در این مطالعه، ژنومی متشکل از 3 کروموزوم هر یک به طول 100 سانتی مورگان شبیه سازی شد. تعداد متفاوت نشانگر روی هر کروموزم با تراکم مختلف (100 نشانگر با فواصل 1 سانتی مورگان، 200 نشانگر با فواصل 0.5 سانتی مورگان، 1000 نشانگر با فواصل 0.1 سانتی مورگان و 2000 نشانگر با فواصل 0.05) درنظر گرفته شد. 30 مکان صفت کمی یا QTL که بطور تصادفی روی کروموزوم پراکنده شده بودند، شبیه سازی شدند. جمعیتی با اندازه موثر 100 فرد (50 نر و 50 ماده) شبیه سازی شدند. این ساختار جمعیتی برای 50 نسل با آمیزش تصادفی ادامه یافت تا عدم تعادل پیوستگی مورد نظر بین نشانگرها و QTL ها بوجود آید. بعد از 50 نسل آمیزش تصادفی، اندازه جمعیت به تعداد 1000 فرد (500 نر و 500 ماده) در نسل 51 گسترش یافت. این اندازه جمعیت برای 8 نسل بعدی (تا نسل 58) ثابت ماند. برای افراد نسل 51 و 52 فنوتیپ با وراثت پذیری 0.5 و 0.1 شبیه سازی شد. از اطلاعات فنوتیپی این افراد جهت برآورد اثرات نشانگرها استفاده شد و صحت برآورد ارزش های اصلاحی ژنومی در افراد این دو نسل و نسل های بعدی محاسبه گردید. نتایج آزمایش اول نشان داد که برای صفات با وراثت پذیری بالا هرچه تراکم نشانگرها بیشتر باشد، صحت برآورد ارزش های اصلاحی ژنومی نیز بیشتر است. اما برای صفات با وراثت پذیری پایین افزایش تراکم نشانگری تا یک میزان مشخص (تراکم نشانگری با فواصل 0.1 سانتی مورگان) باعث افزایش صحت برآورد ارزش های اصلاحی ژنومی می شود و افزایش تراکم نشانگری بیش از آن سبب کاهش صحت برآوردها می شود. نتایج آزمایش دوم که در آن تنها از اطلاعات فنوتیپی نیمی از افراد نسل های 51 و 52 جهت برآورد اثرات نشانگرها استفاده شده بود، نشان داد که با کاهش تعداد افراد در این گروه صحت برآوردها نیز کاهش می یابد. در هر دو آزمایش، صحت برآوردها در صفات با وراثت پذیری بالا در تراکم نشانگری یکسان بیشتر از صفات با وراثت پذیری پایین بود. نتایج این مطالعه نشان داد که صحت برآورد ارزش های اصلاحی ژنومی پس از گذشت نسل ها از نسل هایی که آثار نشانگری در آنها برآورد شده است، بتدریج کاهش می یابد.

ژن بتا لاکتاگلوبولین یکی از مهمترین ژنهای موثر بر صفات تولید شیر می باشد. در پژوهش حاضر، ارتباط چندشکلی این ژن با ارزشهای اصلاحی صفات تولید شیر در گاوهای براون سوئیس بررسی شد. داده های این تحقیق از یک مزرعه در گلپایگان جمع آوری گردید. در این مطالعه، DNA ژنومی از 150 نمونه خون به روش استخراج نمکی استحصال گردید. به دنبال آن، یک قطعه 247جفت بازی به وسیله واکنش PCR تکثیر و جهت هضم آنزیمی مورد استفاده قرار گرفت. هضم آنزیمی قطعه 247 جفت بازی بتا لاکتاگلوبولین توسط آنزیم HaeIII انجام گردید. نتایج نشان داد که فراوانی ژنوتیپ های AA، AB و BB به ترتیب برابر با 24/0، 48/0 و 28/0 می باشند و این جایگاه در تعادل هاردی واینبرگ قرار دارد. برآورد پارامترهای ژنتیکی بوسیله روش حداکثر درست نمایی محدود شده با استفاده از نرم افزار DF-REML صورت گرفت. ضریب وراثت پذیری و تکرارپذیری برای صفات تولید شیر به ترتیب 154/0 و 309/0 برآورد گردیدند. تجزیه آماریGLM نشان داد که هیچ اثر معنی داری از ژنوتیپهای بتا لاکتوگلوبولین بر روی ارزش های اصلاحی تولید شیر وجود ندارد.

