مقايسه مدل خطي-خطي با مدل خطي-آستانه اي در پيش بيني ارزش هاي اصلاحي با استفاده از داده هاي شبيه سازي شده

Comparison of linear-linear vs. linear- threshold models for prediction of breeding values using simulated data

به منظور مقايسه دو مدل خطي-خطي(LLM) و خطي-آستانه اي (LTM) در پيش بيني ارزش اصلاحي، دو جمعيت اصلاح نژادي با دو صفت و با تعداد 6700 حيوان با استفاده از نرم افزار ويژوال بيسيك شبيه سازي شد. در هردوجمعيت وراثت پذيري صفت اول و دوم 30/0 و10/0 ولي همبستگي ژنتيكي بين دو صفت در جمعيت اول (A)50/0 و در جمعيت دوم (B) 50/0-در نظر گرفته شد. گزينش دام هاي مولد براساس شاخص انتخاب دو صفتي و آميزش دام هاي انتخاب شده بطور تصادفي در مدت 15 سال (هر سال400 ماده و 40 نر) انجام شد. صفت دوم با استفاده از تابع ربط پروبيت به يك صفت آستان هاي با سه دسته تبديل شد به طوري كه 50 درصد مشاهدات در دسته اول، 35 درصد در دسته دوم و 15 درصد در دسته سوم قرار گرفتند. پيش بيني ارزش هاي اصلاحي با LLM با استفاده از روش حداكثر درست نمايي محدود شده (REML) و در LTM با استفاده از روش بيزي از طريق نمونه گيري گيبس مبتني بر مدل دام انجام شد. همبستگي پيرسون بين ارزش هاي اصلاحي پيش بيني شده دو مدل در جمعيت(A و B ) در صفت پيوسته (93/0و88/0 ) و در صفت آستانه اي (82/0 و 62/0) نسبتاً بالا بود. همبستگي رتبه اي بين ارزش هاي اصلاحي دو مدل تقريباً مشابه همبستگي پيرسون بود. صحت انتخاب در دو جمعيت در LLM بيشتر ازLTM بود. همچنين نتايج نشان داد LLM نسبت به مدل LTM در پيش بيني ارزش اصلاحي دام ها براي هر دو صفت برتر است و مدل LLM در برآورد ارزش هاي اصلاحي همبستگي ژنتيكي بين صفات را بهتر از LTM در نظر مي گيرد.

In order to compare two linear-linear (LLM) and linear-threshold (LTM) models in prediction of breeding values, two populations consisting of 6700 animals were simulated using of the Visual Basic programming language. In both populations the heritability’s for the first and second trait were assumed to be 0.30 and 0.10 respectively, but the genetic correlation between two traits was 0.50 in population A and -0.50 in population B. Selection of parents did on two trait selection index and mating of selected parents conducted randomly for 15 years. The second trait transformed into a categorical trait assigning 50 % of observed data in the first category, 34 % in the second, and 16 % in the third using the probit function. In the LLM breeding values were predicted under animal model and derivative free restricted maximum likelihood methodology and in the LTM predicted breeding values were obtained using a Bayesian method, implemented via Gibbs sampling procedure. Pearson correlation between two models for predicted breeding values in two populations (A and B) in continues trait (0.93 and 0.88) and in the threshold trait (0.82 and 0.62) was relatively high. Ranked correlation between predicted breeding values of two models was similar to Pearson correlation. Accuracy of selection in tow populations in the LLM was higher than LTM. The results indicated that the LLM was superior to LTM in prediction of breeding values and the LLM more accurately considers genetic correlation between traits than LTM.