صحّت پیش بینی های ژنومی برای صفات مرتبط با شیر در گاو نژاد نجدی
(ندگان)پدیدآور
حسینی وردنجانی, سیّد مهدیشریعتی, محمّد مهدیمرادی شهر بابک, حسینطهمورث پور, مجتبینوع مدرک
Textمقاله پژوهشی
زبان مدرک
فارسیچکیده
هدف ازاین پژوهش، ارزیابی عملکردانتخاب ژنومی برای صفات تولیدشیر، درصدچربی و درصدپروتئین درگاو نژادنجدی درگلههای ایستگاهی و اقماری با استفاده از مدلهای آماری مختلف بود. ازارزشهای اصلاحی سنتی بدست آمده ازیک مدل رگرسیون تصادفی با استفاده ازاطلاعات شجرهای و فنوتیپی هر صفت بین سالهای 1369 تا 1395 به عنوان متغیر پاسخ استفاده شد. با استفاده ازطرح 10 بار تکرار جمعیت آموزش-آزمون وچهارمدل بهترین پیشبینی نااریب خطی ژنومی مقیاس شده بافراوانی آللی مشاهده شده (GBLUP) و فراوانی آللی 5/0 (G05BLUP)، بیز A و بیز B قابلیت پیشبینیها، ارزیابی شدند. نتایج نشان داد، GBLUP عملکرد بهتری نسبت به G05BLUP برای تولیدشیر (411/0 در مقابل 385/0) داشت ولی عملکرد G05BLUP برای درصدچربی (257/0 درمقابل 302/0) و درصدپروتئین (363/0 درمقابل 388/0) بهتر بود. صحّت برآورد ارزش اصلاحی تولید شیر و درصد چربی با استفاده از بیز A و بیز B به ترتیب به 371/0 و 353/0 کاهش و 329/0 و 314/0 افزایش یافتند. برای درصد پروتئین روشهای بیزی و GBLUPs صحّت مشابه داشتند. دربین تمام روشها و صفات، بیزA برای پروتئین با 14/0 و G0BLUP برای تولید شیر با 71/0 به ترتیب کمترین و بیشترین اریب پیشبینی بصورت انحراف از یک را داشتند. صحّت پیشبینیها با استفاده از گلههای اقماری علاوه بر گله ایستگاهی بین 01/0 تا 09/0 بسته به روش وصفت افزایش یافت ولی اریب نیز ازقبل بیشتر بود. درنتیجه، صحّت پیشبینی ژنومی برای صفات تولید شیر در گاو نجدی متوسط، ولی با توجه به اندازه کوچک جمعیت مناسب هستند که کاربرد انتخاب ژنومی برای این نژاد را ممکن میسازد.
کلید واژگان
انتخاب ژنومیمدل آماری
انتخاب متغیر
نشانگرهای ژنتیکی
صحّت
شماره نشریه
122تاریخ نشر
2019-05-221398-03-01
ناشر
موسسه تحقیقات علوم دامی کشورAgricultural Research,Education and Extension Organization
سازمان پدید آورنده
دانشجوی دکتری ژنتیک و اصلاح نژاد دام دانشگاه فردوسی مشهداستادیار گروه علوم دامی دانشگاه فردوسی مشهد
استادیار گروه علوم دامی پردیس کشاورزی و منابع طبیعی کرج، دانشگاه تهران
استاد گروه علوم دامی دانشگاه فردوسی مشهد
شاپا
2588-64362588-6428




