تغییرات صحت ارزش های اصلاحی ژنومی تحت تاثیر روش های آماری برآورد اثر نشانگری، خصوصیات جمعیت و معماری ژنتیکی صفت

هدف تحقیق حاضر بررسی اثر روش برآورد اثرات نشانگرها، توزیع اثرات qtlها، تعداد qtl، اندازه موثر جمعیت و وراثت پذیری صفت بر صحت ارزیابی‌های ژنومی بود. جمعیت پایه با دو اندازه موثر 100 و 500 فرد در نظر گرفته شده و به وسیله نرم افزار qmsim شبیه سازی شد. برای انجام این تحقیق، ژنومی متشکل از یک کروموزوم به طول 100 سانتی مورگان با تعداد 500 نشانگر snp در طول ژنوم و با تعداد متفاوت qtl (50 و 200) که آن ها نیز به‌طور تصادفی روی کروموزوم پراکنده شده اند شبیه سازی شد. مقادیر وراثت پذیری بررسی شده در تحقیق حاضر نماینده صفات با وراثت پذیری پایین (0/1)، متوسط (0/3) و بالا (0/5) بودند. ارزش های اصلاحی ژنومی به وسیله روش های رگرسیون ریج بیزی (brr)، بیز a( bayesa)، بیز b( bayesb)، بیز c(bayesc)، بیز لزو ) bayesl)، روش نیمه پارامتری بر پایه کرنل (rkhs ) و شبکه های عصبی (nn) پیش بینی شدند. بر اساس نتایج به دست آمده، عوامل وراثت پذیری، اندازه موثر جمعیت، روش برآورد اثرات نشانگری، توزیع qtl و تعداد qtl بر صحت ارزیابی ژنومی تاثیر محسوسی داشتند. بین روش های برآورد اثرات نشانگری، روش های بیز a و b بیشترین و روش شبکه های عصبی کمترین صحت را داشتند. در تحقیق حاضر با افزایش وراثت پذیری و تعداد qtl، صحت پیش بینی های ژنومی افزایش و برعکس با کاهش اندازه موثر جمعیت، کاهش یافت. بیشترین صحت زمانی به دست آمد که qtlها دارای توزیع نرمال بودند.

Effect of Markers Effect Estimation Methods, Population Structure and Trait Architercture on the Accuracy of Genomic Breeding Values

This study aimed to investigate the effect of the method of estimating the effects of markers , QTLs distribution, number of QTLs, effective population size and trait heritability on the accuracy of genomic predictions. Two effective population sizes, 100 and 500 individuals, were simulated by QMSim software. A 100 cM genome including one chromosome was simulated where 500 SNPs and two different numbers of QTLs (50 and 200) were distributed on it randomly. In this study three levels of heritability (0.1, 0.3 and 0.5) were considered. Genomic breeding values were predicted using Bayesian ridge regression, BayesA, BayesB, BayesC, Bayesian LASSO, Reproducing kernel Hilbert space and neural networks. In this research, the accuracy of genomic breeding values were affected by trait heritability, effective population size, markers effect estimation methods, QTLs distribution and number of QTLs. The Bayes A and B had the highest accuracy while accuracy of neural networks method was the lowest. The accuracy of genomic breeding values were increased as the heritability of trait and number of QTLs increased while the accuracy was decreased as the effective population decreased. Considering the QTLs distribution, the highest accuracy was achieved when the QTLs distributed normally.