احمد احمدی

چکیده هدف از انجام این تحقیق مقایسه روش های مختلف آماری ازجمله GBLUP ،BaeseA ، BayeseB ،BayeseC ،BayesLasso ،Ridge Regression، Boosting وSVM در ارزیابی ژنومی صفات با معماری ژنتیکی افزایشی و غالبیت بود. ژنومی متشکل از 5 کروموزوم و هر یک به طول یک مورگان شبیه سازی شد و روی هر کروموزوم 1000 نشانگر تک نکلئوتیدی (SNP) به طور یکنواخت پخش شد. در دو سناریو مختلف 500 و 50 QTL در نظر گرفته شد و توزیع اثرات آنها با توزیع نرمال، گاما و یکنواخت مدل سازی شد. به ترتیب به 10، 20، 50 و 100% از QTLها اثر غالبیت داده شد. جمعیت پایه به تعداد 100 فرد (50 نر و 50 ماده) شبیه سازی شده و برای ایجاد LD اجازه داده شد تا برای 50 نسل به طور تصافی در آن آمیزش صورت بگیرد. در نسل 51، اندازه جمعیت به 1000 فرد افزایش داده شد که این افراد دارای اطلاعات ژنوتیپی و فنوتیپی بوده و جمعیت مرجع را تشکیل می دهند. افراد نسل 52 از آمیزش افراد نسل 51 ایجاد شدند که با افراد جمعیت مرجع دارای رابطه خویشاوندی بودند. افراد نسل 52، جمعیت تأیید (حیوانات کاندید انتخاب) را تشکیل می دادند و تفاوت آنها با حیوانات جمعیت مرجع این بود که فاقد اطلاعات فنوتیپی بودند. از دو شاخص صحت ارزیابی پیش بینی ژنومی و اریبی برای تجزیه و تحلیل نتایج و مقایسه روش ها استفاده شد. نتایج نشان داد که عدم تفکیک اثرات غالبیت از اثرات افزایشی منجر به کاهش صحت ارزیابی ژنومی و افزایش اریبی ارزش های اصلاحی ژنومی خواهد شد. در تمامی سناریوهای بررسی شده از توزیع اثرات QTL، تعداد QTL و درصدهای مختلف از QTLهای دارای اثر غالبیت، روش های بیزی استفاده شده از صحت پیش بینی بالاتری برخوردار بودند و برآوردهای آنها حداقل اریبی را داشت. روش Boosting به طور معنی داری از کمترین صحت پیش بینی برخوردار بود و اریبی برآوردهای آن نیز از بقیه روش های مطالعه شده بیشتر بود. عملکرد روش SVM و رگرسیون ریج نیز از Boosting بهتر بود اما از روشهای بیزی و GBLUP در برخی سناریوها کمتر بود. از نظر سرعت انجام محاسبات نیز GBLUP سریعترین و Boosting کندترین روش بودند.