پیش بینی ژنومی اثرات افزایشی و غالبیت بر برخی صفات اقتصادی گوسفند مغانی

مقدمه و هدف: اثرات ژنتیکی غالبیت ممکن است سهم مهمی در کل تنوع ژنتیکی صفات کمی و پیچیده داشته باشند.  با این حال، تحقیقات نشانگرهای گسترده ژنوم برای مطالعه پیش‌ بینی ژنومی و مکانیسم‌های ژنتیکی صفات پیچیده عموماً اثرات ژنتیکی غالبیت را نادیده می‌گیرند. افزایش در دسترس بودن مجموعه داده‌های ژنومی و مزایای بالقوه اثرات ژنتیکی غیرافزایشی، اخیراً ترکیب نمودن این اثرات در مدل‌های پیش‌ بینی ژنومی  بسیار مورد توجه قرار گرفته است. مواد و روش ها: ژنومی با 3 کروموزوم با اندازه هر کدام 100 سانتی مورگان،  دارای ه 200  و 1000  qtl و نشانگر دو آللی روی هر کروموزوم شبیه سازی شدند. سپس اطلاعات مربوط به رکوردهای شجره، خویشاوندی، سال تولد، وزن از شیرگیری، جنس نتاج، درصد دوقلوزایی، وزن لاشه، کیفیت لاشه، سن اولین زایش، تراکم پشم و سایر صفات اقتصادی گوسفند مغانی که از طریق مرکز اصلاح نژاد جعفرآباد مغان (طی سال های 1382 تا 1393) در دسترس قرار گرفت، ماتریس فنوتیپی مدل را تشکیل دادند. اثرات ژنتیکی افزایشی و غالبیت و صحت پیش بینی ژنومی 7 صفت شامل صفات رشد، کیفیت لاشه، پشم و باروری از طریق دو مدل خطی اتخاذ شد: (1) یک مدل اثر افزایشی (mag) و (2) یک مدل شامل اثرات ژنتیکی افزایشی و غالبیت (madg)، علاوه بر این، از روش اعتبارسنجی متقابل 5 لایه برای ارزیابی قابلیت پیش بینی ژنومی در دو مدل مختلف توسط نرم افزار r بسته hiblup استفاده شد. یافته ها: نتایج تخمین مولفه‌های واریانس برای هر صفت نشان داد که وزن لاشه گرم (0/617) و درصد بره زایی به ازاء هر میش (0/578)، بخش بزرگی از تنوع فنوتیپی توسط اثرات ژنتیکی غالبیت توضیح داده می‌شود. نتایج اعتبار سنجی متقاطع نشان داد که مدل  madg، شامل اثرات ژنتیکی افزایشی و غالبیت، نسبت به مدل mag  که تنها دارای اثرات ژنتیکی افزایشی است مزیت دارد. یعنی مدلی که اثرات ژنتیکی غالبیت را شامل می‌شود، صحت پیش بینی ژنومی را بهبود می بخشد.نتیجه گیری: عملکرد بهتر (صحت پیش ‌بینی) مدل madg  برای برخی صفات در مقایسه با مدل mag نشان می‌دهد که اثرات غلبه بایستی در مدل‌های ارزیابی ژنتیکی حیوانات گنجانده شود تا صحت پیش‌ بینی فنوتیپ‌های آینده بهبود یابد. همچنین کاربرد مدل  madg می تواند ابزار مفیدی برای تصمیم  حذف حیوانات در مزارع باشد و استفاده از کل ژنتیک بالقوه نتاج در برنامه های جفت گیری ممکن است عملکرد نتاج را بهبود بخشد.

genomic prediction of additive and dominance effects on some economic traits of moghani sheep

introduction and objective: dominant genetic effects may have an important contribution to the total genetic diversity of quantitative and complex traits. however, genome-wide marker research to study genomic prediction (gp) and genetic mechanisms of complex traits generally ignore dominant genetic effects. the increasing availability of genomic datasets and the potential benefits of non-additive genetic effects have recently attracted much attention to  combining these effects into genomic prediction models. material and methods: a genome with 3 chromosomes of 100 cm each, with 200 qtl and 1000 biallelic markers on each chromosome were simulated.. then the information related to records of pedigree, year of birth, weaning weight, offspring sex, percentage of twinning, carcass weight, carcass quality, age of first calving, wool density and other economic traits of moghani sheep that were obtained through jafarabad moghani breeding center (during 1382 to 1393) formed the phenotypic matrix of the model. additive and dominance genetic effects and accuracy of genomic prediction of 7 traits, including growth, carcass quality, wool and fertility were adopted through two linear models: (1) ) an additive effect model (mag) and (2) a model that includes additive and dominance genetic effects (madg). in addition, the 5-layer cross-validation method was used with r package “hiblup”to evaluate the gp capability in two different models. results: the results of estimating variance components for each trait show that carcass weight (0.617) and lambing percentage per ewe (0.578), a large part of the phenotypic variation is explained by dominance genetic effects. cross-validation results showed that the madg model, including additive and dominance genetic effects, has a clear advantage over the mag model, which includes only additive genetic effects. that’s means, the model that includes dominant genetic effects improves the accuracy of genomic prediction. conclusion: the better performance (prediction accuracy) of the madg model for some traits compared to the mag model shows that dominance effects should be included in animal genetic evaluation models to improve the accuracy of predicting future phenotypes. madg model can also be a useful tool for culling decision  in farms, and the use of the entire genetic potential of progeny in mating programs may improve progeny performance.