در بسیاری از تحقیقات صورت گرفته مرتبط با ارزیابی‌های ژنومی در حیوانات اهلی، صفات پیوسته مطالعه شده است. بنابراین، پژوهش حاضر با هدف بررسی صحت برآورد ارزش‌های اصلاحی ژنومی صفات آستانه‌ای در معماری‌های مختلف آللی (توزیع‌های آماری مختلف اثرات ژنی و تعداد متفاوت QTL)، وراثت‌پذیری‌های مختلف و اندازه‌های متفاوت جمعیت مرجع با بهره گرفتن از روش‌های بیزی انجام گرفت. همچنین مقایسه صحت ارزش‌های اصلاحی ژنومی برآورد شده در حالت ژنوتیپ واقعی و استنباط شده با بهره گرفتن از دو روش جنگل تصادفی و روش انتساب تصادفی نیز از اهداف مطالعه حاضر بوده است.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))
فصل دوم
بررسی منابع
۲-۱- اهداف اصلاح نژاد
مهم‌ترین هدف در اصلاح دام، شناسایی افرادی است که دارای بالاترین ارزش اصلاحی برای صفات موردنظر اصلاحگر بوده و شرکت دادن این افراد در چرخه تولید مثلی به‌عنوان والدین نسل بعد می‌باشد. عملکرد فرد، معمولاً شامل ترکیبی از چندین مشخصه یا صفت می‌باشد که عمده آن‌ها طبیعت و ماهیت کمّی دارند. صفات کمّی معمولاً به وسیله چند و یا حتی تعداد زیادی ژن (شاید بیشتر از هزار) همراه با اثرات محیطی کنترل می‌شوند (فالکونر و مَک‌کی، ۱۹۹۶). صفاتی مانند نرخ رشد، تولید شیر، تولید چربی و پروتئین از این قبیل‌اند. مهم‌ترین معیار که برای تعیین شایستگی افراد کاندیدا به‌کار می‌رود برآوردهای ارزش اصلاحی افراد برای صفات مورد علاقه (موردنظر) می‌باشد. ارزش اصلاحی یک فرد به‌صورت مجموع ارزش‌های ژنتیکی افزایشی برای تمام جایگاه‌هایی که در کنترل صفت سهیم‌اند (جایگاه‌های کنترل کننده صفات کمی، Quantitative Trait Loci) تعریف می‌شود.
تا کنون، اطلاعات فنوتیپی زیادی برای صفات اقتصادی در دامپروری، جمع‌ آوری شده و به‌عنوان منبع اصلی اطلاعات جهت برآورد ارزش اصلاحی کاندیداهای انتخاب مورد استفاده قرار گرفته است. برای رسیدن به این هدف، روش‌های آماری پیچیده‌ای بر اساس متدولوژی مدل‌های خطی مختلط با خاصیت بهترین پیش‌بینی نااریب خطی (BLUP) به‌کارگرفته شده است (هندرسون، ۱۹۸۷؛ لینچ و والش، ۱۹۹۸). این روش‌ها بر استفاده از اطلاعات فنوتیپی خود فرد و خویشاوندانش به‌منظور بیشینه کردن صحت برآورد ارزش‌های اصلاحی تاکید داشته‌اند. اگر صحت را به‌عنوان همبستگی بین ارزش اصلاحی واقعی و برآورد شده تعریف کنیم می‌توان آن را به‌عنوان مهم‌ترین شاخصه نرخ پیشرفت ژنتیکی که می‌تواند در یک برنامه اصلاحی در واحد زمان حاصل شود پذیرفت. عواملی چون شدت انتخاب، صحت انتخاب و فاصله نسل در پیشرفت ژنتیکی موثرند. نرخ پیشرفت ژنتیکی مورد انتظار در واحد زمان، با شدت و صحت انتخاب ارتباط مستقیم دارد اما با فاصله نسل نسبتی معکوس دارد (فالکونر و مَک‌کی، ۱۹۹۶).
۲-۲- روش‌های ارزیابی کلاسیک
در اواخر نیمه اول قرن بیستم، روش شاخص انتخاب توسط هیزل و لاش (۱۹۴۳) معرفی شد. این روش همبستگی بین مقادیر فنوتیپی، رابطه ژنتیکی بین افراد دارای رکورد و حیوانات مورد ارزیابی را در نظر می‌گرفت. با بهره گرفتن از این روش امکان ترکیب اطلاعات زیادی در یک هدف اصلاحی فراهم گردید. در شاخص‌ها، مهم‌ترین خصوصیت و ویژگی کاهش خطای پیش‌بینی، حداکثر کردن همبستگی بین ارزش ژنتیکی برآورد شده و حقیقی بود. بنابراین، استفاده از اطلاعات دیگر حیوانات منجر به افزایش درصحت ارزیابی‌ها شد (سیلوا و همکاران، ۲۰۱۴).
