نامه‌های اصلاح نژادی شود اما به نظر می‌رسد محدودیت کلیدی آن هزینه تعیین ژنوتیپ باشد (هِیز و همکاران، 2012). این مشکل را می‌توان از طریق استنباط ژنوتیپی برطرف کرد. در این روش، حیوانات کاندیدا با استفاده از پانل کم تراکم SNP ها (پوشش پراکنده ژنوتیپ و هزینه پایین) و حیوانات مرجع با استفاده از پانل متراکم تعیین ژنوتیپ می‌شوند. سپس، سایر SNP هایی که در پانل متراکم حضور دارند ولی در پانل کم تراکم نیستند استنباط خواهند شد. ژنوتیپ‌های استنباط شده می‌توانند به‌منظور برآورد ارزش‌های اصلاحی ژنومی با استفاده از معادلات پیش‌بینی مورد استفاده قرار گیرند (هِیز و همکاران، 2012).
از روش‌های مختلف استنباط ژنوتیپی (Genotype Imputation) می‌توان به‌منظور ترکیب پنل‌های مختلف نشانگری و نیز بازیابی ژنوتیپ‌های ازدست‌رفته، استفاده نمود. همچنین می‌توان بر اساس یک نمونه معرف حیوانات (ژنوتیپ شده در تراکم بالا) پانل ژنوتیپ را از یک آرایه کمتر به یک آرایه بیشتر بسط داد (پاوچ و همکاران، 2013). صحت استنباط ژنوتیپی بستگی به عواملی چون نسبت ژنوتیپ‌های ازدست‌رفته، تعداد افراد و خویشاوندان تعیین ژنوتیپ شده با تراکم بالا، روش استنباط و تفاوت تعداد آرایه‌های پنل های نشانگری دارد.
در بسیاری از برنامه‌های اصلاح نژادی، صفات آستانه‌ای مانند موفقیت و شکست در آبستنی، حساسیت و مقاومت به بیماری‌ها، تعداد تلقیح به ازای آبستنی، دوقلوزایی، زنده‌مانی، صفات تیپ و … از مهم‌ترین صفات اقتصادی به‌شمار می‌روند. در بسیاری از سیستم‌های ارزیابی ژنتیکی، در تشکیل شاخص انتخاب حیوانات برتر هر دو دسته صفات پیوسته (مانند وزن بدن و تولید) و صفات آستانه‌ای (مانند چند قلوزایی و زنده‌مانی) را در نظر می‌گیرند. رفتار آماری اساس ژنتیکی صفات گسسته (آستانه‌ای) چندان واضح نیست زیرا ژن‌های متعدد، اثرات متقابل ژن‌ها و اثرات متقابل ژن و محیط در بروز این صفات دخیل‌اند (گُنزالِز رِسیو و فورنی،‌2001).
2-1- اهداف پژوهش
در بسیاری از تحقیقات صورت گرفته مرتبط با ارزیابی‌های ژنومی در حیوانات اهلی، صفات پیوسته مطالعه شده است. بنابراین، پژوهش حاضر با هدف بررسی صحت برآورد ارزش‌های اصلاحی ژنومی صفات آستانه‌ای در معماری‌های مختلف آللی (توزیع‌های آماری مختلف اثرات ژنی و تعداد متفاوت QTL)، وراثت‌پذیری‌های مختلف و اندازه‌های متفاوت جمعیت مرجع با استفاده از روش‌های بیزی انجام گرفت. همچنین مقایسه صحت ارزش‌های اصلاحی ژنومی برآورد شده در حالت ژنوتیپ واقعی و استنباط شده با استفاده از دو روش جنگل تصادفی و روش انتساب تصادفی نیز از اهداف مطالعه حاضر بوده است.
فصل دوم
بررسی منابع
2-1- اهداف اصلاح نژاد
مهم‌ترین هدف در اصلاح دام، شناسایی افرادی است که دارای بالاترین ارزش اصلاحی برای صفات موردنظر اصلاحگر بوده و شرکت دادن این افراد در چرخه تولید مثلی به‌عنوان والدین نسل بعد می‌باشد. عملکرد فرد، معمولاً شامل ترکیبی از چندین مشخصه یا صفت می‌باشد که عمده آن‌ها طبیعت و ماهیت کمّی دارند. صفات کمّی معمولاً به وسیله چند و یا حتی تعداد زیادی ژن (شاید بیشتر از هزار) همراه با اثرات محیطی کنترل می‌شوند (فالکونر و مَک‌کی، 1996). صفاتی مانند نرخ رشد، تولید شیر، تولید چربی و پروتئین از این قبیل‌اند. مهم‌ترین معیار که برای تعیین شایستگی افراد کاندیدا به‌کار می‌رود برآوردهای ارزش اصلاحی افراد برای صفات مورد علاقه (موردنظر) می‌باشد. ارزش اصلاحی یک فرد به‌صورت مجموع ارزش‌های ژنتیکی افزایشی برای تمام جایگاه‌هایی که در کنترل صفت سهیم‌اند (جایگاه‌های کنترل کننده صفات کمی، Quantitative Trait Loci) تعریف می‌شود.
