No category

پایان نامه ارشد رایگان درباره شبیه‌سازی، اثرات جایگاه، سودآوری، رگرسیون

دسامبر 1, 2018

ح نژادی گوسفند نیازمند یک جمعیت مرجع (با اندازه جمعیت مناسب) که افراد دارای فنوتیپ و ژنوتیپ هستند و نیز پرورش‌دهندگانی که مایل به سرمایهگذاری برای تعیین ژنوتیپ حیوانات کاندیدای خود هستند میباشد. برای تشکیل جمعیت مرجع اولیه سرمایه زیادی لازم است که پرورش‌دهندگان تمایلی به انجام آن ندارند. بنابراین، مساعدتهای دولتی (حاصل از درآمدها و مالیات‌ها و …) و نیز گرنتهای تحقیقاتی ضروری به نظر میرسد (وَن‌دِروِرف و همکاران، ۲۰۱۴).
۲-۱۳- مروری بر نتایج برخی مطالعات انجام شده
زرگریان و همکاران (۱۳۸۹) در یک مطالعه شبیه‌سازی نشان دادند که برای صفات با وراثت‌پذیری پایین افزایش تراکم نشانگری تا حد خاصی (تراکم نشانگری با فاصله ۱/۰ سانتی مورگان) باعث افزایش صحت برآورد ارزش‌های اصلاحی میشود و افزایش نشانگری بیش از آن سبب کاهش صحت برآوردها میشود. همچنین با کاهش افراد در جمعیت مرجع (که ممکن است به دلیل کاهش تعداد معلومات در حل معادلات باشد) و نیز با فاصله گرفتن نسل افراد کاندیدا با افراد نسل مرجع (احتمالاً به دلیل اثرات منفی نوترکیبی) صحت برآوردها کاهش مییابد. صحت برآوردها برای صفات با وراثت‌پذیری بالا در تراکم نشانگری یکسان بیشتر از صفات با وراثت‌پذیری پایین بود.
فروتنیفر و همکاران (۱۳۹۱) صحت برآورد ارزش‌های اصلاحی ژنومی و رایج را مقایسه و گزارش کردند که صحت ارزش‌های اصلاحی ژنومی به‌طور قابل ملاحظهای از روش رایج بالاتر است. صحت ارزش‌های اصلاحی ژنومی با افزایش تراکم نشانگری از ۱ به ۱/۰ سانتی مورگان، افزایش قابل ملاحظهای داشته و این افزایش برای صفات با وراثتپذیری پایین بیشتر بود. در هر دو روش صفات با وراثتپذیری پایین دارای صحت پایینتری بودند. این محققین همچنین عنوان کردند که دلیل کاهش صحت ارزش‌های اصلاحی ژنومی در صفات با توارث پذیری پایین، افزایش واریانس نمونهگیری برآورد اثرات نشانگری است که میتوان با افزایش تعداد نمونه در جمعیت مرجع در برآورد اثرات مارکرها، این نقصان و کاستی را جبران کرد. این محققین کاهش اندک صحت برآوردها نسبت به مطالعات مشابهی که با استفاده از شبیهسازی انجام شده است را تفاوت در روش رسیدن به LD بیان کردند. به‌طوری‌که در صورت استفاده از روش تعادل جهش- دریفت به‌جای دریفت به تنهایی (در این مطالعه استفاده شده است) برای رسیدن به LD، در LD بالاتری به تعادل خواهیم رسید.
با توجه به اینکه عامل ایجاد پیوستگی رانش، و عامل از بین برنده آن نوترکیبی است که در جمعیت مرجع اندازه‌گیری اثرات نشانگرها بر اساس تعادل حاصل از نوترکیبی و رانش صورت میگیرد؛ قابل‌انتظار است که در نسلهای بعد وقتی اثرات نشانگرها مجدد برآورد نمیشود میزان صحت برآورد ارزش‌های اصلاحی کاسته شود. زیرا اندازه جمعیت در نسلهای بعد (جمعیت تایید یا حیوانات کاندیدا) نسبت به جمعیت مرجع بزرگ‌تر است لذا LD ایجاد نمیشود و نوترکیبی باعث شکستن و کاهش LD بین مارکر و QTL میشود و درنتیجه کاهش صحت ارزش‌های اصلاحی را به دنبال خواهد داشت. بنابراین میزان LD میتواند یکی از عوامل تعیین‌کننده زمان دوباره برآورد کردن اثرات نشانگرها باشد.
