No category

پایان نامه ارشد رایگان درباره ضریب همبستگی پیرسون، همبستگی پیرسون، متغیر وابسته، ضریب همبستگی

دسامبر 1, 2018

عناصر آن برای ضرایبی که باید جریمه شوند برابر ۱ بوده و سایر عناصر قطری آن برابر با صفر است.
درصورتی‌که هرکدام از این مؤلفه‌ها (لامبدا یا D) برابر صفر باشند برآوردهای حاصل از مدل فوق برابر برآوردهای حداقل مربعات خواهند بود. اضافه کردن ضریب به قطر ماتریس ضرایب باعث افت برآوردها به سوی صفر خواهد بود. این حالت موجب برانگیزش اریبی خواهد شد اما واریانس برآوردها را کاهش می‌دهد. بنابراین در حالتی که P بزرگ و n کوچک باشد، جریمه کردن موجب کاهش MSE (نسبت به برآوردهای حداقل مربعات) و درنتیجه پیش‌بینی‌های بهتر خواهد شد.
۲-۱۰- روش‌های بیزی در انتخاب ژنومی
در مدل‌های پارامتری انتخاب ژنومی، فنوتیپ‌ها به‌عنوان متغیر وابسته تابعی از نشانگرها به‌عنوان متغیرهای مستقل هستند. مدل خطی می‌تواند به این صورت باشد. که عرض از مبدأ مدل، ژنوتیپ‌های نشانگر (که معمولاً به‌صورت ۰، ۱ و ۲ کد گذاری می‌شوند)، نیز اثرات نشانگری بوده و باقیمانده مدل می‌باشد. اصول استاندارد برای متغیرهای کمی، در نظر گرفتن فرض نرمال و مستقل بودن باقیمانده مدل می‌باشد که تابع درستنمایی آن به این صورت می‌باشد.
که تراکم چگالی نرمال برای متغیر تصادفی با مرکزیت و واریانس می‌باشد.
در پانل‌های متراکم، تعداد نشانگرها (p) به‌طور فزاینده ای از تعداد مشاهدات (n) بالاتر می‌رود و به همین دلیل روش‌های افت برآورد (جریمه‌ای) به‌طور رایج استفاده می‌شود. در روش محاسباتی بیزی، افت برآوردهای اثرات به‌وسیله انتخاب توزیع پیشین اختصاص داده شده به اثرات نشانگری کنترل می‌شود. توزیع چگالی احتمال پیشین پارامترها (در اینجا اثرات نشانگری) به‌صورت زیر است:
در این رابطه، توزیع پیشین یکنواخت بهاختصاص داده می‌شود. توزیع کای اسکوار معکوس مقیاس‌دار برای واریانس باقیمانده با درجه آزادی df و پارامتر مقیاس S می‌باشد. توزیع پیشین j اُمین نشانگر می‌باشد که برداری از پارامترهاست که نوع توزیع پیشین در نظر گرفته شده را برای تأثیرات نشانگری مشخص می‌کند. توزیع پیشین اختصاص داده شده بهمی‌باشد. همچنین پارامتری است که این نوع توزیع را مشخص می‌کند.
۲-۱۱- استنباط ژنوتیپی
استفاده از روش‌های پیش‌بینی مبتنی بر کل ژنوم مستلزم داشتن ژنوتیپ‌های متراکم از حیوانات کاندیدا و نیز حیوانات جمعیت مرجع میباشد که تعداد افراد جمعیت مرجع، ترجیحاً بیشتر از هزار راس باشد. به‌منظور استفاده از اطلاعات ژنومی در تصمیم اصلاحگر برای انتخاب و یا حذف حیوانات کاندیدا، هرساله چندین هزار حیوان باید تعیین ژنوتیپ شوند که درنتیجه، هزینه تعیین ژنوتیپ بالایی به برنامه‌های اصلاح نژادی تحمیل می‌شود. به نظر می‌رسد محدودیت کلیدی انتخاب ژنومی هزینه تعیین ژنوتیپ باشد (هِیز و همکاران، ۲۰۱۲). این هزینه‌ها را می‌توان به‌طور چشمگیری با استفاده از ترکیب کردن پانل‌های متراکم و کم تراکم چند شکلی تک نوکلئوتیدی کاهش داد. به‌طوری‌که بتوان ژنوتیپ حیواناتی که با استفاده از پانل‌های کم تراکم تعیین ژنوتیپ شده‌اند را با استفاده از استنباط ژنوتیپی به پانل‌های متراکم رساند (گُدارد، ۲۰۰۸؛ هابیَر و همکاران، ۲۰۰۹). استنباط ژنوتیپی به‌منظور ترکیب پنلهای مختلف نشانگری و نیز بازیابی ژنوتیپ‌های ازدست‌رفته بسیار مفید خواهد بود. همچنین این امکان را فراهم می‌سازد که بتوان بر اساس یک نمونه معرف حیوانات ژنوتیپ شده در تراکم بالا، ژنوتیپ افراد را از یک آرایه کم تراکم به یک آرایه متراکم رساند (پاوچ و همکاران، ۲۰۱۳). به این صورت تعداد بسیار زیادی حیوان را می‌توان با هزینه نسبتاً پایین تعیین ژنوتیپ کرد که اجازه می‌دهد شدت انتخاب را از طریق افزایش تعداد افراد مورد ارزیابی بالا برد (هوانگ و همکاران، ۲۰۱۲). در برخی از گونه‌های دامی استنباط پانل‌های کم تراکم و رسیدن به پانل ۵۰K مطالعه شده است.
