Χρησιμοποιήστε έναν δείκτη γενετικής τροποποίησης για να αυξήσετε την ακρίβεια και την ακρίβεια των γονιδιωματικών αναλύσεων

PDF (English)
Δημοσιευμένα: Jul 18, 2024
Ενημερώθηκε: 2024-07-18
Εκδόσεις:
2024-07-18 (5)
DOI: https://doi.org/10.12681/jhvms.35220
Μάγδα Safarzdeh
Τμήμα Ιατρικής, Ισλαμικό Αζάντ Πανεπιστήμιο, Παράρτημα Ταμπρίζ, Ταμπρίζ, Ιράν
MH Kalani
Department of Biomedical Engineering, Amirkabir University of Technology, Tehran, Iran
αντισηπτικό Νιζαφάτ
Τμήμα Βιολογίας, Παράρτημα Κεντρικής Τεχεράνης, Ισλαμικό Αζάντ Πανεπιστήμιο, Τεχεράνη, Ιράν
Mahsa Χωρίς
Τμήμα Χημικής και Μηχανικής Πολυμερών, Παράρτημα Κεντρικής Τεχεράνης, Πανεπιστήμιο Ισλαμικού Αζάντ, Τεχεράνη, Ιράν
Να γίνεις καλύτερα Ghadermarzi
Τμήμα Νέων Τεχνολογιών, Πανεπιστήμιο Zabol, Zabol, Ιράν
Ο Χάμεντ το ετοιμάζω
Πανεπιστήμιο Ιατρικών Επιστημών Tabriz, Tabriz, Ιράν
Ο Σορούς Ρατζάμπι
Τμήμα Φυσικών Επιστημών, Πανεπιστήμιο Ταμπρίζ, Ταμπρίζ, Ιράν
Τζαφάρ Pish Jang Aghajeri
Επίκουρος Καθηγητής, Τμήμα Επιστημών Ζώων, Παράρτημα Μαραγκέ, Πανεπιστήμιο Ισλαμικού Αζάντ, Μαραγκέχ, Ιράν
Περίληψη

Το υψηλό κόστος προσδιορισμού του γονότυπου και η χαμηλή ακρίβεια της αξιολόγησης σε μικρό αριθμό δειγμάτων γονότυπου όταν χρησιμοποιούνται γονιδιωματικά δεδομένα και γενετικοί δείκτες για την εκτέλεση γονιδιωματικών αξιολογήσεων είναι δύο σημαντικά προβλήματα. Η επίδραση των επιπέδων γενετικών δεικτών σε έναν πληθυσμό F2 που ελήφθη από αμφίδρομη διασταύρωση ιθαγενών κοτόπουλου Ιράν με χαμηλό ρυθμό ανάπτυξης και στελέχους κρέατος Arian με υψηλό ρυθμό ανάπτυξης διερευνήθηκε σε αυτή τη μελέτη προκειμένου να απομονωθούν SNPs με υψηλότερη επίδραση και να χρησιμοποιηθούν αυτοί οι δείκτες στη γονιδιωματική αξιολόγηση ως κατάλληλη μέθοδος διαλογής SNPs προκειμένου να αυξηθεί η ακρίβεια της αξιολόγησης και να μειωθεί το κόστος γονότυπου. Σε αυτή τη μελέτη, μελετήθηκε η ακρίβεια πρόβλεψης των τιμών διόρθωσης σε πέντε ομάδες δεικτών με διάφορα MAF, επιπλέον της απόδειξης της υπεροχής της προσέγγισης ssGBLUP έναντι της μεθόδου BLUP από τη μέθοδο 5-πλής διασταυρούμενης επικύρωσης (CV) στο ένα βήμα στρατηγική αξιολόγησης. Αυτή η ομάδα δεικτών (MAF 0,4 - 0,5) εισήχθη ως το καλύτερο επίπεδο αλληλικής συχνότητας για τη διεξαγωγή γονιδιωματικών αξιολογήσεων για το χαρακτηριστικό ανάπτυξης αφού τα αποτελέσματα έδειξαν ότι η χρήση SNPs με αλληλική συχνότητα 0,4-0,5 σε καθεμία από τη δεύτερη έως την έβδομη εβδομάδα έδειξε υψηλότερη προγνωστική ακρίβεια από τις πληροφορίες όλων των SNP. Εκτός από την επιβολή χαμηλού κόστους γονότυπου, η χρήση SNP με αλληλική συχνότητα 0,4–0,5 και η ανάπτυξη τσιπ SNP χαμηλής πυκνότητας με δείκτες με τις προαναφερθείσες ιδιότητες μπορεί να χρησιμοποιηθεί για την αξιόπιστη αξιολόγηση ατόμων με βάση τη γενετική αξία.