شیرعلی و همکاران (۱۳۹۱) اثر تعداد ژنهای عمده اثر (۵، ۱۰ و ۲۰) و توزیعهای مختلف واریانس ژن عمده (نرمال، یکنواخت و گاما) را بر صحت برآورد ارزشهای اصلاحی ژنومی برآورد شده با استفاده از دو روش بیز C و GBLUP مطالعه کردند. نتایج نشان داد که هر دو روش صحت بالایی داشته، تنها در صفات با ۵ ژن عمده روش بیز C دارای مزیت و برتری معنیدار بوده ولی برای سایر صفات دو روش ارزیابی، عملکرد مشابهی داشتند. همچنین گزارش کردند که روش GBLUP در تمام صفات شبیه‌سازی شده برآورد صحیحی ارایه نموده و تعداد ژن و توزیع واریانس ژنهای عمده اثر، اثری بر صحت برآوردهای این روش نداشته است. اما روش بیز C با کاهش تعداد ژن عمده اثر و نیز توزیع واریانس گاما دارای عملکرد بهتری است. این محققین دلیل تفاوت در نتایج دو روش را به فرضیات هر روش در مورد مدل ژنتیکی صفت نسبت دادند.
نجاتی-جوارمی و همکاران (۱۹۹۷) عنوان کردند در صورت استفاده از ماتریس روابط آللی به‌منظور ارایه دقیق‌تر روابط خویشاوندی در معادلات مدل‌های مختلط، ارزش‌های اصلاحی برآورد شده به مقدار حقیقی خود نزدیک‌تر شده و پاسخ به انتخاب بیشتر خواهد بود. نرخ پیشرفت ژنتیکی برای صفاتی که دارای وراثت‌پذیری کم بودند و یا اینکه تحت تاثیر تعداد اندکی QTL و یا تعداد کمتر آلل در هر جایگاه بودند بیشتر بود. این محققین دلیل بهبود نرخ پیشرفت ژنتیکی را در این روش ارزیابی نسبت به روش استفاده از اطلاعات شجره را، نشان دادن دقیق‌تر رابطه بین افراد جمعیت عنوان کردند؛ زیرا به‌جای استفاده از متوسط رابطه خویشاوندی، حالت همسانی در موقعیت (IBS) را در نظر گرفته و تنوعات ناشی از نمونه‌گیری مندلی را نیز در نظر میگیرد. همچنین بیان کردند درصورتی‌که بتوان اثرات QTL را در مدل وارد کرد پیشرفت ژنتیکی تسریع خواهد شد.
صحت ارزش‌های اصلاحی ژنومی درصورتی‌که با استفاده از تعداد زیادی از نشانگرهای DNA پیش‌بینی شود بالا خواهد بود. همچنین درصورتی‌که نشانگرها به‌اندازه کافی متراکم باشند صحت برآورد ارزش‌های اصلاحی ژنومی به تعداد حیوانات ژنوتیپ شده و تعداد رکوردهای فنوتیپی در جمعیت مرجع (که اثرات نشانگرها برآورد میشوند)، وراثت‌پذیری صفت، تعداد جایگاه‌های مستقل ژنی یا قطعات کروموزومی در جمعیت بستگی دارد (گُدارد، ۲۰۰۸؛ دِتوایلِر و همکاران، ۲۰۰۸).
هِیز و همکاران (۲۰۰۹) با مقایسه تئوریهای صحت ارزش‌های اصلاحی ژنومی و نتایج حاصله در کشورهای مختلف نتیجه گرفتند که عواملی چون تعداد حیوانات دارای رکورد و ژنوتیپ شده در جمعیت مرجع، وراثت‌پذیری صفت، اندازه جمعیت تایید، نوع توزیع آماری فرض شده برای اثرات QTL و اندازه موثر جمعیت بر صحت ارزش‌های اصلاحی ژنومی برآورد شده مؤثرند.
سُوِد (۱۹۷۱) و گُدارد (۱۹۹۱) عنوان کردند که عدم تعادل لینکاژی تابعی از اندازه موثر جامعه و فاصله نشانگری است (Ne*C). که C فاصله نشانگری به مورگان است. درصورتی‌که عدم تعادل لینکاژی بین نشانگرها و QTL ناکامل باشد هاپلوتیپهای نشانگری نمیتوانند تمام واریانس QTL را توجیه کنند و بنابراین میزان LD میتواند صحت ارزش‌های اصلاحی ژنومی را محدود کند. مِوویسِن و همکاران (۲۰۰۱) بیان کردند Ne*C کمتر از ۲ (۱۰۰ فرد با فاصله نشانگری ۰۲/۰) برای پیش‌بینی ارزش‌های اصلاحی ژنومی با دقت بالا لازم است. همچنین با استفاده از نشانگرهای اطلاعاتیتر مقادیر بزرگ‌تر Ne*C نیز میتواند استفاده شود. نتایج حاصل از مقایسه مدل‌ها در این مطالعه نشان داد که روش بیز A نسبت به بیز B به قدرت محاسباتی بیشتری نیاز دارد زیرا بیز B برای بسیاری از اثرات، واریانس ژنتیکی را در بسیاری از چرخههای آنالیز مساوی صفر در نظر می‌گیرد و بنابراین در معادلات وارد نمیشوند.