با توسعه روش‌های مدل مختلط توسط هندرسون (۱۹۴۹) ارزیابی ژنتیکی با بهره گرفتن از برآوردهای دقیق‌تر ارزش‌های اصلاحی شروع شد. ابتدا، از طریق مدل پدری که ارتباطات والد-فرزندی را در نظر می‌گیرد و سپس از طریق مدل حیوان که تمام روابط شناخته شده در بین حیوانات در شجره را در نظر می‌گرفت ارزیابی‌ها انجام شد. با بهره گرفتن از این روش، برآورد همزمان اثرات ثابت (BLUE) و اثرات تصادفی (BLUP) ممکن شد. درنتیجه، ارزش‌های اصلاحی با خاصیت BLUP برای تمام حیوانات موجود در شجره به‌دست آمد. این روش اگر چه، خصوصیات آماری مشابهی با روش شاخص انتخاب دارد اما به‌طور مستقیم برآوردهای ارزش‌های اصلاحی را ارائه می‌دهد. اما در روش شاخص انتخاب ضرایب شاخص و ارزش‌های اصلاحی در مراحل جداگانه‌ای حاصل می‌شوند. ارزش‌های اصلاحی برآورد شده با بهره گرفتن از معادلات مدل‌های مختلط به‌طور گسترده‌ای به‌عنوان ابزار انتخاب مورد استفاده قرار گرفتند (سیلوا و همکاران، ۲۰۱۴).
اگرچه برنامه‌های انتخاب بر اساس ارزش‌های اصلاحی برآورد شده از فنوتیپ تاکنون خیلی موفقیت آمیز بوده‌اند اما این روش نیز دارای محدو دیت‌هایی است (دِکرز، ۲۰۱۲):
۱) به‌منظور برآورد ارزش‌های اصلاحی قابل اعتماد برای کاندیداهای انتخاب، داشتن اطلاعات فنوتیپی از حیوان و یا از خویشاوندان نزدیک ضروری است. درنتیجه، علاوه بر هزینه‌های رکوردگیری، برخی صفات مورد علاقه اصلاحگران فقط در اواخر دوره زندگی (مانند ماندگاری) و یا فقط در یک جنس (مانند تولید شیر در گاو شیری) بروز می‌یابند، و نیز صفاتی که نیاز به کشتار حیوان دارند (صفات کیفیت گوشت) ارزیابی را با محدودیت مواجه می‌کند.
۲) تئوری این مدل بر اساس مدل ژنتیکی بی‌نهایت ژن موثر بر صفات کمی ارائه شده است (فالکونر و مَک‌کی، ۱۹۹۶). در این مدل فرض شده است که صفت به وسیله تعداد بی‌نهایت ژن غیر همبسته با اثرات افزایشی و خیلی کوچک کنترل می‌شوند. در حالیکه تعداد ژن‌ها نمی‌تواند بی‌نهایت باشد. همچنین نوترکیبی حاصل از لینکاژ نیز که خود عامل مهمی در تنوع است را در نظر نمی‌‌گیرد. هرچند ممکن است تعداد زیادی ژن با اثر کوچک بر صفت موثر باشند اما در بسیاری از صفات قسمت عمده‌ای از تنوع توسط تعداد محدودی ژن بزرگ اثر کنترل می‌شود (عبدالهی و همکاران، ۱۳۹۱؛ کالوس، ۲۰۱۰؛ دِکرز، ۲۰۱۲).
۳- با توجه به اینکه در BLUP از ماتریس روابط خویشاوندی استفاده می‌شود و در تشکیل این ماتریس، واریانس برآوردها در نظر گرفته نشده و از میانگین رابطه خویشاوندی استفاده می‌شود، عملاً ضرایب بین افراد حاصل از یک تلاقی یکسان برآورد می‌شود. درنتیجه به دلیل در نظر نگرفتن اثر نمونه‌گیری مندلی (ترکیب تصادفی کروموزوم‌ها در مرحله گامتوژنز) احتمال انتخاب حیوانات خویشاوند و افزایش هم‌خونی بالا می‌رود. همچنین صحت این برآوردها تا حدود زیادی تابع صحت و کیفیت شجره می­باشند (کالوس، ۲۰۱۰).
