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

هدف از این مطالعه مقایسه سه روش پارامتری (GBLUP، BayesB، RKHS) و دو روش بازنمونه­گیری (Bagging GBLUP و Random Forest) در پیش بینی ارزش­های اصلاحی ژنومیک برای صفاتی با ساختار ژنتیکی متفاوت بود. یک ژنوم با سه کروموزوم، هر کروموزوم به طول یک مورگان شبیه­سازی 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 وراثت­پذیری 30 درصد مدل سازی شدند. توانایی پیش­بینی روش­های آماری با استفاده از آماره­های همبستگی بین  ارزش­های اصلاحی پیش­بینی شده و واقعی و همچنین رگرسیون  ارزش اصلاحی واقعی بر پیش­بینی شده  بررسی شد. نتایج  نشان داد در جمعیت­های تایید، روش RF باعث بیش-برآورد  رگرسیون ارزش­های اصلاحی واقعی بر پیش­بینی شده شد، در حالی که روش­های GBLUP، BayesB  و RKHS منجر به کم-برآورد ضریب رگرسیون شدند. به جز روش Bagging GBLUP در دیگر روش­ها تفاوت معنی داری با تغییر توزیع اثرات QTL مشاهده نشد اما در مجموع عملکرد دو روش GBLUP و BayesB نسبت به دیگر  روش­ها بهتر بود. یکی از دلایل احتمالی برتری GBLUP و BayesB بر دیگر  روش­ها می­تواند شبیه سازی صفات با اثرات صرفا ًژنتیکی افزایشی بوده باشد. به طور کلی، روش­های GBLUP و BayesB بر روش های بازنمونه­گیری در پیش­بینی های ژنومی ارجحیت دارند.