هدف از این مطالعه ارزیابی صحت مکان یابی QTL و پیش بینی های ژنومی سه صفت ایمنی شامل تعداد سلول های B، CD4 و CD8 بر اساس دو روش آمای بیزی شامل بیز Cπ و لاسو و GBLUP بر روی 1094 موش هتروژنوس بود. داده های ژنوتیپی متشکل از 1094 حیوان با 12226 جایگاه های چندشکلی تک نوکلئوتیدی (SNPs) بر روی 19 کروموزوم اتوزومی بعد از کنترل کیفیت داده های SNPs برای نرخ خوانش به ازای هر فرد و SNP و حداقل فراوانی آللی بودند. از هفت مدل آماری با در نظر گرفتن اثرات افزایشی و غالبیت نشانگرها و هم چنین آثار پلی ژنیک حیوان برای برآورد اثر SNPs و پیش بینی مؤلفه های واریانس استفاده شد. اثر SNPها با روش بنفرونی تصحیح شد و صحت برآورد ارزش های اصلاحی ژنومی با روش cross-validation ارزیابی شدند. مکان یابی نهایی جایگاه های کنترل کننده صفات کمی با هفت مدل و سه روش آماری برای سه صفت تعداد سلول های B، CD4 و CD8 به ترتیب 10، 6 و 7 QTL را بر روی کروموزوم های 1، 3، 5، 7، 8، 9، 12، 14، 16، 17 و 18 نشان داد. نتایج این مطالعه نشان داد که افزودن آثار افزایشی و غالبیت نشانگرها به همراه اثر پلی ژنیک حیوان منجر به افزایش صحت پیش بینی می شود. هم چنین، روش آماری نیز یکی از عامل های مؤثر در صحت پیش بینی های ژنومیک هستند. بالاترین پیش بینی ژنومیک برای تمام صفات مربوط به مدل 7 و روش بیز لاسو بود. تفاوت بین روش های آماری مربوط به پس زمینه ژنتیکی و همچنین فرضیاتی است که برای میزان تنوع آثار نشانگرها در نظر گرفته می-شود.

شبکه های عصبی مصنوعی در دهه ی اخیر رشد چشمگیری در زمینه های مختلف علوم و از جمله علوم دامی داشته است. پژوهش کنونی برای بررسی قابلیت کاربرد شبکه های عصبی مصنوعی در پیش بینی ارزش های اصلاحی صفت وزن از شیرگیری در بز مرخز انجام شد. در بخش نخست ارزش های اصلاحی صفت مذکور با کمک معادلات مختلط، بر اساس مدل حیوانی و توسط نرم افزار DMU پیش بینی شد. در بخش دوم، همان داده های مزرعه ایی به عنوان پارامترهای ورودی برای اجرای شبکه های عصبی مصنوعی استفاده شدند. برای اجرای شبکه های عصبی مصنوعی توسط نرم افزار R، ابتدا داده ها طی چند مرحله کنترل و پردازش شدند که شامل جایگذاری داده های گمشده و نامتعارف با روش PPCA، انتخاب متغیرها بر اساس تجزیه وتحلیل همبستگی، تبدیل مقیاس و نهایتا بخش بندی داده ها به دو دسته آموزش (75%) و آزمون (25%)  بود. در پژوهش کنونی سه مدل از شبکه های عصبی مصنوعی اجرا شدند که شامل مدل های پرسپترون چند لایه(MLP)، تابع پایه شعاعی(RBF) و رگرسیون بردار پشتیبان (SVR) بودند. در مرحله بعد برای هر کدام از این مدل ها بهترین معماری جستجو شدکه شامل تعداد لایه پنهان و تعداد نورون ها در هر لایه بود. هر سه مدل با تعداد دو لایه پنهان، بهترین معماری و کارائی را داشتند. مقادیر عددی همبستگی ارزش اصلاحی حقیقی (ارزش اصلاحی حاصل از معادلات مختلط) و ارزش اصلاحی پیش بینی شده (ارزش اصلاحی حاصل از شبکه های عصبی مصنوعی) برای مدل های MLP،RBF  و SVR در داده های مزرعه ای به ترتیب 72/0، 49/0 و 73/0 برآورد شد. نتایج پژوهش براساس داده های مزرعه ای نشان داد که مدل های MLP و SVR با ضریب همبستگی بالاتر و مقدار خطای پایین تری، قابلیت پیش بینی صفت ارزش اصلاحی وزن شیرگیری را دارند.