۲-۳- استفاده از منابع اطلاعاتی نشانگری
استفاده از منابع اطلاعاتی دیگر به‌منظور رفع محدودیت‌های ارزیابی کلاسیک و به‌دست آوردن ارزش‌های ژنتیکی زود هنگام از کاندیداهای انتخاب دارای تاریخی کهن است. نخستین تلاش‌ها، روی صفات اندیکاتور (شاخص)، مقادیر فیزیولوژیکی و مارکرهای خونی صورت گرفت. یکی از موارد موفقیت آمیز اولیه، استفاده از گروه‌های خونی به‌عنوان نشانگرهای مولکولی برای افزایش مقاومت ژنتیکی در طیور بوده است (هانسِن و همکاران، ۱۹۶۷). مقدار سرم IGF-1 اندازه‌گیری شده در سنین اولیه در گاو و خوک به‌عنوان شاخص کارایی رشد نیز مثالی از مقادیر فیزیولوژیک می‌باشد (بانتِر و همکاران، ۲۰۰۵). به‌طور کلی، استفاده از صفات شاخص به‌وی‍ژه صفات شاخص فیزیولوژیک قابل اندازه‌گیری در خون محدود بود.
در دهه ۹۰ میلادی استفاده از ماتریس روابط آللی (به‌جای ماتریس روابط خویشاوندی) در معادلات مدل‌های مختلط توسط نجاتی-جوارمی و همکاران (۱۹۹۷) مطرح شد. نتایج مطالعه آن‌ها که برای اولین بار اطلاعات ژنومی را در ارزیابی‌های حیوانات اهلی دخیل می‌داد نشان داد که ارزش‌های اصلاحی برآورد شده به مقدار حقیقی خود نزدیک‌تر شده و پاسخ به انتخاب بیشتر خواهد شد. همچنین نرخ پیشرفت ژنتیکی برای صفاتی که دارای وراثت­پذیری پایین بودند، یا اینکه تحت تاثیر تعداد اندکی QTL و یا تعداد کمتر آلل در هر جایگاه بودند بیشتر بود. پر واضح است دلیل بهبود نرخ پیشرفت ژنتیکی در این روش ارزیابی، نسبت به روش استفاده از اطلاعات شجره، نشان دادن دقیق‌تر رابطه بین افراد جمعیت بود. زیرا به‌جای استفاده از متوسط رابطه خویشاوندی، حالت همسانی در موقعیت (Identical By State) و تنوع ژنی موجود را نیز در نظر داشت. هرچند که در این مطالعه اثرات QTL به‌طور مستقیم و همزمان با اثرات پلی‌ژنیک در مدل وارد نشده بود؛ اما این محققین بیان کردند درصورتی‌که بتوان اثرات QTL را در مدل وارد نمود، پیشرفت ژنتیکی تسریع خواهد شد.
در تایید سودمندی استفاده از اطلاعات ژنومی ویلانِوا و همکاران (۲۰۰۵) گزارش کردند حتی درصورتی‌که مدل ژنتیکی صفت موردنظر مدل بی‌نهایت ژن باشد و هیچ ژنی دارای اثر بزرگ نباشد، استفاده از ماتریس روابط خویشاوندی آللی و یا استفاده از اطلاعات نشانگری در برنامه‌های انتخاب مفید و منجر به پاسخ به انتخاب مطلوب‌تر خواهد بود.
۲-۴- انتخاب به کمک نشانگر
برخی خصوصیات یا صفات که تفرق همزمان با صفت داشته باشند را می‌توان به‌عنوان نشانه‌ای برای ژنوتیپ خاصی از صفت دانست. انتخاب غیرمستقیم برای صفت بر اساس آن نشانه را انتخاب به کمک نشانگر می‌گویند. نشانگرها می‌توانند مبتنی بر خواص ظاهری، پروتئین و یا DNA باشند. نشانگرهای DNA به بخشی از ژنوم اطلاق می‌گردد که با تنوع صفت خاصی مرتبط باشد (مونتالدو و مِزا-هِرِرا، ۱۹۹۸).