کالوس و همکاران (۲۰۰۸) صحت ارزیابیهای ژنومی را با استفاده از روش‌های مختلف از تعریف هاپلوتیپ را برای دو صفت با وراثت‌پذیری کم (۱۰/۰) و زیاد (۵۰/۰) مورد بررسی قرار دادند. در این مطالعه برای صفت با وراثت‌پذیری کم اختلاف بین صحت مدل‌ها ناچیز بود ولی برای صفت با وراثت‌پذیری بالا مدل HAP_IBD10 (هاپلوتیپ نشانگری با ۱۰ مارکر مجاور و شامل کوواریانس بین هاپلوتیپها با ترکیب آنالیز لینکاژی و عدم تعادل لینکاژی) دارای بالاترین صحت برآورد ارزش‌های اصلاحی ژنومی برای حیوانات جوان (فاقد رکورد) و نیز حیوانات دارای رکورد بود. همچنین بیان کردند که انتخاب ژنومی به‌طور چشمگیری دارای صحت بیشتری از انتخاب سنتی به‌خصوص برای صفات با وراثت‌پذیری پایین است. روش‌های مختلف محاسباتی در جمعیت‌های غیر همخون میتواند منجر به تفاوت در برآورد ارزش‌های اصلاحی ژنومی شده و همچنین تفاوت در تراکم نشانگری یک فاکتور مهم در برآورد اثرات SNP ها محسوب می‌شود.
سولبِرگ و همکاران (۲۰۰۸) برخی عوامل موثر بر صحت ارزیابیهای ژنومی شامل نوع مارکر و تراکم نشانگری و نیز استفاده از هاپلوتیپ نشانگرها در مقابل ژنوتیپ تک مارکر را در یک مطالعه شبیه‌سازی با ۱۰۰ نسل که در حال تعادل دریفت-جهش بود بررسی کردند و دریافتند در حالت استفاده از هر دو نوع مارکر ریزماهوارهها و SNP، با افزایش تراکم نشانگری صحت ارزیابیها افزایش مییابد. همچنین گزارش کردند که در نظر گرفتن اثرات ژنوتیپ تک نشانگری دارای صحتی یکسان با اثرات هاپلوتیپی می‌باشد که نشان‌دهنده مزیت روش تک نشانگری نسبت به روش هاپلوتیپی است زیرا از برآورد فاز نشانگری با خطاهای مرتبط با آن جلوگیری میکند.
به‌طورکلی صحت برآوردها در مدل‌های مختلف به شرایط و سناریویی که مدل استفاده‌شده بستگی دارد. ژانگ و همکاران (۲۰۰۹) گزارش کردند که کاهش در LD هنگامی‌که ۸۰ QTL شبیه‌سازی‌شده است باعث کاهش صحت برآوردها در BLUP شده است این در حالی است که در سایر مدل‌های مورد استفاده صحت نتایج حاصله، اندکی افزایش پیدا کرده است. حدس و گمان این محققین بر این بود که صحت بالا در سناریویی که ۲۰ QTL شبیه‌سازی‌شده بود نسبت به سناریوی ۸۰ QTL به دلیل پایین بودن هم‌راستایی بوده است.
مُسِر و همکاران (۲۰۰۹) بیان کردند که صحت ارزش‌های اصلاحی مولکولی برای کاربرد موفقیت‌آمیز در انتخاب ژنومی مهم است. به همین منظور، روش‌های مختلف پیش‌بینی ارزش‌های اصلاحی ژنومی را برای دو صفت درصد پروتئین و شاخص سودآوری گاوهای شیری با استفاده نشانگرهای SNP گستره ژنومی مقایسه کردند. نتایج نشان داد که برای هر دو صفت مورد ارزیابی در مدل حداقل مربعات که بر مجموعهای از SNP ها مورد استفاده قرار گرفته است نسبت به سایر مدل‌ها که از تمام اثرات جایگاه‌ها برای برآورد ارزش‌های اصلاحی استفاده می‌کند دارای صحت کمتری بوده است. ولی سایر روش‌ها شامل بیز B، رگرسیون جزئی حداقل مربعات (PLSR)، بهترین پیش‌بینی نااریب خطی تابعیت تصادفی (RR-BLUP) و روش‌های ناپارامتری دارای صحت مشابهی بودند. تابعیت ارزش‌های اصلاحی پیش‌بینی شده بر مقادیر واقعی نشان داد که به غیر از روش ناپارامتری، سایر روش‌ها در پیش‌بینی ارزش‌های اصلاحی ژنومی برای هر دو صفت دارای اریبی بودند. این محققین گزارش کردند که مدل‌ها دارای نیازهای محاسباتی متفاوتی بوده و در این میان PLSR و RR-BLUP به کمترین زمان محاسبات نیاز داشتند. مدل حداقل مربعات به‌منظور استفاده از آن در پیش‌بینی ارزش‌های اصلاحی در انتخاب ژنومی توصیه نشده ولی سایر مدل‌ها دارای صحت مشابهی می‌باشند.
کالوس و همکاران (۲۰۱۲) چهار روش مختلف ارزیابی را مقایسه و عنوان کردند که روش‌های بیز A و C بهتر از روش‌های BLUP و GBLUP تنوع ژنتیکی صفت را بخوبی تفسیر میکنند و نیز روش‌های بیز دارای صحت بالاتری بودند.

No Comments

Leave a Reply