در مقایسه با روش های اصلاح سنتی، استفاده از اطلاعات ژنومی باعث افزایش قابل ملاحظه ای در پاسخ به انتخاب برای حیوانات جوان فاقد رکورد فنوتیپی می شود. انتخاب ژنومیک بر پایه ارزش اصلاحی برآورد شده ژنومی استوار است. هدف پژوهش حاضر بررسی تاثیر وراثت پذیری صفت و تعداد جایگاه صفات کمی بر صحت برآورد ارزش های اصلاحی ژنومی بوده است. به این منظور طراحی ژنوم و جمعیت مورد نیاز از طریق شبیه سازی رایانه ای انجام شد. نتایج حاصل از بررسی تاثیر وراثت پذیری صفت نشان داد که صحت برآورد ارزش اصلاحی ژنومی افراد گروه مرجع در طی سه پیش فرض برای سطوح وراثت پذیری 0.05، 0.1 و 0.25 به ترتیب 0.790، 0.827 و 0.876 بود. بنابراین با افزایش سطح وراثت پذیری صفت، میزان صحت برآورد ارزش اصلاحی ژنومی نیز افزایش یافت. در پیش فرض انجام شده برای تعداد 4، 10، 20 و 40 جایگاه صفات کمی شبیه سازی شده (در هر کروموزوم) در طول ژنوم، مقدار صحت محاسبه شده در گروه مرجع به ترتیب 0.813، 0.833، 0.826 و 0.798 به دست آمد. در کل با افزایش تعداد جایگاه صفات کمی دامنه تغییرات صحت برآورد ارزش اصلاحی ژنومی معنی دار نبود. همچنین در طی نسل های متوالی از نسل 51 تا 57 تغییرات صحت برآورد ارزش اصلاحی ژنومی در هر دو استراتژی روند کاهشی داشت.

