تخمین عدم تعادل پیوستگی و پویش کل ژنومی جهت شناسایی جایگاه‌های ژنی تحت انتخاب مرتبط با وزن بدن در گوسفندان نژاد زندی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانش‌آموخته دکتری گروه علوم دامی، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران.

2 استاد گروه علوم دامی، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران.

3 استادیار گروه علوم دامی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، تهران، ایران.

4 استادیار گروه علوم دامی، دانشکده کشاورزی، دانشگاه اراک، اراک، ایران.

چکیده

وزن بدن از مهمترین معیارهای تعیین کننده سود اقتصادی در صنعت پرورش گوسفند است. در مطالعات پیوستگی و انتخاب ژنومی تعیین میزان و گستره عدم تعادل پیوستگی (LD) در تشخیص تعداد نشانگر مورد نیاز و اندازه نمونه، اهمیت بسزایی دارد. علاوه براین، انتخاب برای افزایش فراوانی موتاسیون­های جدیدی که فقط در برخی از زیرجمعیت­ها سودمند هستند باعث باقی گذاشتن نشانه­هایی در سطح ژنوم می­شود. اغلب این مناطق با ژن­ها و QTLهای مرتبط با صفات مهم اقتصادی در ارتباط هستند. بنابراین، هدف این تحقیق مطالعه گستره LD و شناسایی مناطقی از ژنوم گوسفندان نژاد زندی با وزن بدن متفاوت بود که در طی سال­های مختلف به صورت مصنوعی یا طبیعی انتخاب شده­اند. بدین منظور، از 73 رأس گوسفند زندی نمونه خون تهیه شد و با استفاده از آرایه­های SNPChip 50­K شرکت ایلومینا ژنوتیپ 54241 نشانگر بر مبنای آخرین نسخه Oar_4.0 ژنوم گوسفند تعیین شد. پس از مراحل کنترل کیفی، در نهایت 40879 نشانگر SNP مربوط به 71 حیوان آنالیز شدند. مقدار LD با محاسبه آماره r2 بین تمام جفت جایگاه­ها از طریق نرم افزار PLINK محاسبه شد. برای شناسایی نشانه­های انتخاب بر پایه روش­های عدم تعادل پیوستگی از آزمون هموزیگوسیتی هاپلوتایپی بسط داده شده جمعیت تلاقی (XP-EHH) استفاده شد. در این مطالعه گستره مفید عدم تعادل پیوستگی در 40K برابر با 2/0 r2= برآورد شد. نتایج این تحقیق 10 منطقه ژنومی روی کروموزوم­های 1، 2، 3، 5، 6، 9، 12، 13، 21 و 22 را شناسایی کرد. تجزیه و تحلیل بیوانفورماتیکی نشان داد که برخی از این مناطق ژنومی با ژن­های مؤثر بر صفات رشد، متابولیسم چربی، توسعه سیستم اسکلتی، متابولیسم انرژی و کیفیت گوشت مانند ژن­های FBP1، FAM184B، PKD2، FGF19، SPP1، MEPE، CAPN2 همپوشانی دارند.

کلیدواژه‌ها


عنوان مقاله [English]

Estimation of linkage disequilibrium and whole-genome scan for detection of loci under selection associated with body weight in Zandi sheep breed

نویسندگان [English]

  • Hossin Mohammadi 1
  • Abbas Raffat 2
  • Hossin Moradi 3
  • Jalil Shoja 2
  • Mohammad Hossien Moradi 4
1 Ph.D Graduated Animal Science Department, Faculty of Agriculture, Tabriz University, Tabriz, Iran.
2 Professor Animal Science Department, Faculty of Agriculture, Tabriz University, Tabriz, Iran.
3 Assistant Professor Animal Science Department, University College of Agriculture and Natural Resources, Tehran University, Tehran, Iran.
4 Assistant Professor Animal Science Department, Faculty of Agriculture, Arak University, Arak, Iran.
چکیده [English]

