صحت ارزیابی ژنومی با در نظر گرفتن اثر متقابل بین روش آماری برآورد آثار نشانگری، ساختار جمعیت و معماری ژنتیکی صفت

هدف تحقیق حاضر بررسی اثر متقابل بین روش های برآورد آثار نشانگری، ساختار جمعیت و معماری ژنتیکی صفت بر صحت ارزیابی ژنومی بود. جمعیت پایه ای با دو اندازه موثر 100 و 500 فرد به وسیله نرم افزار qmsim شبیه سازی شد. تعداد 500 نشانگر و دو تعداد متفاوت جایگاه های کنترل کننده صفات کمّی یا qtl ( 50 و 200) روی ژنوم متشکل از یک کروموزوم به طول 100 سانتی مورگان به طور تصادفی پراکنده شدند. در پژوهش حاضر، سه صفت با وراثت پذیری 0.1 ، 0.3 و 0.5 شبیه سازی شد. ارزش های اصلاحی ژنومی به وسیله روش های رگرسیون ریج بیزی، بیز a، بیز b، بیز c، بیز lasso، روش نیمه پارامتری بر پایه کرنل و شبکه های عصبی پیش بینی شدند. در هر سه میزان وراثت پذیری، با افزایش اندازه موثر جمعیت، صحت برآوردهای ژنومی کاهش یافت، ولی شدت آن برای روش های آماری یکسان نبود. در وراثت پذیری پایین، با افزایش تعداد qtl، میزان صحت ارزش های اصلاحی ژنومی افزایش یافت. بر عکس، میزان صحت ارزش های اصلاحی در وراثت پذیری متوسط و بالا کاهش یافت. در صفات با توزیع یکنواخت qtlها، با افزایش تعداد qtl، مقدار صحت ارزیابی ژنومی کاهش، ولی افزایش تعداد qtl در صفاتی که qtlهای آنها دارای توزیع نرمال و گاما بود، منجر به افزایش صحت شد. در هر سه نوع توزیع یکنواخت، نرمال و گاما، میزان صحت با افزایش اندازه موثر جمعیت کاهش یافت. نتایج پژوهش حاضر آثار متقابل بین روش های آماری، ساختار جمعیت و معماری ژنتیکی صفت را بر صحت ارزیابی ژنومی به وضوح نشان می دهد.

Accuracy of genomic evaluation considering the interaction effect between estimation method of marker effects, population structure, and genetic architecture of the trait

This study aimed to investigate the interaction effects between marker effect estimation methods, population structure, and genetic architecture of the trait on the accuracy of genomic evaluations. A reference population with two different effective population sizes (100 and 500) was simulated using the QMSim software. 500 markers and two different numbers of quantitative trait loci or QTLs (50 and 200) were distributed randomly through the genome including a 100 cM chromosome. In this study, three traits with different heritabilities (0.1, 0.3, and 0.5) were simulated. The genomic breeding values were predicted using Bayesian ridge regression, Bayes A, Bayes B, Bayes C, Bayesian LASSO, Reproducing kernel Hilbert space, and neural networks methods. Through the three heritabilities, as the effective population size increased, the accuracy of genomic evaluation decreased with different trends. As the number of QTLs increased, the accuracy of low heritability trait increased, but the accuracy of medium and high heritability traits decreased. Similarly, as the number of QTLs increased, the accuracy of the trait with normal distributed QTLs increased, but the accuracy of traits with gamma and univariate distributed QTLs decreased. For all types of QTL distributions, the increment of effective population size decreased the accuracy of genomic evaluations. The results of this study clearly showed the interaction effects between markers effect estimation methods, population structure, and genetic architecture of the trait on the accuracy of genomic evaluations.