Λεπτομέρειες άρθρου
  • Ενότητα
  • Research Articles
Creative Commons License

Αυτή η εργασία είναι αδειοδοτημένη υπό το CC Αναφορά Δημιουργού – Μη Εμπορική Χρήση 4.0.

Οι συγγραφείς των άρθρων που δημοσιεύονται στο περιοδικό διατηρούν τα δικαιώματα πνευματικής ιδιοκτησίας επί των άρθρων τους, δίνοντας στο περιοδικό το δικαίωμα της πρώτης δημοσίευσης.

Άρθρα που δημοσιεύονται στο περιοδικό διατίθενται με άδεια Creative Commons 4.0 Non Commercial και σύμφωνα με την άδεια μπορούν να χρησιμοποιούνται ελεύθερα, με αναφορά στο/στη συγγραφέα και στην πρώτη δημοσίευση για μη κερδοσκοπικούς σκοπούς.

Οι συγγραφείς μπορούν να καταθέσουν το άρθρο σε ιδρυματικό ή άλλο αποθετήριο ή/και να το δημοσιεύσουν σε άλλη έκδοση, με υποχρεωτική την αναφορά πρώτης δημοσίευσης στο J Hellenic Vet Med Soc

Οι συγγραφείς ενθαρρύνονται να καταθέσουν σε αποθετήριο ή να δημοσιεύσουν την εργασία τους στο διαδίκτυο πριν ή κατά τη διαδικασία υποβολής και αξιολόγησής της.