انتخاب بر اساس نشانگرها در خصوص صفاتی که از ارزیابی‌های کلاسیک چندان بهره نمی‌برند مفید خواهد بود. به‌طوری‌که، همزمان از اطلاعات فنوتیپی و نشانگرهای مولکولی در سطح ژنوم (در حالت عدم تعادل لینکاژی با QTL) استفاده می‌کند (دِکرز، ۲۰۰۴). از این روش در انتخاب گاوهای نر جوان برای ورود به مرحله آزمون نتاج در صنعت گاوشیری استفاده شده است (گئورجِس و همکاران، ۱۹۹۵؛ ماکینون و گئورجِس، ۱۹۹۸).
استفاده از اطلاعات مولکولی به‌منظور بهبود ژنتیکی در گاوهای شیری برای اولین بار در اواخر دهه ۱۹۶۰ توسط (اسمیت، ۱۹۶۷) به‌ خصوص برای صفاتی که بهبودشان با بهره گرفتن از برنامه‌های اصلاح نژاد سنتی مشکل بود پیشنهاد شد. اما در عمل، ظهور دوران استفاده از ژنتیک مولکولی به اوایل دهه ۷۰ برمی‌‌گردد که فرصت جدیدی را در برنامه‌های اصلاح نژادی ایجاد کرد که بتوان از نشانگرهای DNA برای شناسایی ژن یا مناطق ژنومی کنترل کننده صفات موردنظر استفاده کرد. اولین کاربرد مشهور این روش، کشف اساس ژنتیکی و توسعه آزمون‌های نقایص ژنتیکی (تک جایگاهی) بود. در خصوص صفات کمّی نیز، این پیشرفت‌ها منجر به شناسایی QTL و توسعه تست‌های DNA شد. این تست‌ها به‌منظور کمک به تصمیم انتخاب یا حذف افراد کاندیدا در مراحل اولیه زندگی، در تکنیک انتخاب به کمک نشانگر به‌کار گرفته شدند. به‌طوری که با ترکیب اطلاعات حاصل از نشانگرهای ژنتیکی مرتبط با QTL و اطلاعات فنوتیپی، انتخاب انجام می‌شد (لَند و تامپسون، ۱۹۹۰؛ اسمیت و سیمپسون، ۱۹۸۶). با بهره گرفتن از این روش، نتایج بسیار مفیدی در خصوص شناسایی تعداد قابل توجهی QTL، ارتباطات نشانگر- فنوتیپ و برخی جهش‌های علّی حاصل شد (دِکرز، ۲۰۰۴). اما کاربرد این روش نیز در برنامه‌های اصلاح نژاد، به دلایلی با محدودیت همراه بود (دِکرز، ۲۰۰۴): ۱) بیشتر مطالعات QTL در آمیخته‌های تجاری انجام شده است در صورتی که می‌بایست در جمعیت‌هایی از حیوانات اهلی انجام می‌شد که برای بهبود و پیشرفت ژنتیکی استفاده می‌شدند. ۲) فقط بخش محدودی از تنوع ژنتیکی صفت به‌وسیله جایگاه‌ها و اثرات شناسایی شده توجیه می‌شد، درحالی‌که بیشتر صفات اقتصادی به وسیله تعداد زیادی ژن کنترل می‌شوند. ۳) هزینه تعیین ژنوتیپ به روش معمولی (سنتی) برای کاندیداهای انتخاب حتی برای تعداد کمی نشانگر ژنتیکی نیز بسیار بالا بود.
۲-۵- چند شکلی‌های تک نوکلئوتیدی
تنوع و تفاوت‌هایی که به واسطه اختلاف در یک جایگاه تک نوکلئوتیدی (Single Nucleotide Polymorphisms) (به علت جایگزینی، حذف یا اضافه) در بین افراد همان گونه رخ می‌دهند، به‌عنوان چندشکلی تک نوکلئوتیدی (SNP) شناخته می‌شوند. جایگزینی نوکلئوتیدها عامل مهمی در ایجاد SNP در ژنوم محسوب می‌شوند. ازلحاظ نوع جایگزینی بازها، جهش‌ها می‌توانند ترانزیشن (Transition) یا ترانزورژن (Transversion) باشند. در جهش ترانزیشن جایگزینی بازهای پورین یا پیریمیدین پیریمیدین با یکدیگر صورت می‌گیرد. از این رو در این نوع جهش‌ها فقط دو شکل آللی در جایگاه مربوطه قابل مشاهده می‌باشد. ولی در جهش‌های ترانزورژن جایگزینی کلیه بازهای پورین و پیریمیدین با یکدیگر صورت می‌گیرد. از اینرو در این نوع از جهش‌ها هر چهار شکل آللی در جایگاه مربوطه می‌تواند مشاهده گردد (A↔C، A↔T، G↔C و G↔T). ازلحاظ تئوری، تبدیل یک باز نوکلئوتیدی به هرکدام از بازهای ۴ گانه امکان‌پذیر است. اما به علت شکل هندسی بازها، SNP های سه و به‌ویژه چهار آللی بسیار نادر بوده و بیشتر SNP ها دو آللی‌اند (سوبِدی، ۲۰۱۲). این نشانگرها نسبت به نشانگرهای ریزماهواره، دارای تنوع آللی کمتری هستند اما به دلیل اینکه در کل ژنوم به میزان بالا یافت می‌شوند نشانگرهای بسیار مناسبی برای ردیابی QTL و مطالعات ارتباطی کل ژنوم می‌باشند. همین علت هم منجر به توسعه روش‌ها و تکنیک‌های شناسایی و کاربرد این نشانگرها در سال‌های اخیر شده است.
