کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
10975964 1108037 2013 13 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Combining cow and bull reference populations to increase accuracy of genomic prediction and genome-wide association studies
ترجمه فارسی عنوان
ترکیب جمعیت های گاو و گاو نر برای افزایش دقت پیش بینی ژنوم و مطالعات ارتباطی ژنوم گسترده
کلمات کلیدی
انتخاب ژنوم، مطالعه ارتباط بین ژنوم، چند منظوره جمعیت مرجع،
ترجمه چکیده
انتخاب ژنومی وعده داده است که به ویژه برای صفاتی که برای سنجش دشوار و گرانبها مناسب است، سودمند باشد، به طوری که دسترسی به فنوتیپ ها در گروه های بزرگ دختر گاو نر محدود است. در عوض، جمعیت مرجع گاو را می توان تولید کرد، به طور بالقوه با اطلاعات موجود از همان یا (بسیار) ویژگی های همبستگی موجود در جمعیت های مرجع گاو تکمیل شده است. بنابراین هدف این مطالعه، ایجاد یک مدل برای پیش بینی ژنوم و مطالعات مربوط به ارتباط ژنوم بر پایه مجموعه داده های مرجع گاو و گاو ترکیبی با دقت فنوتیپ های متفاوت گاو و جمع آوری ژنوم انتخاب گاو است . مدل انتخاب متغیر جستجوی دو متغیره بیزی برای یک طرح نامتعادل اجازه داده شده توسط باقی مانده ها در طرح به روز رسانی باقی مانده برای تمام پرونده های گم شده مجاز است. عملکرد این مدل بر روی یک نمونه واقعی داده شده نشان داده شده است، در حالیکه ویژگی تجزیه و تحلیل شده، تولید چربی شیر یا پروتئین، تنها بر روی یک گاو یا یک جمعیت مرجع گاو اندازه گیری می شود یا در هر دو مورد ثبت می شود. نتایج ما این بود که مدل انتخاب دو متغیره دوبعدی باینز برای بررسی متغیرهای جستجو تصادفی قادر به تجزیه و تحلیل 2 صفات بود، حتی اگر حیوانات تنها بر روی 1 از 2 صفات اندازه گیری شوند. مدل انتخاب متغیر جستجو تصادفی باینز برای دقت و صحت عملکرد چربی در مقایسه با یک مدل بدون انتخاب متغیر، هر دو برای تجزیه و تحلیل یک بعدی و دو جانبه، در حالی که دقت هر دو مدل برای عملکرد پروتئین بسیار مشابه بود. مدل دوبعدی چندین قاعده لک های صفت کمی را در مقایسه با مدل های تک صفت در هر دو صفت مشخص کرد. علاوه بر این، مدل های دو متغیره افزایش دقت در پیش بینی ژنوم برای صفات گاو (0.01-0.05) افزایش می یابد، اگر چه افزایش بیشتر دقت در انتظار افزایش حجم جمعیت گاو است. نتایج ما تاکید می کنند که ارزش انتخاب شده در مدل های پیش بینی ژنوم بیزی در مجموعه های داده های کوچک اهمیت خاصی دارد.
موضوعات مرتبط
علوم زیستی و بیوفناوری علوم کشاورزی و بیولوژیک علوم دامی و جانورشناسی
پیش نمایش مقاله
ترکیب جمعیت های گاو و گاو نر برای افزایش دقت پیش بینی ژنوم و مطالعات ارتباطی ژنوم گسترده
چکیده انگلیسی
Genomic selection holds the promise to be particularly beneficial for traits that are difficult or expensive to measure, such that access to phenotypes on large daughter groups of bulls is limited. Instead, cow reference populations can be generated, potentially supplemented with existing information from the same or (highly) correlated traits available on bull reference populations. The objective of this study, therefore, was to develop a model to perform genomic predictions and genome-wide association studies based on a combined cow and bull reference data set, with the accuracy of the phenotypes differing between the cow and bull genomic selection reference populations. The developed bivariate Bayesian stochastic search variable selection model allowed for an unbalanced design by imputing residuals in the residual updating scheme for all missing records. The performance of this model is demonstrated on a real data example, where the analyzed trait, being milk fat or protein yield, was either measured only on a cow or a bull reference population, or recorded on both. Our results were that the developed bivariate Bayesian stochastic search variable selection model was able to analyze 2 traits, even though animals had measurements on only 1 of 2 traits. The Bayesian stochastic search variable selection model yielded consistently higher accuracy for fat yield compared with a model without variable selection, both for the univariate and bivariate analyses, whereas the accuracy of both models was very similar for protein yield. The bivariate model identified several additional quantitative trait loci peaks compared with the single-trait models on either trait. In addition, the bivariate models showed a marginal increase in accuracy of genomic predictions for the cow traits (0.01-0.05), although a greater increase in accuracy is expected as the size of the bull population increases. Our results emphasize that the chosen value of priors in Bayesian genomic prediction models are especially important in small data sets.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Dairy Science - Volume 96, Issue 10, October 2013, Pages 6703-6715
نویسندگان
, , ,