برآورد اجزای واریانس ژنومی بر اساس فراوانی آللی کمیاب برای صفات کمی در گوسفند

مقدمه و هدف: برآورد دقیق اجزای واریانس ژنتیکی، از ملزومات پیش بینی صحیح ارزش های اصلاحی می باشد. کشف نشانگرهای snp و پیشرفت‌های به دست آمده در ژنتیک مولکولی وکشف روش‌های نوین توالی‌یابی کل ژنوم موجودات زنده و پیشرفت روش‌های بیوانفورماتیک و دانش رایانه ای و... حجم بسیار زیادی از داده‌های مولکولی را فراهم آورده و در علم ژنتیک شاخه‌ای به نام ژنومیک ایجاد کرده است. هدف از انجام این پژوهش برآورد اجزای واریانس ژنومی گوسفند بوردر با استفاده از داده‌های snp بود.مواد و روش‌ها: برای انجام این پژوهش از پنل snp که با تراشه نشانگری 50k شرکت ایلومینا، تعیین ژنوتیپ شده بودند، استفاده شد. داده ها در مزرعه فالکینر استرالیا جمع آوری شدند. صفات مورد مطالعه اوزان تولد و شیرگیری، قطر و طول تار پشم بودند. برای مطالعه رابطه بین فراوانی آللی و مقدار واریانس ژنتیکی افزایشی توجیه شده، snpها در پنج گروه مختلف از فراوانی آللی کمیاب (maf)، با تعداد تقریبا برابر در هر گروه، طبقه بندی شدند (0/01-0/1، 0/1-0/2، 0/2-0/3، 0/3-0/4 و 0/4-0/5). تجزیه و تحلیل‌ها با رویکرد حداکثر درست‌نمایی محدود شده ژنومی و روش تجزیه و تحلیل صفات پیچیده ژنوم گسترده، با نرم‌افزار gcta انجام گرفت.یافته‌ها: وراثت‌پذیری ژنومی برآورد شده توسط snpهای با فراوانی آللی کمیاب بیشتر از یک درصد، برای اوزان تولد، شیرگیری، قطر و طول تار پشم به ترتیب برابر 0/58 و 0/47، 0/59 و 0/2 بود. سهم گروه‌های مختلف snpهای با فراوانی آللی کمیاب در توجیه واریانس ژنتیکی برای صفات متفاوت بوده و به طور کلی بخش قابل توجهی از واریانس ژنتیکی، توسط snpهای با maf < 0/20 توجیه شد.همبستگی ژنومی بین صفات وزن بدن بالا و بین صفات پشم پایین برآورد شد. در مجموع واریانس‌های ژنتیکی 5 گروه مختلف maf، که در آنالیز جداگانه نسبت به واریانس محاسبه شده توسط همه snpها به صورت همزمان، بسیار بزرگتر بود. اما مجموع این واریانس‌ها در آنالیز توام، مشابه مقدار به دست آمده از کل snpها، برای همه صفات مورد بررسی بود.نتیجه‌گیری: اگر چه تعداد snpها در گروه‌های مختلف، مشابه بود، اما مقدار واریانس ژنتیکی توجیه شده توسط گروه‌های مختلف maf متفاوت بود. با توجه به نتایج به دست آمده حجم نمونه بسیار بزرگ، ایده‌آل و پوشش بهتر واریانت‌های با فراوانی پایین مورد نیاز است تا استنتاج قوی‌تر و قابل اعتمادتری به دست آید.

Estimation of Variance Components and Genome Partitioning According to Minor Allele Frequency for Quantitative Traits in Sheep

Extended AbstractIntroduction and Objective: Accurate estimation of genetic variance components is essential for the correct prediction of breeding values. The discovery of SNP markers and advances in molecular genetics and the discovery of new methods for sequencing the entire genome of living organisms and the development of bioinformatics methods and computer science, etc. have provided a great deal of molecular data and created a branch of genetics called genomics. This study aimed to estimate the genomic variance components of Border sheep using SNP data.Material and Methods: For this study, the SNP panel, which was genotyped with a 50k marker chip from Illumina, was used. Data were collected at Falkiner Farm in Australia. The studied traits were birth and weaning weights, diameter, and length of wool yarn. To study the relationship between allelic frequency and the amount of justified genetic variance justified, SNPs were classified into five different groups of rare allelic frequency (MAF), with approximately equal numbers in each group. The analyses were performed with the approach of limited genomic maximum likelihood and the method of analysis of complex genome traits with GCTA software.Results: Genomic heritability estimated by SNPs with a rare allelic frequency of more than one percent for birth weights, weaning, diameter, and length of wool were 0.58, 0.47, 0.59, and 0.2, respectively. The contribution of different groups of SNPs with rare allelic frequencies in justifying genetic variance for different traits was different and in general a significant part of genetic variance was justified by SNPs with Conclusion: Although the number of SNPs was different in different groups, the amount of genetic variance justified by different MAF groups was different. According to the results, a very large, ideal sample size and better coverage of lowfrequency variants are needed to obtain a stronger and more reliable inference.