Λήψεις
Τα δεδομένα λήψης δεν είναι ακόμη διαθέσιμα.
Αναφορές
Al Kalaldeh, M., Gibson, J., Lee, S. H., Gondro, C., Van Der Werf, J. H. 2019.
Detection of genomic regions underlying resistance to gastrointestinal
parasites in Australian sheep. Genetics Selection Evolution. 51, 1-18.‏
https://doi.org/10.1186/s12711-019-0479-1
Anderson, C. A., Pettersson, F. H., Clarke, G. M., Cardon, L. R., Morris,
A. P., Zondervan, K. T. 2010. Data quality control in genetic case-control association studies. Nature Protocols. 5(9), 1564-1573.‏ https://doi.
org/10.1038/nprot.2010.116
Cardoso-Silva, C. B., Costa, E. A., Mancini, M. C., Balsalobre, T. W. A., Canesin, L. E. C., Pinto, L. R., …Vicentini, R. 2014. De novo assembly and
transcriptome analysis of contrasting sugarcane varieties. PloS one. 9(2),
e88462.‏ https://doi.org/10.1371/journal.pone.0088462
Chang, C. C., Chow, C. C., Tellier, L. C., Vattikuti, S., Purcell, S. M., Lee, J.
J. 2015. Second-generation PLINK: rising to the challenge of larger and
richer datasets. Gigascience. 4(1), s13742-015.‏ https://doi.org/10.1186/
s13742-015-0047-8
Christensen, K. G., Fenger-Grøn, M., Flarup, K. R., Vedsted, P. 2012. Use
of general practice, diagnostic investigations, and hospital services before and after cancer diagnosis-a population-based nationwide registry
study of 127,000 incident adult cancer patients. BMC Health Services
Research. 12, 1. https://doi.org/10.1186/1472-6963-12-224
Clayton, D. G., Walker, N. M., Smyth, D. J., Pask, R., Cooper, J. D., Maier, L. M., ... Todd, J. A. 2005. Population structure, differential bias and
genomic control in a large-scale, case-control association study. Nature
Genetics. 37(11), 1243-1246.‏ https://doi.org/10.1038/ng1653
Costa, M. S., Gonçalves, Y. G., Teixeira, S. C., de Oliveira Nunes, D. C.,
Lopes, D. S., da Silva, C. V., ... Yoneyama, K. A. G. 2019. Increased
ROS generation causes apoptosis-like death: mechanistic insights into
the anti-Leishmania activity of a potent ruthenium (II) complex. Journal
of Inorganic Biochemistry. 195, 1-12.‏ https://doi.org/10.1016/j.jinorgbio.2019.03.005
Gao, Q., Zeng, X. J., Feng, G., Wang, Y., Qiu, J. 2012. T-S-fuzzy-model-based
approximation and controller design for general nonlinear systems. IEEE
Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics). 42(4), 1143-1154.‏ https://doi.org/10.1109/TSMCB.2012.2187442
Gu, Q., Li, Z., Han, J. 2011. Joint feature selection and subspace learning.
In Twenty-second international joint conference on artificial intelligence.
Pp,1294-1299.
Guo, G. C., Wang, D., Wei, X. L., Zhang, Q., Liu, H., Lau, W. M., Liu, L.
M. 2015. First-principles study of phosphorene and graphene heterostructure as anode materials for rechargeable Li batteries. The journal
of physical chemistry letters. 6(24), 5002-5008. https://doi.org/10.1021/
acs.jpclett.5b02513
Habier, D., Fernando, R. L., Dekkers, J. C. 2009. Genomic selection using low-density marker panels. Genetics. 182(1), 343-353.‏ https://doi.
org/10.1534/genetics.108.100289
Karaman, T., Karaman, S., Dogru, S., Tapar, H., Sahin, A., Suren, M., ... Kaya,
Z. 2016. Evaluating the efficacy of lavender aromatherapy on peripheral
venous cannulation pain and anxiety: a prospective, randomized study.
Complementary therapies in clinical practice. 23, 64-68.‏ https://doi.
org/10.1016/j.ctcp.2016.03.008
Karaman, E., Lund, M. S., Anche, M. T., Janss, L., Su, G. 2018. Genomic
prediction using multi-trait weighted GBLUP accounting for heterogeneous variances and covariances across the genome. G3: Genes, Genomes,
Genetics. 8(11), 3549-3558.‏ https://doi.org/10.1534/g3.118.200673
Koivula, M., Strandén, I., Pösö, J., Aamand, G. P., Mäntysaari, E. A. 2015.
Single-step genomic evaluation using multitrait random regression model and test-day data. Journal of Dairy Science. 98(4), 2775-2784.‏ https://
doi.org/10.3168/jds.2014-8975
