ارزیابی مقایسه‌ای روش‌های boosting، ss-gblup و ss-bayesa: با در نظرگرفتن ایمپیوتیشن داده‌های ژنومی

امروزه جهت غلبه بر محدودیت ژنوتایپینگ برخی از حیوانات، مدل‌های تک مرحله‌ای پیشنهاد شدند. مدل‌های پیش‌بینی ژنومی تک مرحله‌ای با توجه به عملکرد بالا و برآورد ارزش اصلاحی ژنومی هم‌زمان برای حیوانات ژنوتیپ‌شده و نشده، تبدیل به ابزاری غالب در ارزیابی ژنومی دام‌های اهلی شدند. هدف از تحقیق حاضر، بررسی نقش روابط خویشاوندی ژنومی بین جمعیت مرجع و تایید و معماری‌های مختلف ژنومی بر عملکرد روش‌های بوستینگ و تک مرحله‌ای بیز a و gblup با در نظر گرفتن ایمپیوتیشن (imputation) داده‌های ژنومی شبیه‌سازی‌شده بود. بدین منظور، جمعیت‌های ژنومی برای سطوح مختلف تعداد جایگاه های صفات کمی (10، 100 و 1000) بر روی 29 کروموزم شبیه‌سازی شدند. برای شبیه سازی شرایط واقعی، به‌طور تصادفی اقدام به حذف (70 درصد) برخی نشانگرها نموده و در مرحله بعد از طریق نرم‌افزار flmpute اقدام به ایمپیوتیشن و پیش‌بینی نقاط گم ‌شده نموده و صحت ایمپیوتیشن مورد ارزیابی قرار گرفت. در نهایت دادهای اصلی و ایمپیوتیشن با استفاده از روش‌های بوستینگ و تک مرحله‌ای بیز a و تک مرحله‌ای gblup جهت پیش‌بینی ارزش‌های اصلاحی ژنومی طی نسل‌های g1 و g3 مورد ارزیابی قرار گرفتند. بر طبق نتایج، صحت پیش‌بینی ژنومی برای افراد ژنوتیپ‌نشده در مقایسه با افراد ژنوتیپ‌شده با شدت بیشتری تحت تاثیر روابط خویشاوندی بین جمعیت مرجع و تایید در هر دو سری داده ایمپیوتیشن و اصلی قرار گرفت. کمترین میزان صحت پیش‌بینی ژنومی برای افراد ژنوتیپ‌شده در هر دو سری داده ایمپیوتیشن و اصلی برای روش بوستینگ مشاهده شد. در مقایسه با روش‌های تک‌مرحله‌ای بیز a و بوستینگ، روش تک مرحله‌ای gblup عملکرد بالاتری در تعداد بالای qtl نشان داد. به‌طور کلی وجود روابط خویشاوندی بین جمعیت مرجع و تائید نقش مهمی در آنالیز روش‌های تک مرحله‌ای و boosting ایفا کرد، با این حال سودمندی روش تک مرحله‌ای بیز a هنگامی که صفات تحت تاثیر تعداد کمتر qtl قرار گیرند، مشهودتر بود.

comparative evaluation of boosting, ss-gblup, ss-bayesa methods: consideration of genomic data imputation

recently, single-step approaches were proposed to overcome the genotyping limitation for some animals. having considered high genomic performance and utilizing both genotyped and nongenotyped animals, single-step genomic prediction models became the prevailing tool in genetic evaluations of livestock. the objective of current study was to investigate the role of genetic relationships between the training and validation populations and different genomic architecture with simulated genomic data imputation on performance of boosting, single-step genomic best linear unbiased prediction (ss-gblup) and single-step bayesa (ss-bayesa) methods. for this purpose, genomic populations were simulated to reflect variations in number of qtl (10, 100 and 1000) for 29 chromosomes. to simulate a real condition, we randomly masked markers with 70% missing rate for each scenario; afterwards, hidden markers were imputed using fimpute software, and imputation accuracy was estimated. to estimate genomic breeding values, boosting, ss-gblup and ss-bayesa methods were applied for original and imputed genotypes during g1 and g3 generations. according to results, gebv accuracy was influenced by the relationships between the training and validation populations for ungenotyped animals higher than genotyped ones in both original and imputed genotypes. in both original and imputed genotypes, boosting model showed the lowest accuracy for genotyped animals. ss-gblup method showed an obvious advantage over ss-bayesa and boosting methods with the scenarios of high qtl. generally, the relationships between training and validation populations contributed to gebv accuracy in the single-step and boosting analysis, and the advantages of ss-bayesa model was more apparent when the trait was controlled by fewer qtl.