مقایسه روش های آماری پارامتری و بازنمونه گیری در ارزیابی صفات کمی با ساختار ژنتیکی متفاوت

هدف از این مطالعه مقایسه سه روش پارامتری (GBLUP، BayesB، RKHS) و دو روش بازنمونه گیری (Bagging GBLUP و Random Forest) در پیش بینی ارزش های اصلاحی ژنومیک برای صفاتی با ساختار ژنتیکی متفاوت بود. یک ژنوم با سه کروموزوم، هر کروموزوم به طول یک مورگان شبیه سازی شد و روی آن 1500 نشانگر تک نوکلئوتیدی (SNP) در سه سناریو 50، 100 و 200QTL به طور یکنواخت پخش شدند. اثر جایگزینی QTLها با استفاده از توزیع نرمال استاندارد، گاما و یکنواخت با وراثت پذیری 30 درصد مدل سازی شدند. توانایی پیش بینی روش های آماری با استفاده از آماره های همبستگی بین ارزش های اصلاحی پیش بینی شده و واقعی و همچنین رگرسیون ارزش اصلاحی واقعی بر پیش بینی شده بررسی شد. نتایج نشان داد در جمعیت های تایید، روش RF باعث بیش-برآورد رگرسیون ارزش های اصلاحی واقعی بر پیش بینی شده شد، در حالی که روش های GBLUP، BayesB و RKHS منجر به کم-برآورد ضریب رگرسیون شدند. به جز روش Bagging GBLUP در دیگر روش ها تفاوت معنی داری با تغییر توزیع اثرات QTL مشاهده نشد اما در مجموع عملکرد دو روش GBLUP و BayesB نسبت به دیگر روش ها بهتر بود. یکی از دلایل احتمالی برتری GBLUP و BayesB بر دیگر روش ها می تواند شبیه سازی صفات با اثرات صرفا ژنتیکی افزایشی بوده باشد. به طور کلی، روش های GBLUP و BayesB بر روش های بازنمونه گیری در پیش بینی های ژنومی ارجحیت دارند.