تا کنون، اطلاعات فنوتیپی زیادی برای صفات اقتصادی در دامپروری، جمع‌آوری شده و به‌عنوان منبع اصلی اطلاعات جهت برآورد ارزش اصلاحی کاندیداهای انتخاب مورد استفاده قرار گرفته است. برای رسیدن به این هدف، روش‌های آماری پیچیده‌ای بر اساس متدولوژی مدل‌های خطی مختلط با خاصیت بهترین پیش‌بینی نااریب خطی (BLUP) به‌کارگرفته شده است (هندرسون، 1987؛ لینچ و والش، 1998). این روش‌ها بر استفاده از اطلاعات فنوتیپی خود فرد و خویشاوندانش به‌منظور بیشینه کردن صحت برآورد ارزش‌های اصلاحی تاکید داشته‌اند. اگر صحت را به‌عنوان همبستگی بین ارزش اصلاحی واقعی و برآورد شده تعریف کنیم می‌توان آن را به‌عنوان مهم‌ترین شاخصه نرخ پیشرفت ژنتیکی که می‌تواند در یک برنامه اصلاحی در واحد زمان حاصل شود پذیرفت. عواملی چون شدت انتخاب، صحت انتخاب و فاصله نسل در پیشرفت ژنتیکی موثرند. نرخ پیشرفت ژنتیکی مورد انتظار در واحد زمان، با شدت و صحت انتخاب ارتباط مستقیم دارد اما با فاصله نسل نسبتی معکوس دارد (فالکونر و مَک‌کی، 1996).
2-2- روش‌های ارزیابی کلاسیک
در اواخر نیمه اول قرن بیستم، روش شاخص انتخاب توسط هیزل و لاش (1943) معرفی شد. این روش همبستگی بین مقادیر فنوتیپی، رابطه ژنتیکی بین افراد دارای رکورد و حیوانات مورد ارزیابی را در نظر می‌گرفت. با استفاده از این روش امکان ترکیب اطلاعات زیادی در یک هدف اصلاحی فراهم گردید. در شاخص‌ها، مهم‌ترین خصوصیت و ویژگی کاهش خطای پیش‌بینی، حداکثر کردن همبستگی بین ارزش ژنتیکی برآورد شده و حقیقی بود. بنابراین، استفاده از اطلاعات دیگر حیوانات منجر به افزایش درصحت ارزیابی‌ها شد (سیلوا و همکاران، 2014).
با توسعه روش‌های مدل مختلط توسط هندرسون (1949) ارزیابی ژنتیکی با استفاده از برآوردهای دقیق‌تر ارزش‌های اصلاحی شروع شد. ابتدا، از طریق مدل پدری که ارتباطات والد-فرزندی را در نظر می‌گیرد و سپس از طریق مدل حیوان که تمام روابط شناخته شده در بین حیوانات در شجره را در نظر می‌گرفت ارزیابی‌ها انجام شد. با استفاده از این روش، برآورد همزمان اثرات ثابت (BLUE) و اثرات تصادفی (BLUP) ممکن شد. درنتیجه، ارزش‌های اصلاحی با خاصیت BLUP برای تمام حیوانات موجود در شجره به‌دست آمد. این روش اگر چه، خصوصیات آماری مشابهی با روش شاخص انتخاب دارد اما به‌طور مستقیم برآوردهای ارزش‌های اصلاحی را ارایه می‌دهد. اما در روش شاخص انتخاب ضرایب شاخص و ارزش‌های اصلاحی در مراحل جداگانه‌ای حاصل می‌شوند. ارزش‌های اصلاحی برآورد شده با استفاده از معادلات مدل‌های مختلط به‌طور گسترده‌ای به‌عنوان ابزار انتخاب مورد استفاده قرار گرفتند (سیلوا و همکاران، 2014).