۲-۶- میکرو تراشه‌های DNA
چندشکلی‌های تک نوکلئوتیدی را می‌توان با بهره گرفتن از روش‌های متعددی تشخیص داد. اما یک فن‌آوری نسبتاً جدید در این رابطه، استفاده از تراشه‌های DNA (DNA Chips) می‌باشد. در این فن آوری همزمان چند شکلی چندین هزار مارکر مورد بررسی قرار می‌گیرد (ویگنال و همکاران، ۲۰۱۲). در حال حاضر برای بیشتر گونه‌های حیوانات اهلی، تراشه‌های تجاری وجود دارد که با بهره گرفتن از آن‌ها می‌توان ده‌ها هزار SNP را در طول ژنوم یک حیوان با هزینه منطقی و قابل قبول (کمتر از ۱۵۰ دلار به ازای هر نمونه) در زمان بسیار اندک تعیین ژنوتیپ کرد. اولین مورد از این تراشه‌ها در حیوانات اهلی، پانل ۵۰ هزار جفت نوکلئوتیدی (که به اختصار گفته می‌شود SNP 50K) گاوی بود که توسط شرکت ایلومینا طراحی شد (ماتوکومالی و همکاران، ۲۰۰۹). تا به امروز ده‌ها هزار گاو گوشتی و شیری، با بهره گرفتن از این تکنولوژی تعیین ژنوتیپ شده‌‌اند. تراشه‌های ۴۰ تا ۶۰ هزار SNP مشابهی نیز برای دیگر گونه‌های حیوانات اهلی شامل طیور، گوسفند، خوک و اسب در دسترس است. SNP chip یا DNA chip مخصوص گوسفند در سال ۲۰۰۹ با عنوان Illumina Ovine SNP50 BeadChip طراحی شد که ۵۴۲۴۱ جهش تک نوکلئوتیدی با فاصله یکسان در سطح ژنوم گوسفند را پوشش می‌دهد. این طراحی با همکاری تعداد زیادی محقق در سراسر جهان و صرف هزینه بسیار بالا در قالب پروژه Sheep HapMap صورت گرفت (کیجاس و همکاران، ۲۰۰۹). مهم‌ترین استفاده از این تراشه‌های DNA با تراکم بالای SNP، در انتخاب ژنومی یا انتخاب بر مبنای کل ژنوم بوده است (مِوویسِن و همکاران، ۲۰۰۱؛ وَن‌رادِن و همکاران، ۲۰۰۹). استفاده از این تراشه‌ها، منجر به تولید تعداد بسیار زیادی داده SNP با تراکم بالا می‌شود که می‌توانند در مطالعات ارتباطی کل ژنوم به‌منظور شناسایی نشانگرهای ژنومی یا مناطق ژنومی مرتبط با صفت بر اساس عدم تعادل لینکاژی (LD) و انتخاب ژنومی استفاده شوند (هِیز و همکاران، ۲۰۰۹).
۲-۷- انتخاب ژنومی
انتخاب ژنومی به‌معنی استفاده از اطلاعات ژنومی به‌منظور ارزیابی و انتخاب افراد کاندیدا می‌باشد. ویژگی کلیدی این روش این است که کل ژنوم به‌وسیله نشانگرهای متراکم پوشش داده می‌شود. به‌طوری که تمام واریانس ژنتیکی به‌وسیله این نشانگرها توجیه شود و فرض می‌شود که نشانگر با QTL در حالت LD باشند (گُدارد و هِیز، ۲۰۰۷).