Lee, Y. J., Yeh, Y. R., Wang, Y. C. F. 2012. Anomaly detection via online oversampling principal component analysis. IEEE transactions on knowledge and data engineering. 25(7), 1460-1470.‏ https://doi.org/10.1109/
TKDE.2012.99
Li, G., West, A. J., Densmore, A. L., Jin, Z., Parker, R. N., Hilton, R. G. 2014.
Seismic mountain building: Landslides associated with the 2008 Wenchuan earthquake in the context of a generalized model for earthquake
volume balance. Geochemistry, Geophysics, Geosystems. 15(4), 833-
‏ https://doi.org/10.1002/2013GC005067
Liang, Z., Gupta, S. K., Yeh, C. T., Zhang, Y., Ngu, D. W., Kumar, R., ...
Schnabel, J. C. 2018. Phenotypic data from inbred parents can improve
genomic prediction in pearl millet hybrids. G3: Genes, Genomes, Genetics. 8(7), 2513-2522.‏ https://doi.org/10.1534/g3.118.200242
Lourenco, D. A. L., Misztal, I., Tsuruta, S., Aguilar, I., Lawlor, T. J., Forni,
S., Weller, J. I. 2014. Are evaluations on young genotyped animals benefiting from the past generations. Journal of Dairy Science. 97(6), 3930-
‏ https://doi.org/10.3168/jds.2013-7769
Misztal, I., Tsuruta, S., Strabel, T., Auvray, B., Druet, T., Lee, D. H. 2002.
BLUPF90 and related programs (BGF90). In Proceedings of the 7th
world congress on genetics applied to livestock production. 28, (07).‏
Misztal, I., Lourenco, D., Legarra, A. 2020. Current status of genomic evaluation. Journal of Animal Science. 98(4), skaa101.‏ https://doi.org/10.1093/
jas/skaa101
Mrode, R., Ojango, J., Mwai, O. 2018. 522 Developing innovative digital
technology and genomic approaches to livestock genetic improvement
in developing countries. Journal of Animal Science. 96(Suppl 3), 507.
https://doi.org/10.1093/jas/sky404.1109
Neves, H. H., Carvalheiro, R., O’brien, A. M. P., Utsunomiya, Y. T., Do Carmo, A. S., Schenkel, F. S., ... Garcia, J. F. 2014. Accuracy of genomic predictions in Bos indicus (Nellore) cattle. Genetics Selection Evolution, 46,
-13.‏ https://doi.org/10.1186/1297-9686-46-17
Ogawa, S., Matsuda, H., Taniguchi, Y., Watanabe, T., Nishimura, S., Sugimoto, Y., Iwaisaki, H. 2014. Effects of single nucleotide polymorphism
marker density on degree of genetic variance explained and genomic
evaluation for carcass traits in Japanese Black beef cattle. BMC Genetics.
, 1-13.‏ https://doi.org/10.1186/1471-2156-15-15
Papanicolaou, A., Schetelig, M. F., Arensburger, P., Atkinson, P. W., Benoit,
J. B., Bourtzis, K., ... Handler, A. M. 2016. The whole genome sequence
of the Mediterranean fruit fly, Ceratitis capitata (Wiedemann), reveals
insights into the biology and adaptive evolution of a highly invasive pest
species. Genome biology. 17, 1-31.‏ https://doi.org/10.1186/s13059-017-
-9
Rolf, M. M., Taylor, J. F., Schnabel, R. D., McKay, S. D., McClure, M. C.,
Northcutt, S. L., ... Weaber, R. L. 2010. Use of bovine SNP50 data for
feed efficiency selection decisions in Angus cattle.‏ Pg, 103-117. BIF, Columbia, MO.
Salanti, G., Amountza, G., Ntzani, E. E., Ioannidis, J. 2005. Hardy-Weinberg
equilibrium in genetic association studies: an empirical evaluation of
reporting, deviations, and power. European journal of human genetics.
(7), 840-848.‏ https://doi.org/10.1038/sj.ejhg.5201410
Salek Ardestani, S., Jafarikia, M., Sargolzaei, M., Sullivan, B., Miar, Y. 2021.
Genomic prediction of average daily gain, back-fat thickness, and loin
muscle depth using different genomic tools in Canadian swine populations. Frontiers in Genetics. 12, 665344.‏ https://doi.org/10.3389/
fgene.2021.665344
Silva, R. M. O., Fragomeni, B. O., Lourenco, D. A. L., Magalhães, A. F. B.,
Irano, N., Carvalheiro, R., ... Albuquerque, L. G. 2016. Accuracies of
genomic prediction of feed efficiency traits using different prediction and
validation methods in an experimental Nelore cattle population. Journal
of Animal Science. 94(9), 3613-3623.‏ https://doi.org/10.2527/jas.2016-
Salvian, M. 2020. Enrichment of genotyping panels for the genomic selection
of special traits in broiler chicken. Doctoral dissertation, Universidade
de São Paulo.‏ https://doi.org/10.11606/T.11.2020.tde-12082020-153615
