ارزیابی مقایسه ای روش های Boosting، SS-GBLUP و SS-BayesA: با در نظرگرفتن ایمپیوتیشن داده های ژنومی

امروزه جهت غلبه بر محدودیت ژنوتایپینگ برخی از حیوانات، مدل های تک مرحله ای پیشنهاد شدند. مدل های پیش بینی ژنومی تک مرحله ای با توجه به عملکرد بالا و برآورد ارزش اصلاحی ژنومی هم زمان برای حیوانات ژنوتیپ شده و نشده، تبدیل به ابزاری غالب در ارزیابی ژنومی دام های اهلی شدند. هدف از تحقیق حاضر، بررسی نقش روابط خویشاوندی ژنومی بین جمعیت مرجع و تایید و معماری های مختلف ژنومی بر عملکرد روش های بوستینگ و تک مرحله ای بیز A و GBLUP با در نظر گرفتن ایمپیوتیشن (Imputation) داده های ژنومی شبیه سازی شده بود. بدین منظور، جمعیت های ژنومی برای سطوح مختلف تعداد جایگاه های صفات کمی (10، 100 و 1000) بر روی 29 کروموزم شبیه سازی شدند. برای شبیه سازی شرایط واقعی، به طور تصادفی اقدام به حذف (70 درصد) برخی نشانگرها نموده و در مرحله بعد از طریق نرم افزار Flmpute اقدام به ایمپیوتیشن و پیش بینی نقاط گم شده نموده و صحت ایمپیوتیشن مورد ارزیابی قرار گرفت. در نهایت دادهای اصلی و ایمپیوتیشن با استفاده از روش های بوستینگ و تک مرحله ای بیز A و تک مرحله ای GBLUP جهت پیش بینی ارزش های اصلاحی ژنومی طی نسل های G1 و G3 مورد ارزیابی قرار گرفتند. بر طبق نتایج، صحت پیش بینی ژنومی برای افراد ژنوتیپ نشده در مقایسه با افراد ژنوتیپ شده با شدت بیشتری تحت تاثیر روابط خویشاوندی بین جمعیت مرجع و تایید در هر دو سری داده ایمپیوتیشن و اصلی قرار گرفت. کمترین میزان صحت پیش بینی ژنومی برای افراد ژنوتیپ شده در هر دو سری داده ایمپیوتیشن و اصلی برای روش بوستینگ مشاهده شد. در مقایسه با روش های تک مرحله ای بیز A و بوستینگ، روش تک مرحله ای GBLUP عملکرد بالاتری در تعداد بالای QTL نشان داد. به طور کلی وجود روابط خویشاوندی بین جمعیت مرجع و تایید نقش مهمی در آنالیز روش های تک مرحله ای و Boosting ایفا کرد، با این حال سودمندی روش تک مرحله ای بیز A هنگامی که صفات تحت تاثیر تعداد کمتر QTL قرار گیرند، مشهودتر بود.