اولین بار معرفی و ارائه انتخاب ژنومی به وسیله نجاتی-جوارمی و همکاران (۱۹۹۷) صورت گرفت و سپس به وسیله مِوویسِن و همکاران (۲۰۰۱) توسعه داده شد. اما کاربردی شدن آن از زمان توصیف مفاهیم و ارائه مدل‌های انتخاب ژنومی تا در دسترس قرار گرفتن پانل‌های چندهزار نشانگری گاو به تاخیر افتاد (وَن‌تِسِل و همکاران، ۲۰۰۸). به‌طور کلی، SNP ها فراوان‌ترین نوع چند شکلی‌های DNA در ژنوم هستند و هم‌اکنون این نشانگرها بر سایر انواع نشانگرهای مولکولی در تحقیقات ژنومی اولویت دارند. زیرا این نشانگرها دارای نرخ جهش پایین‌تری هستند و به آسانی تعیین ژنوتیپ می‌شوند (رُموالدی و همکاران، ۲۰۱۲). ایده اصلی در انتخاب ژنومی، استفاده از مارکرهای خاصی برای ردیابی QTL نیست بلکه از تعداد بسیار زیادی نشانگر که در کل ژنوم پراکنده‌اند استفاده می‌شود. زمانی که چندین هزار نشانگر در طول ژنوم تعیین ژنوتیپ می‌شوند فرض می‌شود که نشانگرها در کنار جهش‌های علّی قرار گرفته‌اند. به‌عبارتی دیگر SNP ها با QTL در حالت عدم تعادل لینکاژی هستند (دِروس و همکاران، ۲۰۰۸). سهم هر نشانگر در شایستگی ژنتیکی افزایشی یک حیوان نمایان می‌شود و برخلاف فرضیات در مدل بی‌نهایت، در اینجا تفاوت بین اثرات مارکر نیز به دست می‌آید. هرچند در این خصوص کل و همکاران (۲۰۰۹) گزارش کردند که در گاو شیری برای بیشتر صفات تولیدی، مدل بی‌نهایت می‌تواند مدل مناسبی باشد و تنها تعداد اندکی QTL در ژنوم گاو وجود دارد.
دو پیشرفت تکنولوژیکی اصلی که در محبوبیت، کاربرد و موفقیت انتخاب ژنومی دخیل بودند عبارت‌اند از: ۱) کامل شدن پروژه تعیین توالی ژنوم گاو و انتشار آن، منجر به شناسایی چندین هزار نشانگر SNP و درنتیجه تسریع پیشرفت‌های تحقیقاتی مرتبط شد (ِالسیک و همکاران، ۲۰۰۹). ۲) در دسترس قرار گرفتن تراشه‌های DNA به‌صورت تجاری و با هزینه مناسب. این تراشه‌ها مشتمل بر هزاران نشانگر در طول ژنوم بوده و مجال برآورد ارزش‌های اصلاحی با صحت بالا را فراهم کرد (مِوویسِن و همکاران، ۲۰۰۱).
انتخاب ژنومی شامل ۳ مرحله است:
۱- استفاده از تراشه‌های DNA به‌منظور تعیین ژنوتیپ هر حیوان در هر نشانگر.
۲- برآورد اثر هر جایگاه نشانگری بر روی صفت.
۳- برآورد ارزش‌های اصلاحی ژنومی افراد کاندیدا و تصمیم انتخاب.
مرحله کلیدی در پیش‌بینی‌های ژنومی، برآورد اثر آلل‌های SNP بر صفات مورد مطالعه می‌باشد. برآورد اثرات در تعدادی از حیوانات که جمعیت مرجع (یا داده‌های آموزشی) نامیده می‌شود انجام می‌گیرد (مِوویسِن و همکاران، ۲۰۰۱). این جمعیت به‌طورمعمول از ۱۰۰۰ حیوان تشکیل شده است و دارای اطلاعات ژنوتیپی فنوتیپ هستند. از طریق مطالعات ارتباطی نشانگر-فنوتیپ، اثر هر SNP برآورد خواهد شد. مرحله آخر در انتخاب ژنومی، برآورد ارزش‌های اصلاحی حیوانات جوان (کاندیداهای انتخاب) می‌باشد که این حیوانات ارزش‌های اصلاحی ژنومی‌شان با بهره گرفتن از مجموع اثرات SNP حاصل می‌شود. فرایند انتخاب ژنومی به‌صورت شماتیک در شکل ۲-۱ نشان داده شده است.