مقدمه و هدف: تشکیل کامل ماتریس روابط خویشاوندی، یک اصل مهم برای دستیابی به نتایج قابل اعتماد در ارزیابی ­های ژنتیکی می­باشد. دو نوع خطای شجره شامل ثبت اطلاعات ناصحیح و گم شدن اطلاعات ثبتی منجر به کاهش قابلیت مدل دام در روش­ های­ سنتی می­شود. هدف از مطالعه حاضر، اثر سطوح مختلف نقص اطلاعات شجره شامل پدری، مادری و هر دو والدین (پدری و مادری به طور همزمان) بر مقدار وراثت‎پذیری، صحت ارزیابی و پیش­­بینی ارزش اصلاحی در صفات آستانه ­ای بود. مواد و روش ها: صفتی محدود به جنس با وراثت‎پذیری 0/05، 0/1 و 0/2 ایجاد شد. به منظور ایجاد فنوتیپ­ های آستانه­ ای صفت چندقلوزایی، 20 درصد از فنوتیپ­ های بالا دو و 80 درصد باقی­مانده یک در نظر گرفته شد. نسبت ­های مختلفی از نقص شجره پدری (صفر، 5، 10، 15 و20)، نقص شجره مادری (صفر، 5 و 10) و ترکیبی از هر دو (نقص شجره پدری و مادری به طور همزمان) ایجاد شد. یک مدل آستانه ­ای در نظر گرفته شد. وراثت‎پذیری، ارزش­ های اصلاحی و صحت ارزیابی با روش آماری بیز برآورد شد. یافته ها: با معرفی سطوح مختلف نقص شجره به شجره کامل مقدار وراثتپذیری کاهش یافت. برای وراثت پذیری 05 / 0، 1 / 0 و 2 / 0 کمترین مقدار وراثتپ ذیری به دست آمده به ترتیب 018/ 0، 084/ 0 و 16/ 0 بود. در شجره کامل، کمترین و بیشترین مقدار صحت ارزیابی به ترتیب 375/ 0 ( 05 / 0 = ℎ2 ( و 521/ 0 ( 2/ 0 = ℎ2 ( بود. کمترین مقدار صحت ارزیابی برای وراثت پذیری 05/ 0، 1/ 0 و 2/ 0 به ترتیب 309/ 0 )نقص شجره ی پدری 10 درصد و مادری 10 درصد(، 353 / 0 )نقص شجره ی پدری 20 درصد و مادری 10 درصد( و 459/ 0 )نقص شجره ی پدری 5 درصد و مادری 10 درصد( بود. همچنین معرفی نقص شجره در سطوح مختلف منجر به کاهش میانگین ارزش اصلاحی شد. نتیجه گیری: نتایج نشان داد، در مقایسه با نقص شجره ­ی پدری یا مادری به صورت مجزا، نقص شجره ی پدری و مادری به صورت تواما، برآورد ارزیابی­های ژنتیکی­ را بیشتر کاهش می­ دهد.

هدف از این تحقیق کاربرد هوش مصنوعی برای برآورد ارزش اصلاحی مربوط به صفات رشد گوسفندکرمانی بود. برای این منظور از رکوردهای مربوط به 867 بره که شامل جنس دام، سن مادر، وزن تولد و وزن از شیرگیری (در سن 3 ماهگی) بود، استفاده شد. ابتدا این داده ها توسط نرم افزار ASReml بررسی شد و سپس برای استفاده در نرم افزار MATLAB مورد پیش پردازش قرار گرفت. پس از آزمایش های اولیه روی معماری مناسب برای شبکه های عصبی، مشخص شد که برای وزن تولد تعداد نرون های لایه ورودی 3 نرون و برای وزن 3 ماهگی 6 نرون بود. مدل به کار رفته در این تحقیق پرسپترون چند لایه (MLP) و الگوریتم مورد استفاده پس انتشار خطا بود که به دنبال حداقل سازی مربعات خطا است. از کل داده های مورد استفاده 70 درصد به عنوان آموزش، 15 درصد به عنوان اعتبارسنجی و 15 درصد برای تست در نظر گرفته شد تا آموزش به نحو مطلوب انجام شود. در طی فرآیند آموزش مرتبا میزان فراگیری شبکه توسط توابع هدف سنجیده و در نهایت شبکه ای مورد استفاده قرار گرفت که دارای کم ترین خطا و بیش ترین همبستگی بود. شبکه عصبی مصنوعی پرسپترون چند لایه با 3 متغیر ورودی و تعداد 8 نرون در لایه مخفی با ضریب همبستگی 0.73 توانایی پیش بینی ارزش اصلاحی وزن تولد و هم چنین شبکه عصبی مصنوعی پرسپترون چندلایه با 6 متغییر ورودی و تعداد 3 نرون در لایه با ضریب همبستگی 0.74 توانایی پیش بینی ارزش اصلاحی وزن 3 ماهگی گوسفند نژاد کرمانی را دارا است. بنابراین می توان نتیجه گرفت که شبکه عصبی مصنوعی توانایی خوبی برای پیش بینی صفات رشد در گوسفند کرمانی با سرعت و دقت قابل قبول دارد و می تواند برای برآورد ارزش های اصلاحی تمام صفات در حیوانات اهلی استفاده شود.