۲-۱۱-۱- استنباط مبتنی بر شجره
ساختار جمعیت در بسیاری از گونههای اهلی عمدتاً به‌صورت خانواده‌های بزرگ تنی و ناتنی است که معمولاً حیواناتی (مخصوصاً نرها) وجود دارد که دارای تعداد بسیار زیاد نتاج میباشند. این شرایط این امکان را فراهم میسازد که بتوان ژنوتیپ حیوانات تعیین ژنوتیپ نشده را از روی اطلاعات ژنومی سایر افراد خانواده آن حیوان، استنباط کرد که این روش، استنباط بر اساس شجره نامیده میشود.
۲-۱۱-۲- استنباط مبتنی بر ساختار جمعیت
در بسیاری از حیوانات اهلی مانند مرغ، گاو، گوسفند و اسب سطح بالایی از عدم تعادل لینکاژی گزارش شده است. وجود LD بالا بین نشانگرها میتواند به‌منظور استنباط ژنوتیپ یک جایگاه تعیین ژنوتیپ نشده بر اساس ژنوتیپ مارکرهای مجاور استفاده شود که این روش، استنباط بر اساس جمعیت خوانده میشود. در این حالت نیز امکان استنباط ژنوتیپ با استفاده از ژنوتیپ‌های به‌دست‌آمده از یک پانل کوچک‌تر در جایگاه‌های تعیین ژنوتیپ نشده در یک پانل بزرگ‌تر نشانگری وجود خواهد داشت. این روش‌ها در ژنتیک انسانی رایج هستند و استفاده از آن‌ها در ژنتیک جانوری به تازگی شروع شده است (سیلوا و همکاران، ۲۰۱۴).
عملکرد روش‌های استنباط کردن عموماً به این صورت که تعدادی از افراد که با پانل‌های خیلی متراکم تعیین ژنوتیپ شده‌اند به‌عنوان جمعیت تایید در نظر گرفته می‌شوند. سپس در این افراد ژنوتیپ‌هایی از پانل متراکم که در پانل با تراکم کمتر وجود ندارد به‌عنوان ژنوتیپ ناشناخته (جایگاه تعیین ژنوتیپ نشده) فرض می‌شوند و اطلاعات ژنوتیپی آن‌ها را حذف می‌کنند. سایر افراد که همه اطلاعات آن‌ها وجود دارد به‌عنوان جمعیت مرجع (در استنباط ژنوتیپی) در نظر گرفته می‌شوند. در مرحله استنباط کردن، ژنوتیپ‌های حذف شده در افراد جمعیت تایید به‌عنوان محتمل‌ترین ژنوتیپ، استنباط می‌شوند. درستی استنباط عموماً برای هر SNP تعیین ژنوتیپ شده به‌وسیله مقایسه ژنوتیپ واقعی و استنباط شده در کل افراد محاسبه می‌شود. در مقالات منتشر شده روش‌های مختلفی برای محاسبه صحت استنباط گزارش شده است که یکی از آن‌ها اصطلاحاً نرخ اشتباه استنباط ژنوتیپی یا آللی نامیده شده است (ژانگ و دروِت، ۲۰۱۰). برخی دیگر همبستگی بین ژنوتیپ استنباط شده و واقعی را که اغلب صحت استنباط کردن نامگذاری کردهاند را مناسب دانستهاند (کالوس و همکاران، ۲۰۱۱). در رابطه با مزیتها و فواید هرکدام از روش‌های اندازهگیری و ارزیابی درستی استنباط ژنوتیپی، اطالاعات اندکی در دسترس است. در خصوص مقایسه این معیارها، پیشنهاد شده است که همبستگی بین ژنوتیپ‌های واقعی و استنباط شده مستقل از فراوانی آللی در جایگاه‌های استنباط شده می‌باشد. بنابراین میتواند یک معیار مناسبتر از نرخ اشتباه استنباط آللی باشد (برُونینگ و برُونینگ، ۲۰۰۹؛ هیک‌کی و همکاران، ۲۰۱۲). صحت پیش‌بینی به‌عنوان ضریب همبستگی پیرسون بین ژنوتیپهای استنباط شده و واقعی تعریف میشود. کالوس و همکاران (۲۰۱۴) گزارش کردند که استفاده از این معیار ارجحیت دارد؛ زیرا این تعریف با تعریف صحت ارزش‌های اصلاحی که به‌طورمعمول در اصلاح دام استفاده میشود مطابقت دارد. نتایج مطالعات مختلف استنباط ژنومی در گاو شیری، که با استفاده از پانل ۳K، پانل ۵۰K استنباط میشود نشان داده است که همبستگی ارزش‌های اصلاحی ژنومی با استفاده از ژنوتیپهای واقعی و استنباط شده در دامنه بین ۸۵% تا ۱۰۰% قرار دارد. بنابراین استنباط ژنوتیپی میتواند ابزاری ارزشمند و سودمند برای کاهش هزینههای تعیین ژنوتیپ باشد به‌طوری‌که با هزینه یک پانل کم تراکم و استنباط سایر ژنوتیپهایی که در این پانل نیستند میتوان به ارزش‌های اصلاحی ژنومی با صحت مشابه پانل‌های بسیار متراکم رسید.