سوال مهم این است چه حیواناتی باید در جمعیت مرجع باشند؟ برای مثال، در گاو شیری ساده‌ترین و سر راست‌ترین روش استفاده از گاوهای نر دارای ارزش اصلاحی می‌باشد (وَن‌رادِن و همکاران، ۲۰۰۹). زیرا این حیوانات دارای ارزش‌های اصلاحی قابل اعتمادی هستند. زمانی که به‌دست آوردن فنوتیپ‌های واقعی وقت‌گیر و پرهزینه باشد، استفاده از ارزش‌های اصلاحی قابل اعتماد می‌تواند جایگزین مناسبی باشد. از آنجایی که حیوانات جمعیت مرجع هم باید دارای فنوتیپ و هم ژنوتیپ باشند، تعداد افراد جمعیت مرجع باید ازلحاظ هزینه‌های تعیین ژنوتیپ و رکوردگیری بهینه شود. اگر چه تحقیقات زیادی در خصوص بهینه‌سازی جمعیت مرجع صورت نگرفته است اما از نظر تئوری، جمعیت مرجع باید متشکل از کل دامنه ژنوتیپی و فنوتیپی نژاد یا توده باشد که منجر به برآورد دقیق و قابل اعتمادی شود. بنابراین جمعیت مرجع باید تا حد امکان معرف مناسبی از کل جمعیت باشد.
استراتژی دیگر استفاده از حیواناتی در جمعیت مرجع است که خویشاوندی نزدیکی با افراد کاندیدا داشته باشند که این امر منجر به افزایش صحت ارزش‌های اصلاحی خواهد شد (هابیَر و همکاران، ۲۰۰۷). این حالت نشان می‌دهد که در خصوص جمعیت مرجع ویژه لاین، برای دستیابی به برآورد دقیق ارزش‌های اصلاحی برای هر لاین، جمعیت مرجع باید دارای تعدادی فرد از هر لاین باشد. به‌عبارتی‌دیگر، جمعیت مرجع باید از همه لاین‌ها تشکیل شده باشد. دلیل احتمالی آن این است که ترکیب افراد از خانواده‌ها و لاین‌های مختلف باعث می‌شود که تمام LD هایی که در این خانواده‌ها یا لاین‌ها پایدار هستند در معادلات پیش‌بینی استفاده شوند. البته تنها درصورتی این امکان وجود دارد که تراکم نشانگری به‌اندازه کافی بالا باشد به‌طوری که هر QTL حداقل با یکی از نشانگرها در سطح بالایی از عدم تعادل لینکاژی در خانواده‌ها و نژادها باشد. دِروس و همکاران (۲۰۰۸b) نشان داد که به‌منظور پیش‌بینی دقیق ارزش‌های اصلاحی ژنومی برای نژاد جرسی با بهره گرفتن از معادلات پیش‌بینی بر اساس یک جمعیت مرجع گاوهای هلشتاین، حداقل ۳۰۰۰۰۰ SNP مورد نیاز است در حالی که تراشه‌های موجود (۵۰K) برای ارزیابی‌های داخل نژادی (یا به عبارتی برای همان نژاد) کارآمد هستند.
همچنین می‌توان از حیوانات تجاری برای تشکیل جمعیت مرجع استفاده کرد. مزیت این حالت این است که می‌توان اطلاعات فنوتیپی صفاتی را که معمولاً در حیوانات اصلاحی رکورد برداری نمی‌شوند، به‌راحتی جمع‌ آوری کرد. از این قبیل صفات می‌توان به صفات کیفیت لاشه، مصرف خوراک، پاسخ به چالش‌های بیماری و عملکرد تحت شرایط مدیریت و پرورش تجاری اشاره کرد. برای مثال در کشورهای در حال توسعه، جمعیت مرجع می‌تواند بیشتر تحت شرایط روستایی (نسبت به شرایط غیر معمول و غیر متعارف گله‌های اصلاحی) مدیریت شوند (گُدارد و هِیز، ۲۰۰۷).
