عنوان پایان‌نامه
ارزیابی صفات کمی با آثار غیر افزایشی ژنی به کمک روش های آماری پارامتری و غیر پارامتری
- رشته تحصیلی
- مهندسی کشاورزی - علوم دامی - اصلاح نژاد دام
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس ابوریحان شماره ثبت: 968;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 80496;کتابخانه پردیس ابوریحان شماره ثبت: 968;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 80496
- تاریخ دفاع
- ۱۲ مهر ۱۳۹۵
- دانشجو
- مریم بذرافشان
- استاد راهنما
- عبدالرضا صالحی
- چکیده
- مدلی که امروز برای ارزیابی های ژنومی استفاده می شود مدل کاملاً افزایشی است اما از آنجایی که معماری ژنتیکی صفات کمی علاوه بر بخش افزایشی شامل بخش های غلبه و اپیستازی می باشد، بکار گیری مدلی که منطبق با معماری ژنتیکی صفت باشد ممکن است به صحت بالاتر پیش بینی ها بیانجامد. در این تحقیق به منظور بررسی عملکرد روش های پارامتری (GBLUP و BayesB)، نیمه پارامتری (Bagging GBLUP) و ناپارامتری Random Forest)) برای ارزیابی صفاتی با معماری ژنتیکی افزایشی و غیرافزایشی، ژنومی با پنج کروموزوم و هر کروموزوم به طول یک مورگان شامل 1000 نشانگر و چهار QTL شبیه سازی شد. چهار نوع صفت با معماری ژنتیکی کاملاً افزایشی (A)، افزایشی-غلبه (AD)، افزایشی غلبه اپیستازی (ADI) و کاملاً اپیستازی (I) شبیه سازی شد. برای روش های GBLUP، BayesB و Bagging GBLUP دو مدل افزایشی(A) و افزایشی-غلبه (AD) و برای روش Random Forest تنها مدل افزایشی در نظر گرفته شد. نتایج حاصل از این مطالعه نشان داد هنگامی که معماری ژنتیکی صفت کاملاً افزایشی باشد روش های پارامتری و نیمه پارامتری ارز ش های اصلاحی را با صحت بیش تری نسبت به روش ناپارامتری برآورد می کنند و برای اینگونه صفات روش BayesB بهترین عملکرد را داشت. برای صفاتی با معماری ژنتیکی توأم افزایشی-غلبه و افزایشی-غلبه-اپیستازی روش Random Forest، ارزش های اصلاحی را با دقت بیشتری برآورد کرد ولی برتری آن نسبت به روش پارامتری BayesB مشاهده نشد. هنگامی که معماری صفت کاملاً اپیستازی بود، روش ناپارامتری Random Forest ارزش های اصلاحی را با صحت بیش¬تری نسبت به روش های پارامتری و نیمه-پارامتری برآورد کرد. نتایج نشان داد در حضور اثرات توأم افزایشی-غلبه، مدل توأم افزایشی-غلبه در مقایسه با مدل افزایشی صحت ارزش های اصلاحی را بهبود بخشید. به طورکلی، صحت پیش بینی روش های پیش بینی ارزش های اصلاحی تحت تأثیر معماری ژنتیکی صفت مورد مطالعه می باشد. از این رو، استفاده از مدل صحیح در ارزیابی های ژنومی با توجه به معماری خاص هر صفت منجر به بهبود صحت برآورد ارزش های اصلاحی خواهد شد.
- Abstract
- To date, most genomic prediction studies fit only additive effects in models to estimate genomic breeding values (GEBVs). However, genetic architecture of quantitative traits in addition to the additive part include parts of dominance and epistatic. Therefore, choosing the statistical model that matches the genetic architecture may led to the higher the prediction accuracy of GEBVs. In this study the performance of four statistical methods including GBLUP and BayesB (Parametric methods), BaggingGBLUP (semi-parametric method) and Random Forest (non-parametric method) was compared for traits with additive and non-additive genetic architecture. An animal genome contains five chromosomes; each chromosome harboring 1000 SNPs and four QTLs was simulated. Four types of traits with genetic architecture only additive (A), additive-dominance (AD), additive-dominance-epistasis (ADI) and only epistasis (I) was considered. For each statistical method except Random Forest, two models including additive (A_M) and additive-dominance (AD_M) model were fitted. The results showed that when the underlying genetic architecture is additive, parametric and semi-parametric GS methods performed slightly better than the non-parametric methods. In general, BayesB outperformed other statistical methods. For traits with additive-dominance and additive-dominance-epistatic genetic architecture, Random Forest delivered the highest prediction accuracy, but its superiority over BayesB was not significant. When only epistasis is present, Random Forest performed better than parametric and semi-parametric methods. The results showed that when both additive and non-additive effects were present, additive-dominant statistical methods provided more accurate breeding values than the other methods. In general, the prediction accuracy was influenced by genetic architecture of traits. Hence, using the correct method and model in the genomic evaluations according to genetic architecture of trait will be recommended to improve the prediction accuracy. Keywords: Genomic values, Genomic prediction, Statistical Method, quantitative traits, Genetic architecture
