ارزیابی صحت پیش بینی ژنومی در معماری های مختلف ژنومی صفات کمی و آستانه ای با جانهی داده های ژنومی شبیه سازی شده، توسط روش جنگل تصادفی

  • سال انتشار: 1397
  • محل انتشار: فصلنامه پژوهشهای تولیدات دامی، دوره: 9، شماره: 20
  • کد COI اختصاصی: JR_RAP-9-20_015
  • زبان مقاله: فارسی
  • تعداد مشاهده: 239
دانلود فایل این مقاله

نویسندگان

یوسف نادری

Islamic Azad University, Astara Branch

چکیده

گزینش ژنومی چالشی امیدبخش برای کشف رموز ژنتیکی صفات کمی و کیفی به منظور بهبود رشد ژنتیکی و صحت پیش بینی ژنومی در اصلاح دام می باشد. به علت ناخوانا بودن نسبتی از ژنوتیپ ها، پیش بینی دقیق صحت ژنومی نیازمند برآورد این نشانگرها از طریق جانهی می­ باشد. در نتیجه هدف این تحقیق برآورد صحت جانهی و عوامل موثر برآن و ارزیابی صحت ژنومی روش جنگل تصادفی در برای معماری­ های مختلف ژنومی برای آنالیز صفات کمی و آستانه ای دودویی بود. در فاز اول، داده­ های ژنومی از طریق نرم­ افزار  QMSim با سطوح متفاوت وراثت پذیری (۰۵/۰ و ۲۵/۰)، سطوح مختلف LD (کم و زیاد) و تراکم های متفاوت جایگاه های صفات کمی (۹۶ و ۹۶۰) و تعداد ۴۸ کروموزم شبیه سازی شدند. در فاز دوم، برای شبیه­ سازی شرایط واقعی، بطور تصادفی اقدام به حذف (۵۰ و ۹۰ درصد) برخی نشانگر نموده و در مرحله بعد از طریق نرم افزار Flmpute اقدام به جانهی و پیش بینی نقاط گم شده نموده و صحت جانهی مورد ارزیابی قرار گرفت. در فاز سوم، دادهای اصلی و جانهی با استفاده از روش جنگل تصادفی جهت ارزیابی صحت ژنومی صفات کمی و آستانه ای استفاده شدند. نتایح نشان داد که با افزایش سطح LD صحت جانهی بهبود می یابد. با افزایش نسبت حذف نشانگرها (۹۰ درصد)، اثر صحت جانهی بر صحت پیش­بینی ژنومی پررنگتر بود. در صفات آستانه ای، سناریوی با حد بالای QTL، LD و وراثت پذیری و در صفات پیوسته، سناریوی با حد بالای LD و وراثت پذیری و حد پایین QTL بیشترین صحت پیش بینی ژنومی را در روش جنگل تصادفی به خود اختصاص دادند. به طور کلی عملکرد روش جنگل تصادفی در برآورد صحت ژنومی صفات آستانه ای نسبت به صفات کمی بهتر بود.    

کلیدواژه ها

Linkage disequilibrium, Discrete traits, Machine learning, Imputation, Genomic architecture, عدم تعادل پیوستگی, صفات آستانه ای, یادگیری ماشینی, جانهی, معماری ژنومی

اطلاعات بیشتر در مورد COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.