Body weight is the most economically important trait in sheep industry. In genome-wide association study and genomic selection, determining of extent and level of linkage disequilibrium (LD) is critical in sample size and marker density. Moreover, selection for increasing of frequency in new mutations that are advantageous only in a subset of populations leaves some signatures in the genome. Locations of selection signatures are often correlated with genes and QTLs affecting economically important traits. Therefore, the objectives of this research were to study LD pattern and identify the genomic regions that have been under artificial and natural selection in Zandi sheep breeds with different body weight. For this purpose, the blood samples were collected form 73 Zandi sheep and 54241 markers were genotyped by using Illumina Ovine SNP50K BeadChip array based on latest assembly (Oar_4.0) sheep genome. After quality control, 40879 SNPs belonging to 71 animals were used in the final analysis. LD was calculated between all pairs were calculated with r2 by PLINK software. To detect the selection sweep, due to linkage disequilibrium, associated with these signatures we carried out the cross-population Extended Haplotype Homozygosity (XP-EHH) test. In this study, the extent of LD in this study was 40 kb with r2=0.2. The results revealed ten genomic regions on 1, 2, 3, 5, 6, 9, 12, 13, 21 and 22 chromosomes. Bioinformatics analysis demonstrated that some of these genomic regions overlapped with reported genes included in the growth traits, fat metabolism, development of the skeletal system, energy metabolism and meat quality traits such as FBP1, FAM184B, PKD2, FGF19, SPP1, MEPE CAPN2 genes.

کلیدواژه‌ها [English]

  • : Linkage Disequilibrium, Selection Signatures
  • XP-EHH Test
  • Zandi sheep
  • body weight

تخمین عدم تعادل پیوستگی و پویش کل ژنومی جهت شناسایی جایگاه­های ژنی تحت انتخاب مرتبط با وزن بدن در گوسفندان نژاد زندی

حسین محمّدی1، سید عباس رأفت2، حسین مرادی شهربابک*3، جلیل شجاع غیاث4، محمد حسین مرادی5

1 دانش­آموخته دکتری گروه علوم دامی، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران.

2 استاد گروه علوم دامی، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران.

3 استادیار گروه علوم دامی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، تهران، ایران.

4 استاد گروه علوم دامی، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران.

5 استادیار گروه علوم دامی، دانشکده کشاورزی، دانشگاه اراک، اراک، ایران.

تاریخ دریافت: 25/04/1396، تاریخ پذیرش: 31/05/1396

چکیده

وزن بدن از مهمترین معیارهای تعیین کننده سود اقتصادی در صنعت پرورش گوسفند است. در مطالعات پیوستگی و انتخاب ژنومی تعیین میزان و گستره عدم تعادل پیوستگی (LD) در تشخیص تعداد نشانگر مورد نیاز و اندازه نمونه، اهمیت بسزایی دارد. علاوه براین، انتخاب برای افزایش فراوانی موتاسیون­های جدیدی که فقط در برخی از زیرجمعیت­ها سودمند هستند باعث باقی گذاشتن نشانه­هایی در سطح ژنوم می­شود. اغلب این مناطق با ژن­ها و QTLهای مرتبط با صفات مهم اقتصادی در ارتباط هستند. بنابراین، هدف این تحقیق مطالعه گستره LD و شناسایی مناطقی از ژنوم گوسفندان نژاد زندی با وزن بدن متفاوت بود که در طی سال­های مختلف به صورت مصنوعی یا طبیعی انتخاب شده­اند. بدین منظور، از 73 رأس گوسفند زندی نمونه خون تهیه شد و با استفاده از آرایه­های SNPChip 50­K شرکت ایلومینا ژنوتیپ 54241 نشانگر بر مبنای آخرین نسخه Oar_4.0 ژنوم گوسفند تعیین شد. پس از مراحل کنترل کیفی، در نهایت 40879 نشانگر SNP مربوط به 71 حیوان آنالیز شدند. مقدار LD با محاسبه آماره r2 بین تمام جفت جایگاه­ها از طریق نرم افزار PLINK محاسبه شد. برای شناسایی نشانه­های انتخاب بر پایه روش­های عدم تعادل پیوستگی از آزمون هموزیگوسیتی هاپلوتایپی بسط داده شده جمعیت تلاقی (XP-EHH) استفاده شد. در این مطالعه گستره مفید عدم تعادل پیوستگی در 40K برابر با 2/0 r2= برآورد شد. نتایج این تحقیق 10 منطقه ژنومی روی کروموزوم­های 1، 2، 3، 5، 6، 9، 12، 13، 21 و 22 را شناسایی کرد. تجزیه و تحلیل بیوانفورماتیکی نشان داد که برخی از این مناطق ژنومی با ژن­های مؤثر بر صفات رشد، متابولیسم چربی، توسعه سیستم اسکلتی، متابولیسم انرژی و کیفیت گوشت مانند ژن­های FBP1، FAM184B، PKD2، FGF19، SPP1، MEPE، CAPN2 همپوشانی دارند.

