بررسی مقایسهای روشهای مختلف آماری در ارزیابی ژنومی با استفاده از کدهای ‏R

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 521

فایل این مقاله در 24 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_IJAS-51-4_006

تاریخ نمایه سازی: 8 اردیبهشت 1400

چکیده مقاله:

انتخاب ژنومی از بزرگ­ترین پیشرفتهای حوزه به­نژادی حیوانات و گیاهان در اوایل قرن بیست و یکم میلادی محسوب میگردد. روال ارزیابی ژنومی، که روی انتخاب به کمک نشانگر بنا نهاده شد، متکی به پیش­فرض وجود عدم تعادل پیوستگی بین نشانگرهای تک ­نوکلئوتیدی (SNP) متراکم در سطح ژنوم و جایگاههای کنترل کننده صفات کمی (QTL) است.  از نظر ارزیابی ژنتیکی، انتخاب ژنومی، بسیاری از مدلهای رایج را تحث تاثیر قرار داده و منجر به ایجاد مدلهای آماری-ژنتیکی جدیدی شده است که هر یک فرضیههای مختلفی را کنکاش می­کنند. گرچه این مدلها را میتوان بر اساس معیارهای مختلفی گروه بندی کرد، اما با در نظر گرفتن توزیع صفات مورد بررسی، میتوان آنها را در دو گروه فراسنجهای و نافراسنجهای تقسیم­بندی نمود. در این پژوهش صحت ارزشهای ارثی ژنومی با استفاده از روشهای آماری مختلف فراسنجهای و نافراسنجهای مورد بررسی قرار گرفته است. روشهای فراسنجهای مورد استفاده عبارت از رگرسیون ستیغی، رگرسیون لاسو، روش الاستیک­نت، مدلهای مختلط و روشهای بیزی شامل رگرسیون ستیغی بیزی، لاسو بیزی، بیز A، بیز B، بیز C و بیز D هستند. روشهای نافراسنجهای شامل ارگرسیون هستهای، فضای هیلبرت با هسته بازآفرین و ماشین بردار پشتیبان رگرسیونی می باشند. تمامی این روشها روی یک مجموعه داده واقعی شامل اطلاعات ژنومی و فنوتیپی مربوط به ‎۲۳۰۰‎ حیوان، با استفاده از کدهای R اجرا شدند. برای انتخاب مدل مناسب، از معیارهای صحت (همبستگی ارزش ارثی واقعی و برآورد شده) و میانگین مربعات خطا (MSE) استفاده شد. نتایج نشان داد که کارایی پیشبینی روش های فراسنجهای نسبت به روش های نافراسنجهای بالاتر است. در میان مدلهای ارزیابی ژنومی مورد استفاده بهطور نسبی نشان داده شد که روش بیز ‎B نسبت به سایر مدلها، از صحت و عملکرد بهتری برخوردار است و این با نتایج سایر پژوهشگران همخوانی نداشت. این تضاد احتمالا به دلیل ساختار داده­های مورد استفاده بوده است. یکی از اهداف این پژوهش ارایه مدلهای آماری ارزیابی ژنومی همراه با کدهای اجرایی آنها در محیط R بوده است، لذا کدهای یاد شده در این مقاله میتوانند در یادگیری مدلهای ارزیابی ژنتیکی مورد بحث کمک شایانی بهکاربران بکنند.

کلیدواژه ها:

