Modern Genetics Journal

fa افزایش صحت پیش‌بینی مدل‌های انتخاب ژنومی با بهینه‌سازی مدل‌ها توسط متغیرهای کمکی در گندم نان (Triticum aestivum L.) Prediction accuracy improvement of genomic selection models through the optimization of models using covariates in bread wheat (Triticum aestivum L.) ژنتیک گیاهی Subject 01 پژوهشی کامل Applicable <div style="text-align: justify;">پیش‌بینی ژنومی یک رویکرد امیدوارکننده برای تسریع پیشرفت ژنتیکی صفات پیچیده در به‌نژادی گندم است. با این حال، افزایش صحت پیش‌بینی مدل‌های انتخاب ژنومی یک چالش جدی در اجرای موفقیت‌آمیز این رویکرد است. در این خصوص، استفاده از متغیرهای کمکی زمانی که شرایط لازم را داشته باشند، نوید بخش بوده است. هدف از این مطالعه بررسی نقش دو متغیر کمکی، یعنی تعداد روز تا سنبله‌دهی (DH) و تعداد روز تا گل‌دهی (DF) در بهینه‌سازی و افزایش صحت پیش‌بینی هفت مدل مختلف انتخاب ژنومی (GS)، شامل GBLUP، RRBLUP و مدل‌های بیزی (BayesA، BayesB، BayesC،BayesRR  و BayesLASSO) بود. برای این منظور از دو راهبرد یعنی استفاده از مدل‌های انتخاب ژنومی بدون متغیرهای کمکی (راهبرد اول) و همراه با متغیرهای کمکی (راهبرد دوم)، برای صفات عملکرد دانه (GY)، وزن هزاردانه (TKW)، عملکرد بیولوژیک (BY)، تعداد روز تا رسیدگی کامل (DFM) و طول دوره پرشدن دانه (GFP) استفاده شد. پژوهش در مزرعه تحقیقاتی دانشگاه تهران با استفاده از 100 ژنوتیپ در دو سال زراعی 1399-1400 و 1401-1400 انجام شد. متغیرهای کمکی علاوه بر همبستگی‌های فنوتیپی و ژنوتیپی بالا با یکدیگر، همبستگی‌های مثبت و منفی معنی‌داری با صفات مورد مطالعه داشتند. همچنین وراثت‌پذیری صفات از 69% (متعلق به صفت GFP) تا 97% (برای صفت DH) متغیر بود. پیش‌بینی ژنومی توسط مدل‌ها، با استفاده از 65948 نشانگرSNP همراه با داده‌های فنوتیپی انجام شد. با افزودن متغیرهای کمکی DH و DF به مدل‌ها، بیشترین صحت پیش‌بینی GY در راهبرد اول، از 085/0 به 279/0 در راهبرد دوم و به همین ترتیب برای TKW از 238/0 به 411/0، BY از 23/0 به 399/0، GFP از 314/0 به 714/0 و DFM از 256/0 به 889/0 افزایش یافت. در راهبرد دوم، مدل‌های بیزی به‌ویژه BayesRR و BayesLASSO، بالاترین صحت‌های پیش‌بینی را نشان دادند. این یافته‌ها حاکی از آن است که افزودن متغیرهای کمکی مناسب به مدل‌های GS، می‌تواند ابزاری مؤثر برای بهینه‌سازی مدل‌ها و ارتقاء صحت پیش‌بینی ژنومی برخی صفات فنولوژیک و زراعی گندم باشد. <div style="text-align: justify;"></div></div> <div style="text-align: justify;">Genomic prediction has emerged as a promising approach to accelerate the genetic improvement of complex traits in wheat breeding. However, improving the prediction accuracy of genomic prediction models remains a major challenge for their effective implementation. In this context, the appropriate use of covariates has shown considerable potential for improving model performance. In this study, two covariates—days to heading (DH) and days to flowering (DF)—were used to evaluate their contribution to improving the prediction accuracy of seven genomic selection (GS) models, including GBLUP, RRBLUP, and Bayesian models (BayesA, BayesB, BayesC, BayesRR, and BayesLASSO). Accordingly, two strategies were employed: GS models without covariates (strategy one) and GS models incorporating covariates (strategy two). The experiment was conducted at the University of Tehran research field using 100 genotypes across two cropping seasons (2019–2020 and 2020–2021). The covariates exhibited strong phenotypic and genotypic correlations with each other and showed significant positive and negative associations with the studied traits. Trait heritability ranged from 69% for green fluorescence protein (GFP) to 97% for DH. Genomic predictions were performed using 65,948 SNP markers in combination with phenotypic data. By incorporating DH and DF as covariates, the highest prediction accuracy for grain yield (GY) increased from 0.085 under strategy one to 0.279 under strategy two. Similar improvements were observed for thousand-kernel weight (TKW) (0.238 to 0.411), biological yield (BY) (0.230 to 0.399), GFP (0.314 to 0.714), and days to physiological maturity (DFM) (0.256 to 0.889). Under strategy two, Bayesian models—particularly BayesRR and BayesLASSO—exhibited the highest prediction accuracies. These findings indicate that incorporating appropriate covariates into GS models is an effective strategy for optimizing model performance and enhancing the genomic prediction accuracy of key phenological and agronomic traits in wheat.  </div> انتخاب ژنومی, پیش‌بینی ژنومی, صحت پیش‌بینی, متغیر کمکی, مدل‌های بیزی Genomic Selection, Genomic Prediction, Prediction Accuracy, Covariates, Bayesian models 0 0 http://mg.genetics.ir/browse.php?a_code=A-10-519-1&slc_lang=fa&sid=1 Majid Jahromi مجید جهرمی majid.jahromi@ut.ac.ir 10031947532846008885 10031947532846008885 No Alireza Abbasi علیرضا عباسی rezabbasi@ut.ac.ir 10031947532846008886 10031947532846008886 No Mohammad reza Bihamta محمدرضا بی همتا mrghanad@ut.ac.ir 10031947532846008887 10031947532846008887 Yes Mohammad Armion محمد آرمیون m.armion@areeo.ac.ir 10031947532846008888 10031947532846008888 No