>
Fa   |   Ar   |   En
   ارزیابی صحت پیش‌بینی ژنومی در معماری‌های مختلف ژنومی صفات کمی و آستانه‌ای با جانهی داده‌های ژنومی شبیه‌سازی‌شده، توسط روش جنگل تصادفی  
   
نویسنده نادری یوسف
منبع پژوهشهاي توليدات دامي - 1397 - دوره : 9 - شماره : 20 - صفحه:129 -138
چکیده    گزینش ژنومی چالشی امیدبخش برای کشف رموز ژنتیکی صفات کمی و کیفی به منظور بهبود رشد ژنتیکی و صحت پیش بینی ژنومی در اصلاح دام می باشد. به علت ناخوانا بودن نسبتی از ژنوتیپ ها، پیش بینی دقیق صحت ژنومی نیازمند برآورد این نشانگرها از طریق جانهی می باشد. در نتیجه هدف این تحقیق برآورد صحت جانهی و عوامل موثر برآن و ارزیابی صحت ژنومی روش جنگل تصادفی در برای معماری های مختلف ژنومی برای آنالیز صفات کمی و آستانه ای دودویی بود. در فاز اول، داده های ژنومی از طریق نرم افزار qmsim با سطوح متفاوت وراثت پذیری (05/ 0 و 25/ 0)، سطوح مختلف ld (کم و زیاد) و تراکم های متفاوت جایگاه های صفات کمی (96 و 960) و تعداد 48 کروموزم شبیه سازی شدند. در فاز دوم، برای شبیه سازی شرایط واقعی، بطور تصادفی اقدام به حذف (50 و 90 درصد) برخی نشانگر نموده و در مرحله بعد از طریق نرم افزار flmpute اقدام به جانهی و پیش بینی نقاط گم شده نموده و صحت جانهی مورد ارزیابی قرار گرفت. در فاز سوم، دادهای اصلی و جانهی با استفاده از روش جنگل تصادفی جهت ارزیابی صحت ژنومی صفات کمی و آستانه ای استفاده شدند. نتایح نشان داد که با افزایش سطح ld صحت جانهی بهبود می یابد. با افزایش نسبت حذف نشانگرها (90 درصد)، اثر صحت جانهی بر صحت پیش بینی ژنومی پررنگتر بود. در صفات آستانه ای، سناریوی با حد بالای qtl، ld و وراثت پذیری و در صفات پیوسته، سناریوی با حد بالای ld و وراثت پذیری و حد پایین qtl بیشترین صحت پیش بینی ژنومی را در روش جنگل تصادفی به خود اختصاص دادند. به طور کلی عملکرد روش جنگل تصادفی در برآورد صحت ژنومی صفات آستانه ای نسبت به صفات کمی بهتر بود.
کلیدواژه عدم تعادل پیوستگی، صفات آستانه‌ای، یادگیری ماشینی، جانهی، معماری ژنومی
آدرس دانشگاه آزاد اسلامی واحد آستارا, ایران
پست الکترونیکی y.naderi@iau-astara.ac.ir
 
   Evaluation of Genomic Prediction Accuracy in Different Genomic Architectures of Quantitative and Threshold Traits with the Imputation of Simulated Genomic Data using Random Forest Method  
   
Authors Naderi Yousef
Abstract    Genomic selection is a promising challenge for discovering genetic variants influencing quantitative and threshold traits for improving the genetic gain and accuracy of genomic prediction in animal breeding. Since a proportion of genotypes are generally uncalled, therefore, prediction of genomic accuracy requires imputation of missing genotypes. The objectives of this study were (1) to quantify imputation accuracy and to assess the factors affecting it; and (2) to evaluate the genomic accuracy of random forest (RF) algorithm to analyze binary threshold and quantitative traits. In the first phase, genomic data were simulated by QMSim software to reflect variations in heritability (h2 = 0.05 and 0.25), number of QTL (QTL=96 and 960) and linkage disequilibrium (LD=low and high) for 48 chromosomes. In the second phase, for real condition simulating, we randomly masked markers with 50% and 90% missing rate for each scenario; afterwards, hidden markers were imputed using FImpute software, and estimated imputation accuracy. In the third phase, to estimate genomic breeding values, we applied Random forest algorithm for original (before masking a proportion of SNPs) and imputed genotypes with quantitative and quality phenotypes. The accuracy of imputation was improved with increasing level of LD. With increase a major proportion of masked markers (90%), results of current study shed light on the effects of imputation accuracy on accuracy of genomic prediction. In the scenario combining the highest heritability, LD and QTL for threshold traits and in the scenario combining the highest heritability and LD and the least QTL for quantitative traits, random forest method had the best performance of genomic accuracy. Generally, accuracy of genomic prediction for threshold traits had more precise than quantitative trait when using the random forest method.
Keywords Linkage disequilibrium ,Discrete traits ,Machine learning ,Imputation ,Genomic architecture
 
 

Copyright 2023
Islamic World Science Citation Center
All Rights Reserved