برآورد اثرات متقابل ژنوتیپ و محیط با شبیه سازی معماری های مختلف ژنومی
/مهدی بهلولی
: کشاورزی
، ۱۳۹۵
چاپی
دکتری
علوم دامی گرایش اصلاح نژاد دام
۱۳۹۵/۱۲/۰۱
تبریز
اثر متقابل ژنوتیپ و محیط (G E) یکی از عوامل مهمی است که میصتواند صحت پیشصبینیصهای ژنومی را تحت تأثیر قرار دهد .بنابراین تحقیق حاضر در دو بخش برای بررسی این اثر انجام شد .در بخش اول، از مدلصهای تک-صفتی و چند صفتی با در نظر گرفتن سناریوهای مختلف برای بررسی صحت پیشصبینی ژنومی و تشخیص وجود اثر متقابل ژنوتیپ و محیط (G E) استفاده شد .شبیهصسازی صفت با سطوح مختلف عدم تعادل پیوستگی(LD) ، تعداد نشانگر وQTL های مختلف انجام شد .در ادامه، شبیهصسازی برای ایجاد همبستگی ژنتیکی بین صفات در چهار محیط مختلف با وراثتصپذیریصهای مختلف انجام شد .صحت پیشصبینی ژنومی به طور معنیصداری با کاهش سطحLD ، تعداد نشانگرها، وراثتصپذیری و همبستگی ژنتیکی بین صفات کاهش یافت .با استفاده از مدل چند-صفتی، صحت ارزشصهای اصلاحی ژنومی افزایش یافت .نتایج نشان داد که سطحLD ، تعداد حیوانات موجود در جمعیت مرجع و همبستگی ژنتیکی بین محیطصهای مختلف در صورت وجود اثر متقابل G E ، نقش مهمی را ایفا میصکنند .بنابراین با توجه به نتایج حاصل میصتوان گفت که با بررسی اثر متقابل ژنوتیپ و محیط صحت پیشصبینی بیشتر شده و فهم بهتری از تنوع ژنتیکی صفات کمی حاصل میصشود .در بخش دوم تحقیق، هدف از مطالعه بررسی توانایی مدل رگرسیون تصادفی ژنومی برای تشخیص اثر متقابل G E با در نظر گرفتن شاخص دما-رطوبت (THI) به عنوان یک توصیفصگر محیطی بود .رکوردهای تولید شیر دوره شیردهی اول گاوهای هلشتاین آلمانی از بانک اطلاعاتی مرکز اصلاح نژاد کشور آلمان استخراج گردید .نزدیکترین ایستگاهصهای هواشناسی به هر گاوداری با استفاده از اطلاعات طول و عرض جغرافیایی برا محاسبه THI شناسایی شدند .با انجام کنترل کیفی دادهصی ژنومی، جایگاهصهای ژنی با فراوانی آللی کمتر از ۵ درصد و نرخ خوانش کمتر از ۹۰ درصد حذف شدند .آنالیز ژنتیکی با برنامهصی GIBBS۳F۹۰ و از طریق نمونهصگیری گیبس انجام شد .همبستگی ژنتیکی با افزایش فاصلهصیTHI های مختلف، کاهش یافت .بنابراین میصتوان گفت برای صفت تولید شیر اثر متقابل G E مشاهده شد است .با درنظر گرفتن صحت پیشصبینی ژنومی، نتایج به دست آمده نشان داد که اثر رگرسیون تصادفی ژنتیک افزایشی برای THI میصتواند در ارزیابیصهای ژنومی ملی گاوهای شیری آلمان مورد استفاده قرار گیرد
E interaction contributes to understanding variations of quantitative trait and increasing accuracy of genomic prediction.In the second section of research, the objective of study was to investigate the ability of genomic random regression model to detect genotype by environment interactions using temperature and humidity index (THI) as an environmental descriptor. First lactation milk yield records of German Holstein dairy cows were obtained from animal breeding center of Germany. The closet weather station for each farm was extracted using longitudes and latitudes information to calculate the THI. For genomic data, during quality control, a minor allele frequency (MAF) lowers than 0.05 and the call rates less than 0.90 were considered. Analyses were performed using the GIBBS3F90 software via the Gibbs sampling algorithm. The genetic correlations gradually decline as the distance between THI values increases. Therefore, substantial indication for genotype by environment interaction was found for milk yield. The results of this study indicate the need to model an additive genetic random regression effect in national genetic evaluations of dairy cattle herds E interaction exists. In conclusion, G E) interaction. The simulated high and low linkage disequilibrium genome consisted of different SNP chip applications and number of QTLs controlled the trait of interest. The simulation was done to create the genetic correlations between the traits in 4 environments with different heritabilities. The accuracy of prediction decrease significantly (p < 0.05) with decreasing the number of markers, heritability and the genetic correlation between the traits. Accuracies of the genomic estimated breeding values increased when using multi-trait models. The results showed that the level of LD, number of animals in training set and genetic correlation across environments play important roles if G environment (G This research was done in two sections. In the first section, accuracies of genomic prediction across various scenarios were compared using single-trait and multiple-trait animal models to detect genotype