ژن اوستئوپونتین (OPN) در انتهای کروموزم 6 گاو قرار دارد و یکی از ژن های موثر بر درصد پروتئین شیر و تولیدمثل است. در این تحقیق، از 100 راس گاو براون سوئیس نمونه خون گرفته شد،DNA  استخراج و ژنوتیپ گاوها در جایگاه چندشکلی تک نوکلئوتیدی اینترون 4 با استفاده از آنزیم Bsr I به روش PCR-RFLP تعیین شد. با استفاده از روش حداکثر درستنمایی محدود شده، ارزش اصلاحی حیوانات برای سه صفت تولید شیر، درصد چربی و درصد پروتئین شیر به طور جداگانه پیش بینی شد. ارتباط ژنوتیپ با ارزش اصلاحی صفات مورد مطالعه، در سطح معنی داری 5%، بررسی گردید. فراوانی ژنوتیپ های OPN شاملTT، TC و CC به ترتیب 0.32، 0.46 و 0.22 برآورد شد و جمعیت مورد مطالعه در تعادل هاردی واینبرگ بود. در بررسی جایگاه چندشکلی با صفات تولید شیر، درصد چربی و درصد پروتئین، ارتباط معنی داری در سطح 5% بین ارزش اصلاحی صفات و انواع ژنوتیپ یافت نشد.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

هدف از این پژوهش برآورد صحت ارزش های اصلاحی ژنگانی با استفاده از مدلGBLUP (Genomic Best Linear Unbiased Prediction) و مقایسه آن با روش سنتی با (BLUP) و بدون شجره (BLUP_noPed) به وسیله همانندسازی رایانه ای بود. در این تحقیق، ژنگانی با سی جفت کروموزوم به گونه ای همانند سازی شد که شمار  QTLها 3000 و شمار نشانگرها (SNP) 45000 جایگاه در نظر گرفته شدند. همچنین پیش فرض های مختلف شامل دو جمعیت موثر 100 و 1000 رأسی، دو جمعیت مرجع 1000 و 2000 رأسی و مقادیر وراثت پذیری پایین (0.05)، متوسط (0.30) و بالا (0.50) بررسی شد و برای مقایسه مدل ها از معیارهای صحت، اریبی و میانگین مربعات خطا استفاده گردید. نتایج نشان داد، با افزایش وراثت پذیری، صحت ارزش های اصلاحی در روش های سنتی و ژنگانی افزایش یافت، در همه پیش فرض ها مدل GBLUP صحت بیشتری نسبت به مدل BLUP_noPed داشت، اما روش ژنگانی عملکرد بهتری در وراثت پذیری بالاتر نسبت به روش سنتی BLUP داشت. افزایش جمعیت موثر از 100 به 1000 منجر به کاهش صحت ارزش های اصلاحی ژنگانی به میزان 11درصد شد، ولی تاثیری بر صحت ارزش های اصلاحی روش های سنتی نداشت. اما با افزایش جمعیت مرجع از 1000 به 2000 حیوان نسبت بهبود صحت ارزش های اصلاحی ژنگانی به میزان 5درصد بهبود یافت. اگرچه در همه پیش فرض های اریبی (کم برآورد) روش ژنگانی نسبت به روش های سنتی بیشتر بود، اما با افزایش اندازه جمعیت مرجع و وراثت پذیری، میانگین مربعات خطا در روش ژنگانی نسبت به روش سنتی BLUP کاهش یافت. بنابراین مدل GBLUP می تواند برای انتخاب حیوانات برتر در جمعیت های بدون شجره استفاده شود.