امروزه جهت غلبه بر محدودیت ژنوتایپینگ برخی از حیوانات، مدل‌های تک مرحله‌ای پیشنهاد شدند. مدل‌های پیش‌بینی ژنومی تک مرحله‌ای با توجه به عملکرد بالا و برآورد ارزش اصلاحی ژنومی هم‌زمان برای حیوانات ژنوتیپ‌شده و نشده، تبدیل به ابزاری غالب در ارزیابی ژنومی دام‌های اهلی شدند. هدف از تحقیق حاضر، بررسی نقش روابط خویشاوندی ژنومی بین جمعیت مرجع و تأیید و معماری‌های مختلف ژنومی بر عملکرد روش‌های بوستینگ و تک مرحله‌ای بیز A و GBLUP با در نظر گرفتن ایمپیوتیشن (Imputation) داده‌های ژنومی شبیه‌سازی‌شده بود. بدین منظور، جمعیت‌های ژنومی برای سطوح مختلف تعداد جایگاه­های صفات کمی (10، 100 و 1000) بر روی 29 کروموزم شبیه‌سازی شدند. برای شبیه­سازی شرایط واقعی، به‌طور تصادفی اقدام به حذف (70 درصد) برخی نشانگرها نموده و در مرحله بعد از طریق نرم‌افزار Flmpute اقدام به ایمپیوتیشن و پیش‌بینی نقاط گم ‌شده نموده و صحت ایمپیوتیشن مورد ارزیابی قرار گرفت. در نهایت دادهای اصلی و ایمپیوتیشن با استفاده از روش‌های بوستینگ و تک مرحله‌ای بیز A و تک مرحله‌ای GBLUP جهت پیش‌بینی ارزش‌های اصلاحی ژنومی طی نسل‌های G1 و G3 مورد ارزیابی قرار گرفتند. بر طبق نتایج، صحت پیش‌بینی ژنومی برای افراد ژنوتیپ‌نشده در مقایسه با افراد ژنوتیپ‌شده با شدت بیشتری تحت تاثیر روابط خویشاوندی بین جمعیت مرجع و تأیید در هر دو سری داده ایمپیوتیشن و اصلی قرار گرفت. کمترین میزان صحت پیش‌بینی ژنومی برای افراد ژنوتیپ‌شده در هر دو سری داده ایمپیوتیشن و اصلی برای روش بوستینگ مشاهده شد. در مقایسه با روش‌های تک‌مرحله‌ای بیز A و بوستینگ، روش تک مرحله‌ای GBLUP عملکرد بالاتری در تعداد بالای QTL نشان داد. به‌طور کلی وجود روابط خویشاوندی بین جمعیت مرجع و تائید نقش مهمی در آنالیز روش‌های تک مرحله‌ای و Boosting ایفا کرد، با این حال سودمندی روش تک مرحله‌ای بیز A هنگامی که صفات تحت تاثیر تعداد کمتر QTL قرار گیرند، مشهودتر بود.