جمعیت مرجع
افراد دارای ژنوتیپ و فنوتیپ
برآورد اثرات آللی
برآورد ارزش‌های اصلاحی ژنومی در حیوانات کاندیدا
افراد دارای ژنوتیپ
شکل ۲-۱- فرایند انتخاب ژنومی
۲-۸- مزایای انتخاب ژنومی
انتخاب ژنومی فاقد محدودیت‌هایی است که در کاربرد روش‌های BLUP و انتخاب به کمک نشانگر وجود داشت. در همین زمان اندک (از زمان ارائه تراشه‌های DNA تاکنون) انتخاب ژنومی توانسته است نرخ پیشرفت ژنتیکی در حیوانات اهلی را افزایش دهد (وِیگِل و همکاران، ۲۰۱۰). افزایش در صحت پیش‌بینی‌های ژنومی، به‌ویژه در رابطه با گاوهای نر جوان در مرحله قبل از ورود به آزمون نتاج به خوبی مشاهده شده است (شِفِر، ۲۰۰۶). به علاوه، می‌تواند اطلاعات قابل اعتمادتری نیز از حیوانات ماده به‌دست آورد که می‌تواند منجر به پیشرفت ژنتیکی بیشتری از طریق مسیر انتخاب گاوهای ماده شود. مطالعات مختلفی استفاده از تراشه‌های DNA در جلوگیری از کاهش پیشرفت ژنتیکی و افزایش پنهانی همخونی ناشی از اشتباه در شجره را، سودمند ارزیابی کردند. نتایج اولیه انتخاب ژنومی در گاوهای شیری در استرالیا نشان داد که ارزش‌های اصلاحی ژنومی برآورد شده به‌طور قابل توجهی بیشتر از ارزش‌های اصلاحی برآورد شده به روش سنتی می‌باشند حتی اگر تعداد افراد در جمعیت مرجع کم (در حدود ۶۰۰ راس) باشد (هِیز و همکاران، ۲۰۰۹).
یکی دیگر از مزیت‌های انتخاب ژنومی نسبت به مدل‌های تک SNP این است که تمام SNP ها به‌طور همزمان برازش می‌شوند. این ویژگی اجازه می‌دهد که اگر زمانی که چندین SNP با یک QTL در حالت عدم تعادل لینکاژی باشند از تمام اطلاعات استفاده شود. همچنین برای هر نوع ساختار جمعیتی قابل استفاده بوده و از طرف دیگر منجر به کاهش نتایج مثبت دروغین خواهد شد (دِکرز، ۲۰۱۲).
۲-۹- روش‌های آماری پیش‌بینی ژنومی
به‌منظور استفاده از اطلاعات ژنومی در اصلاح دام، لازم است که اثر هر جایگاه برآورد، و در نهایت جایگاه‌های دارای جهش علّی (و یا مرتبط با جهش علّی) تشخیص داده شود. با بهره گرفتن از پانل‌های خیلی متراکم SNP تعداد نشانگرها از تعداد رکوردها خیلی بیشتر خواهند بود. برازش مدل‌های رگرسیونی p زیاد (تعداد مجهولات: اثرات نشانگری) و n کم (تعداد معلومات: مشاهدات فنوتیپی) به روش‌های انتخاب متغیر و یا افت برآوردها نیاز دارد. رگرسیون ارزش‌های ژنوتیپی از مشاهدات فنوتیپی به‌صورت تقریبی از ارزش‌های ژنتیکی حقیقی است که می‌تواند تابع پیچیده‌ای از ژنوتیپ حیوان در تعداد بسیار زیادی ژن و نیز اثر متقابل پنهانی ژن‌ها با هم و نیز ژن‌ها با محیط باشد. بنابراین، مقادیر باقیمانده مدل‌های رگرسیونی کل ژنوم، یک متغیر تصادفی است که اثرات غیر ژنتیکی، به اضافه خطاهای تقریبی است که می‌تواند ناشی از LD ناقص بین نشانگرها و QTL و یا به علت نقص مدل (در نظر نگرفتن اثرات متقابل) باشد.
با در نظر گرفتن ژنوتیپ در جایگاه‌های مورد مطالعه به‌عنوان اثر مستقل در یک مدل رگرسیون خطی می‌توان نوشت:

که در این مدل، y متغیر وابسته یا فنوتیپ i اُمین فرد، µ عرض از مبداء مدل یا اثر مشترک تمام افراد، xij متغیرهای مستقل (ژنوتیپ نشانگرها) بوده، βj نیز اثر jاُمین کوواریت و ei اثرات تصادفی باقیمانده می‌باشد. فرم ماتریسی مدل فوق بدین‌صورت می‌باشد:

موضوعات: بدون موضوع  لینک ثابت


فرم در حال بارگذاری ...