فرهاد غفوری کسبی

چکیده مبسوط مقدمه: یکی از مسائل مهم در انتخاب ژنومی، برآورد اثر نشانگرها است. روش های مختلفی در طی سال های اخیر جهت برآورد اثر نشانگرها پیشنهاد شده اند که هر کدام ارزش های اصلاحی ژنومی را با صحت متفاوتی برآورد می نمایند. یکی از روش های مورد استفاده در ارزیابی ژنومی روش رگرسیون ریج می باشد (rrBLUP) که در مطالعات مختلف برای پیش بینی ارزش های اصلاحی ژنومی مورد استفاده قرار گرفته است. اخیراً با اعمال تغییراتی در پارامترهای روشrrBLUP نسخه ای از این روش تحت عنوان رگرسیون ریج-روش ششم (RR-m6) برای حل مسائل رگرسیون پیشنهاد شده است. با این حال تا کنون این روش در ارزیابی ژنومی صفات آستانه دار با معماری ژنتیکی افزایشی و غالبیت مورد استفاده قرار نگرفته است و عملکرد آن در این زمینه مشخص نیست. لذا در این تحقیق عملکرد پیش بینی این روش (شامل پارامترهای صحت پیش بینی، اریبی و پراکنش ارزش های اصلاحی ژنومی)، سرعت محاسباتی و حافظه مورد نیاز آن با سایر روش های رایج در ارزیابی ژنومی مقایسه شد. مواد و روش ها: ژنومی شامل 10 کروموزوم، هر کدام حاوی 1000 نشانگر تک نوکلئوتیدی دو آللی (SNP) در سطح وراثت پذیری 5/0 شبیه سازی شد. به همه جایگاه های صفات کمی (QTLها) اثرات ژنتیکی افزایشی داده شد که اثرات آنها با توزیع گاما مدل سازی گردید. دو سناریو از تعدادQTL به صورت 1% و 10% از تعداد کل SNPها (به ترتیب 10 و 100 QTL به ازاء هر کروموزوم) در نظر گرفته شد. همچنین در سناریوهای مختلف به 0/0، 50 و 100% از QTLها اثر غالبیت داده شد. ارزش های اصلاحی ژنومی با استفاده از روش های RR-m6، rrBLUP، GBLUP، BayesA، درخت رگرسیونی (RT)، جنگل تصادفی (Random Forest, RF) و Boosting برآرود شده و شاخص های صحت پیش بینی، اریبی و پراکنش (تورم ارزش های اصلاحی ژنومی) برای تجزیه و تحلیل ارزش های اصلاحی حاصل و مقایسه روش های مختلف مورد استفاده قرار گرفتند. در ضمن، زمان محاسباتی و میزان حافظه مورد نیاز برای پردازش کدهای مربوط به هر روش بر روی CPU محاسبه گردید. یافته ها: نتایج نشان داد استفاده از یک مدل صرفاً افزایشی زمانی که اثرات ژنتیک غالبیت در تنوع فنوتیپی صفت مشارکت داشته باشند، منجر به کاهش صحت و افزایش اریبی و پراکنش ارزش های اصلاحی ژنومی خواهد شد که میزان آن با تعداد QTLهایی که اثر غالبیت دارند رابطه مستقیم داشت. در مقایسه با