافته، امكان استفاده از اطلاعات نشانگرهاي ژنوم گسترده در انتخاب ژنومي براي پيش‌بيني ارزش اصلاحي كل را فراهم نمودند. اثر متقابل بين چند جايگاه ژن، به تغييرات فنوتيپي مرتبط با بيان صفات پيچيده چند ژني كمك مي‌كند. مطالعه حاضر به منظور مقايسه عملكرد مدل‌هاي مختلف با اثر ژنتيكي افزايشي و غيرافزايشي به ويژه اثر اپيستاتيك در پيش‌بيني اجزاي واريانس و ارزش‌هاي اصلاحي ژنومي و همچنين مكان‌يابي نوكلئوتيدهاي كنترل كننده صفت كمي در يك جمعيت گاو شيري بر اساس مدل بيز لاسو انجام شد. مواد و روشها: يك جمعيت گاو شيري بر اساس انتخاب چهار مسيره به منظور بيشينه نمودن سرعت پيشرفت ژنتيكي در طي 10 نسل با اندازه مؤثر 100 فرد در جمعيت تاريخي شبيه‌سازي شدند. ساختار ژنومي شامل 3 كروموزوم با طول 100 سانتي مورگان فرض شد كه بر روي هر كدام 1000 نشانگر 2 آللي با فراواني 5/0 جانمايي شدند. 50 جايگاه كنترل كننده صفت كمي دو آللي با فراواني برابر كه به صورت تصادفي در روي هر كروموزوم قرار داشتند، شبيه‌سازي شدند. براي اثرات آللي QTL از يك توزيع آماري گاما با شيب پارامتر 4/0 در نرم افزار QMSim استفاده شد و نمونه‌برداري انجام گرفت. اطلاعات فنوتيپي و ژنوتيپي 10 نسل آخر براي تجزيه و تحليل‌ها استفاده شدند. اثرات نشانگري، مؤلفه‌هاي واريانس و پارامترهاي ژنتيكي با روش بيز لاسو در قالب 6 مدل آماري برآورد شدند كه مدل 1 شامل تنها آثار افزايشي نشانگرها، مدل 2 شامل اثرات چندژني حيوان، مدل 3 شامل اثرات توأم افزايشي نشانگرها و چند‌ژني حيوان، مدل 4 شامل اثرات غالبيت نشانگرها و آثار چندژني حيوان، مدل 5 شامل اثرات افزايشي و غالبيت نشانگرها بعلاوه آثار چند‌ژني حيوان و مدل 6 شامل اثرات افزايشي، غالبيت و اپيستاتيك نشانگرها بعلاوه آثار چند‌ژني حيوان مي‌باشند. به منظور كنترل خطاي اول در برآورد آثار نشانگري از آزمون بنفروني در سطح احتمال يك درصد استفاده شد. يافتهها: نتايج اين مطالعه نشان داد كه مدل افزايشي (يا مدل چند ‌ژن) به تنهايي نمي‌تواند مقادير واريانس‌هاي گمشده يا مخفي را نمايان سازد، به نحوي كه افزودن آثار ژنتيكي غير‌افزايشي شامل غالبيت و اپيستاتيك نشانگرها منجر به كاهش واريانس باقيمانده شد. همچنين در مدل كامل شامل آثار افزايشي و غير‌افزايشي، واريانس ژنتيكي كل افزايش يافت. با اضافه شدن آثار غيرافزايشي در مدل آماري ميزان وراثت‌پذيري عام افزايش و وراثت‌پذيري خاص صفت كاهش يافت. صحت برآورد ارزش‌هاي اصلاحي در مدل يك كمترين و در مدل-هاي 3، 4، 5 و 6 مشابه هم بودند. مدل 5 با كمترين QTN مثبت كاذب و به نسبت بيشترين مثبت واقعي مدل مناسبي در ارزيابي ژنتيكي صفت مورد مطالعه بود. با قرار دادن آثار چندژني و آثار غير‌افزايشي در مدل از تعداد خطاهاي مثبت كاذب كاسته شد. نتيجهگيري: نتايج اين تحقيق نشان داد اجزاي واريانس افزايشي و غالبيت نشانگرها بر ميزان تنوع ژنتيكي صفت مورد مطالعه سهم كم داشت، اما اثرات چندژني حيوان و اپيستاتيك بيشترين سهم را در بروز تنوع صفت داشتند. همچنين نتايج نشان داد كه سهم عمده جايگاه هاي ژني در بروز صفات مربوط به ژن هاي افزايشي با اثر افزايشي هستند كه توزيع نرمال دارند. ناديده گرفتن آثار غير‌افزايشي موجب التهاب در واريانس افزايشي صفت مي‌شود.

Background and objective: The availability of thousands of polymorphic single nucleotides (SNPs) spread across the genomes made it possible to use genome-wide marker information to predict total breeding value in the implementation of genomic selection. The interaction between several gene loci contributes to the phenotypic changes associated with the expression of complex polygenic traits. The present study aimed to compare the performance of different models with additive and non-additive genetic effects, especially epistasis effects in predicting variance components and genomic breeding values as well as QTN in a dairy cow population based on Bayes Lasso model. Materials and methods: A population of dairy cattle was simulated based on a choice of four pathways to maximize the rate of genetic progress over ten generations with an effective size of 100 individuals in the base population. The genomic structure was assumed consisting of 3 chromosomes with a length of 100 cM and On each chromosome were located 1000 markers 2 allelic markers with a frequency of 0.5. 50 QTL double alleles with equal frequency were randomly assigned to each chromosome. For QTL allelic effects, a gamma distribution with a parameter slope of 0.4 was used in QMSim software and sampling was performed. Phenotypic and genotypic data of the last 10 generations were used for analysis. Marker effects, variance components and genetic parameters were estimated using the Bayes Lasso method in the form of 6 statistical models, that model 1 includes only the marker additive effects, model 2 includes the polygenic effects of animal, model 3 includes the combined effects of additive marker effects and polygenic effects of animal, model 4 includes the dominance effect of markers and polygenic effects of animal, model 5 includes the dominance and additive effects of markers in addition to the polygenic effects of animal, and finally, model 6 includes the additive, dominance and epistatic effects of markers in addition to the polygenic effects of animal. To control the type I error in estimating marker effects, Bonferroni test was used at 1% probability level. Results: The results of this study showed that the additive model or the polygenic model alone could not show the missing or hidden variance, in such a way that adding non-additive genetic effects including dominance and epistatic effects reduced the residual variance effects. Also in the complete model including additive and non-additive effects, the total genetic variance increased. With the addition of non-additive effects in the statistical model the Hertability in the broad sense was increased and the Hertabilitity in the narrow sense of trait decreased. The accuracy of breeding value estimation in model 1 was the lowest and in models 3 to 6 was the same. Model 5 with the lowest false positive QTN and the highest true positive proportion was the appropriate model for genetic evaluation of the studied traits. By including polygenic and non-additive effects in the model, the number of false positive errors was reduced. Conclusion: The results of this study showed that the components of additive and dominance variance markers had a small share in the genetic diversity of the studied trait, but the polygenic effects of animal and epistatic had the largest share in the exploring of genetic diversity of trait. The results also showed that the major contribution of gene loci in the exploring of traits is related to additive genes with an additive effect that have a normal distribution. Ignoring non-incremental effects causes inflammation in the additive variance of the trait.