به‌طورکلی، در خصوص معیارهای استنباط ژنوتیپی میتوان گفت که صحت استنباط ژنوتیپی که به‌وسیله همبستگی بین ژنوتیپهای واقعی و استنباط شده محاسبه میشود بر سایر معیارهای اندازهگیری صحت استنباط ژنوتیپی ارجحیت دارد. زیرا معیار نرخ اشتباه استنباط آللی، شدیداً تحت تاثیر فراوانی آللی میباشد. اما معیار صحت استنباط به خطاها در جایگاههایی که دارای MAF پایینتری هستند حساستر است.
۲-۱۲- اصلاح نژاد ژنومی در گوسفند
در صنعت گاو شیری استفاده از تلقیح مصنوعی رایج است و به آسانی پیشرفت ژنتیکی در گلهها از طریق انتخاب اسپرمهای ممتاز ایجاد میشود اما در پرورش گوسفند شرایط متفاوت است. برای موفقیت ارزیابی ژنومی، شرایط اختصاصی حاکم بر صنعت گوسفندداری نیز باید مد نظر قرار گیرد. به‌طور کلی استفاده از هر نوع تکنولوژی باید از نظر اقتصادی مقرون به صرفه باشد یعنی هزینههای انجام شده به وسیله مزایای حاصل از بهبود ژنتیکی سالیانه پوشش داده شود. در گوسفند، معمولاً تجارت در مقیاس پایینتر (نسبت به گاو شیری) انجام میشود و تنها بخش اندکی از سود حاصل از بهبود ژنتیکی به اصلاحگر برمیگردد. همین امر سرمایهگذاری را در این زمینه با مشکل مواجه کرده است. بنابراین اصلاحگران به دنبال روشهای کم هزینه برای بهبود ژنتیکی هستند. از طرف دیگر تنوع ژنتیکی داخل و بین نژادی در گوسفند بالاست در نتیجه تعداد افراد بسیار زیادی باید به‌عنوان جمعیت مرجع در نظر گرفته شود. وَن‌دِروِرف و همکاران (۲۰۱۴) گزارش کرد که افزایش پیشرفت ژنتیکی در گوسفند با به‌کارگیری انتخاب ژنومی بین ۵ تا ۱۵% بوده است که البته صحت ارزیابیهای ژنومی، و به‌خصوص از طریق افزایش تعداد افراد جمعیت مرجع قابل افزایش است.
در رابطه با تشکیل جمعیت مرجع در گوسفند ۲ سوال مطرح است. این که چه تعداد حیوان باید در نظر گرفت (اندازه جمعیت) و دیگر اینکه جمعیت مرجع شامل چه حیواناتی باید باشد؟ سوال اول اهمیت ویژهای دارد زیرا اندازه جمعیت ارتباط مستقیمی با هزینه و نیز صحت پیش‌بینیها دارد. سوال دوم نیز بیان میکند که کدام نژادها و چه تعداد از هر نژاد باید در جمعیت مرجع باشند. در رابطه با سوال دوم، دِتوایلِر و همکاران (۲۰۱۲) گزارش کرد که در گوسفند جمعیت مرجع باید برای هر نژاد به‌طور جداگانه تشکیل شود و جمعیت مرجع متشکل از چند نژاد نمی‌تواند منجر به موفقیت در انتخاب ژنومی‌شود. همچنین حایز اهمیت است که در داخل هر نژاد نیز افراد کاندیدا با جمعیت مرجع دارای روابط خویشاوندی باشند. در این رابطه کلارک و همکاران (۲۰۱۲) ارتباط میزان خویشاندی کاندیداها را با افراد جمعیت مرجع (در سه حالت خویشاوندی بالا، متوسط و غیرخویشاوند) بررسی و نشان دادند که با کاهش میزان رابطه خویشاوندی بین دو جمعیت برآوردهای ژنومی و BLUP هر دو کاهش مییابد اما در تمام حالات میزان صحت ارزشهای اصلاحی ژنومی بالاتر از برآوردهای BLUP بود. به‌ویژه زمانی که دو جمعیت غیر خویشاوند بودند صحت برآوردها در BLUP بسیار پائین (۰۴/۰) ولی در روش ژنومی نسبتاً قابل قبول (۳۴/۰) بود.
به‌کارگیری انتخاب ژنومی در برنامههای اصلا

No Comments

Leave a Reply