Song, H., Zhang, J., Jiang, Y., Gao, H., Tang, S., Mi, S., ... Ding, X. 2017.
Genomic prediction for growth and reproduction traits in pig using an
admixed reference population. Journal of Animal Science. 95(8), 3415-
‏ https://doi.org/10.2527/jas.2017.1656
Song, H., Zhang, J., Zhang, Q., Ding, X. 2019. Using different single-step
strategies to improve the efficiency of genomic prediction on body measurement traits in pig. Frontiers in genetics. 9, 730.‏ https://doi.org/10.3389/
fgene.2018.00730
Su, G., Brøndum, R. F., Ma, P., Guldbrandtsen, B., Aamand, G. P., Lund, M.
S. 2012. Comparison of genomic predictions using medium-density (~
,000) and high-density (~ 777,000) single nucleotide polymorphism
marker panels in Nordic Holstein and Red Dairy Cattle populations.Journal of Dairy Science. 95(8), 4657-4665.‏ https://doi.org/10.3168/jds.2012-
Sun, Y., Zhao, G., Liu, R., Zheng, M., Hu, Y., Wu, D., ... Wen, J. 2013. The
identification of 14 new genes for meat quality traits in chicken using a
genome-wide association study. BMC Genomics. 14(1), 1-11.‏ https://doi.
org/10.1186/1471-2164-14-458.
VanRaden, P. M., Tooker, M. E., Cole, J. B., Wiggans, G. R., Megonigal Jr,
J. H. 2007. Genetic evaluations for mixed-breed populations. Journal of
Dairy Science. 90(5), 2434-2441.‏ https://doi.org/10.3168/jds.2006-704
Wang, C., Zöllner, S., & Rosenberg, N. A. 2012. A quantitative comparison
of the similarity between genes and geography in worldwide human populations.‏ Plos genetics. 8(8), e1002886. https://doi.org/10.1371/journal.
pgen.1002886
Wang, Y., Cao, X., Luo, C., Sheng, Z., Zhang, C., Bian, C., ... Li, N. 2020.
Multiple ancestral haplotypes harboring regulatory mutations cumulatively contribute to a QTL affecting chicken growth traits. Communications Biology. 3(1), 472.‏ https://doi.org/10.1038/s42003-020-01199-3
Wellmann, R., Preuß, S., Tholen, E., Heinkel, J., Wimmers, K., Bennewitz,
J. 2013. Genomic selection using low density marker panels with application to a sire line in pigs. Genetics Selection Evolution. 45(1), 1-11.‏
https://doi.org/10.1186/1297-9686-45-28
Yamaguchi-Kabata, Y., Nakazono, K., Takahashi, A., Saito, S., Hosono, N.,
Kubo, M., ... Kamatani, N. 2008. Japanese population structure, based
on SNP genotypes from 7003 individuals compared to other ethnic
groups: effects on population-based association studies. The American
Journal of Human Genetics. 83(4), 445-456.‏ https://doi.org/10.1016/j.
ajhg.2008.08.019
Yan, Y., Wu, G., Liu, A., Sun, C., Han, W., Li, G., Yang, N. 2018. Genomic prediction in a nuclear population of layers using single-step models.
Poultry science. 97(2), 397-402. https://doi.org/10.3382/ps/pex320
Yang, J., Lee, S. H., Goddard, M. E., Visscher, P. M. 2013. Genome-wide
complex trait analysis (GCTA): methods, data analyses, and interpretations. Genome-wide association studies and genomic prediction. 215-
‏ https://doi.org/10.1007/978-1-62703-447-0_9
Zhang, Y., Yang, R., Burwinkel, B., Breitling, L. P., Brenner, H. 2014. F2RL3
methylation as a biomarker of current and lifetime smoking exposures. Environmental health perspectives. 122(2), 131-137.‏ https://doi.
org/10.1289/ehp.1306937
Zhang, G. X., Fan, Q. C., Wang, J. Y., Zhang, T., Xue, Q., Shi, H. Q. 2015.
Genome-wide association study on reproductive traits in Jinghai Yellow Chicken. Animal reproduction science. 163, 30-34.‏ https://doi.
org/10.1016/j.anireprosci.2015.09.011
Zhang, W., Zhang, Q., Yu, B., Zhao, L. 2015. Knowledge map of creativity
research based on keywords network and co-word analysis, 1992-2011.
Quality & Quantity. 49, 1023-1038.‏ https://doi.org/10.1007/s11135-014-
-9
Zhernakova, A., Stahl, E. A., Trynka, G., Raychaudhuri, S., Festen, E. A.,
Franke, L., ... Plenge, R. M. 2011. Meta-analysis of genome-wide association studies in celiac disease and rheumatoid arthritis identifies fourteen non-HLA shared loci. PLoS genetics. 7(2), e1002004.‏ https://doi.
org/10.1371/journal.pgen.1002004