انتخاب ژنومی ، روشهای فراسنجهای و نافراسنجهای ، صحت ارزیابی ژنومی ، محیط ‏R

نویسندگان

زهرا اکبری

دانشآموخته کارشناسی ارشد آمار ریاضی، دانشکده علوم پایه، دانشگاه یاسوج

آرش اردلان

استادیار آمار ریاضی، دانشکده علوم پایه، دانشگاه یاسوج

مصطفی قادری زفره ایی

دانشیار بیوانفورماتیک و ژنتیک، دانشکده کشاورزی، دانشگاه یاسوج

فرجاد رفیعی

استادیار، گروه بیوتکنولوژی کشاورزی، دانشکده علوم کشاورزی، دانشگاه گیلان

میثاق مریدی

دانشآموخته دکتری ژنتیک و اصلاح نژاد دام، دانشکده علوم کشاورزی، دانشگاه گیلان

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Abdollahi-Arpanahi, R., Pakdel, A., Nejati-Javaremi, A. & Moradi Shahrbabak, M. ...
  • Aguilar, I., Misztal, I., Johnson, D. L., Legarra, A., Tsuruta, ...
  • Aliloo, H., Pryce, J. E., González-Recio, O., Cocks, B. G., ...
  • An, N.-R., Lee, S.-S., Park, J.-E., Chai, H.-H., Cho, Y.-M. ...
  • Bhat, J. A., Ali, S., Salgotra, R. K., Mir, Z. ...
  • Christensen, O.F. & Lund, M.S. (2010). Genomic prediction when some ...
  • Christensen, O. F., Madsen, P., Nielsen, B., Ostersen, T. & ...
  • Cortes, C. & Vapnik, V. (1995). Support-Vector Networks. Machine Learning, ...
  • Crossa, J., Pérez-Rodríguez, P., Cuevas, J., Montesinos-López, O., Jarquín, D., ...
  • de los Campos‎, ‎G.‎, ‎Gianola‎, ‎‎D‎. & Rosa‎, G.‎J.M. (‎2009)‎. ...
  • de los Campos‎, ‎G.‎, ‎ ‎Gianola‎, D‎., ‎Rosa‎, ‎G‎. ‎J‎. ...
  • de los Campos‎, ‎G.‎, ‎‎Naya‎, H., ‎Gianola‎, D., ‎Crossa‎, J., ...
  • Elshire, R. J., Glaubitz, J. C., Sun, Q., Poland, J. ...
  • Endelman, J. B. (2011). Ridge regression and other kernels for ...
  • Fikere, M., Barbulescu, D. M., Malmberg, M. M., Shi, F., ...
  • Gao, N., Martini, J. W. R., Zhang, Z., Yuan, X., ...
  • Gianola‎, ‎D.‎, ‎de los Campos‎, G., ‎Hill‎, W. G., ‎Manfredi‎, ...
  • Gianola‎, ‎D.‎, ‎‎Fernando‎, R‎. ‎L‎. & ‎Stella‎, A‎. (‎2006). Genomic-assisted ...
  • Goddard, M. E.‎ & ‎Hayes, B. J‎. (2007). ‎Genomic selection‎. ...
  • Goddard, M. (2009). Genomic selection: prediction of accuracy and maximisation ...
  • Granato, I. S. C., Galli, G., de Oliveira Couto, E. ...
  • Habier‎, ‎D.‎, ‎Fernando‎, ‎R‎. ‎L‎., ‎Kizilkaya‎, ‎K‎. ‎& ‎Garrick‎., D‎. ...
  • Hayes, B. J., Bowman, P. J., Chamberlain, A. J. & ...
  • Hayes, B. J., Visscher, P. M. & Goddard, M. E. ...
  • Hayes, B. J., Corbet, N. J., Allen, J. M., Laing, ...
  • Henderson‎, ‎C‎.R. (1949). Estimates of changes in herd environment‎. ‎Journal ...
  • Henderson, C.R. (1975). Best linear unbiased estimation and prediction under ...
  • Hoerl‎, ‎A‎. ‎E.‎ ‎& Kennard‎, ‎R. W‎. ‎(1970). Ridge regression‎: ...
  • Hosseini-Vardanjani, S. M., Shariati, M. M., Moradi Shahrebabak, H. & ...
  • Jonas, E. & de Koning, D.-J. (2015). Genomic selection needs ...
  • Karatzoglou, A., Smola, A., Hornik, K. & Zeileis, A. (2004). ...
  • Long‎, ‎N.‎, ‎‎Gianola‎, D‎., ‎Rosa‎, ‎G‎.‎J‎.‎M‎. & ‎Weige, K‎.‎A‎. (‎2011). ...
  • Maenhout‎, ‎S.‎, De Baets‎, ‎B‎., ‎Haesaert‎, ‎G‎. & ‎Van Bockstaele‎, ...
  • Meuwissen‎, ‎T‎. ‎H‎. ‎E.‎, ‎Hayes‎, ‎B‎. ‎J‎. & ‎Goddard., M‎. ...
  • Meuwissen, T., Hayes, B. & Goddard, M. (2016). Genomic selection: ...
  • Misztal, I., Vitezica, Z. G., Legarra, A., Aguilar, I. & ...
  • Mohammadi, Y., Shariati, M. M., Zerehdaran, S., Razmkabir, M., Sayyadnejad, ...
  • Moradi, M., Abdollahi-Arpanahi, R., Hemmati, B. & Lavvaf, A. (2016). ...
  • Moser, G., Lee, S. H., Hayes, B. J., Goddard, M. ...
  • Nadaraya, E. A. (1964) On Estimating Regression. Theory of Probability ...
  • Ogutu, J. O‎., ‎Schulz-Streeck, T.‎ & ‎Piepho, H. P‎. (2012). ...
  • Pérez‎, ‎P., ‎‎de los Campos‎, G., ‎Crossa‎, J. & ‎Gianola‎, ...
  • Pérez, P. & de los Campos, G. (2014). Genome-wide regression ...
  • Robinson, G. K. (1991). That BLUP is a good thing: ...
  • Schrag, T.A., Westhues, M., Schipprack, W., Seifert, F., Thiemann, A., ...
  • Silverman‎, ‎B‎. ‎W.‎ ‎(1986). Density Estimation for Statistics and Data ...
  • Simon, N., Friedman, J., Hastie, T. & Tibshirani, R. (2011). ...
  • Teimurian, M., Shariati, M.M. & Aslaminejad, A.A. (2016). Comparison of ...
  • Tibshirani, R. (1996). Regression shrinkage and selection via the lasso. ...
  • VanRaden, P.M. (2008). Efficient methods to compute genomic predictions. Journal of ...
  • Vapnik‎, ‎V.‎ ‎(1995). The nature of statistical learning theory. (2nd ...
  • Varona, L., Legarra, A., Toro, M.A. & Vitezica, Z.G. (2018). ...
  • Watson, G. S. (1964). Smooth regression analysis. Sankhyā: The Indian ...
  • Weller, J. I., Ezra, E. & Ron, M. (2017). Invited ...
  • Wimmer, V., Lehermeier, C., Albrecht, T., Auinger, H.-J., Wang, Y. ...
  • Whittaker, J. C., Thompson, R., and Denham, M. C. (1999). ...
  • Yi, N. & Xu, S. (2008). Bayesian LASSO for quantitative ...
  • Zeng, P. & Zhou, X. (2017). Non-parametric genetic prediction of ...
  • Zhang, X., Lourenco, D., Aguilar, I., Legarra, A. & Misztal, ...
  • Zhou, X., Carbonetto, P. & Stephens, M. (2013). Polygenic modeling ...
  • Zou‎, ‎H‎. ‎& Hastie‎, ‎T‎. ‎(2005). Regularization and variable ‎Selection ...
  • نمایش کامل مراجع