اگرچه برنامه‌های انتخاب بر اساس ارزش‌های اصلاحی برآورد شده از فنوتیپ تاکنون خیلی موفقیت آمیز بوده‌اند اما این روش نیز دارای محدو دیت‌هایی است (دِکرز، 2012):
1) به‌منظور برآورد ارزش‌های اصلاحی قابل اعتماد برای کاندیداهای انتخاب، داشتن اطلاعات فنوتیپی از حیوان و یا از خویشاوندان نزدیک ضروری است. درنتیجه، علاوه بر هزینه‌های رکوردگیری، برخی صفات مورد علاقه اصلاحگران فقط در اواخر دوره زندگی (مانند ماندگاری) و یا فقط در یک جنس (مانند تولید شیر در گاو شیری) بروز می‌یابند، و نیز صفاتی که نیاز به کشتار حیوان دارند (صفات کیفیت گوشت) ارزیابی را با محدودیت مواجه می‌کند.
2) تئوری این مدل بر اساس مدل ژنتیکی بی‌نهایت ژن موثر بر صفات کمی ارایه شده است (فالکونر و مَک‌کی، 1996). در این مدل فرض شده است که صفت به وسیله تعداد بی‌نهایت ژن غیر همبسته با اثرات افزایشی و خیلی کوچک کنترل می‌شوند. در حالیکه تعداد ژن‌ها نمی‌تواند بی‌نهایت باشد. همچنین نوترکیبی حاصل از لینکاژ نیز که خود عامل مهمی در تنوع است را در نظر نمی‌‌گیرد. هرچند ممکن است تعداد زیادی ژن با اثر کوچک بر صفت موثر باشند اما در بسیاری از صفات قسمت عمده‌ای از تنوع توسط تعداد محدودی ژن بزرگ اثر کنترل می‌شود (عبدالهی و همکاران، 1391؛ کالوس، 2010؛ دِکرز، 2012).
3- با توجه به اینکه در BLUP از ماتریس روابط خویشاوندی استفاده می‌شود و در تشکیل این ماتریس، واریانس برآوردها در نظر گرفته نشده و از میانگین رابطه خویشاوندی استفاده می‌شود، عملاً ضرایب بین افراد حاصل از یک تلاقی یکسان برآورد می‌شود. درنتیجه به دلیل در نظر نگرفتن اثر نمونه‌گیری مندلی (ترکیب تصادفی کروموزوم‌ها در مرحله گامتوژنز) احتمال انتخاب حیوانات خویشاوند و افزایش هم‌خونی بالا می‌رود. همچنین صحت این برآوردها تا حدود زیادی تابع صحت و کیفیت شجره میباشند (کالوس، 2010).
2-3- استفاده از منابع اطلاعاتی نشانگری
استفاده از منابع اطلاعاتی دیگر به‌منظور رفع محدودیت‌های ارزیابی کلاسیک و به‌دست آوردن ارزش‌های ژنتیکی زود هنگام از کاندیداهای انتخاب دارای تاریخی کهن است. نخستین تلاش‌ها، روی صفات اندیکاتور (شاخص)، مقادیر فیزیولوژیکی و مارکرهای خونی صورت گرفت. یکی از موارد موفقیت آمیز اولیه، استفاده از گروه‌های خونی به‌عنوان نشانگرهای مولکولی برای افزایش مقاومت ژنتیکی در طیور بوده است (هانسِن و همکاران، 1967). مقدار سرم IGF-1 اندازه‌گیری شده در سنین اولیه در گاو و خوک به‌عنوان شاخص کارایی رشد نیز مثالی از مقادیر فیزیولوژیک می‌باشد (بانتِر و همکاران، 2005). به‌طور کلی، استفاده از صفات شاخص به‌وی‍ژه صفات شاخص فیزیولوژیک قابل اندازه‌گیری در خون محدود بود.

در دهه 90 میلادی استفاده از ماتریس روابط آللی (به‌جای ماتریس روابط خویشاوندی) در معادلات مدل‌های مختلط توسط نجاتی-جوارمی و همکاران (1997) مطرح شد. نتایج مطالعه آن‌ها که برای اولین بار اطلاعات ژنومی را در ارزیابی‌های حیوانات اهلی دخیل می‌داد نشان داد که ارزش‌های اصلاحی برآورد شده به مقدار حقیقی خود نزدیک‌تر شده و پاسخ به انتخاب بیشتر خواهد شد. همچنین نرخ پیشرفت ژنتیکی برای صفاتی که دارای وراثتپذیری پایین بودند، یا اینکه تحت تاثیر تعداد اندکی QTL و یا تعداد کمتر