واژه­های کلیدی: عدم تعادل پیوستگی، نشانه­های انتخاب، آزمون XP-EHH، گوسفند زندی، وزن بدن.

 

 


مقدمه

 

عدم تعادل پیوستگی (LD) یا عدم تعادل فاز گامتی به ارتباط غیر تصادفی آلل­های دو جایگاه بر روی یک کروموزوم در یک گامت گفته می­شود (Wall & Pritchard, 2003). معیار تعیین کننده موفقیت استفاده از مطالعات پویش ژنومی (GWAS) و انتخاب ژنومیک (GS) به مقدار LD بین نشانگرها و جایگاه­های ژنومی مسبب صفات کمّی در طول کل ژنوم بستگی دارد. اساس مطالعات ژنومی بر مبنای مقدار LD در جمعیت مورد مطالعه و پایداری فاز عدم تعادل پیوستگی بین نشانگر و جایگاه ژنومی صفات کمّی (QTL) در خلال نسل­ها است (Zhao et al., 2014). مقدار LD ممکن است در بین جمعیت­های مختلف بسیار متفاوت باشد. علت این اختلاف می­تواند در اشتقاق جمعیت­ها در سال­های خیلی قبل، تغییر در اندازه مؤثر جمعیت و یا فاصله زیاد بین نشانگر و QTL باشد که منجر به شکستن LD جمعیت اولیه و تغییر آن در زیر جمعیت­های حاصله می­شود (De Ross et al., 2008). بنابراین، محققان زیادی الگوی عدم تعادل پیوستگی را در حیوانات اهلی مختلف بررسی کرده­اند (Niu et al., 2016). به عنوان نمونه، عدم تعادل پیوستگی در سطح ژنوم گوسفند اسپانیایی دارای میانگین r2 برابر 329/0 در فاصله­های کمتر از Kb­10 و در فاصله­های Kb 500-200 برابر با 061/0 بود (Garcia-Gamez et al., 2012) در حالی­که میزان LD در گوسفندان استرالیایی نژاد بوردر لایسستر، مرینو و پول دورست در فاصله­های کمتر از Kb­10 به ترتیب 34/0، 27/0 و 33/0 گزارش شده است (Al-Mamun et al., 2015).

گوسفند به عنوان یکی از اولین دام­های اهلی در حدود 11 هزار سال پیش در ناحیه عراق و ایران امروزی برای تولید گوشت، پشم و شیر اهلی شد (Zhao et al., 2016). بالغ بر 26 نژاد گوسفند در ایران وجود دارد که با مناطق مختلف سازگار شده­اند (Mohammadabadi & Sattai Mokhtari, 2013; Zamani et al., 2015; Khodabakhshzadeh et al., 2016b). در حال حاضر، تولید گوشت مهمترین دلیل پرورش گوسفند در ایران است و تولیدات دیگر مانند پشم، شیر و پوست در درجات بعدی اهمیت قرار دارند (Mohammadabadi & Sattai Mokhtari, 2013; Zamani et al., 2015; Khodabakhshzadeh et al., 2016b). از زمان اهلی شدن تا کنون نژادهای مختلف گوسفند در سراسر جهان هدف انتخاب­های طبیعی و مصنوعی قرار گرفته­اند که این انتخاب­ها با ایجاد نشانه­هایی در سطح ژنوم همراه است. LD یکی از عوامل مهم در بررسی جهش­های صفات مهم اقتصادی در حیوانات مزرعه­ای است عواملی مانند جهش، مهاجرت، رانش و انتخاب باعث بوجود آمدن عدم تعادل پیوستگی ژنتیکی می­شود (Chevin et al., 2008; Mousavizadeh et al., 2009). چنانچه یک جهش جدید باعث افزایش شایستگی افراد حامل آن نسبت به سایر افراد جامعه شود، انتخاب باعث می­شود افرادی که دارای شایستگی بیشتری هستند در تشکیل نسل بعد مشارکت بیشتری داشته باشند. بدین ترتیب فراوانی واریانت جهش یافته، بسته به سهم آن در افزایش شایستگی به سرعت شروع به افزایش خواهد کرد. بنابراین زمانی که یک آلل سودمند در طی زمان­های مختلف، هدف انتخاب مثبت قرار می­گیرد باعث ایجاد نشانه­هایی در سطح ژنوم می­گردد که از طریق بررسی طیف فراوانی آللی و LD قابل شناسایی است (Sabeti et al., 2006). از طرفی استفاده از نشانگرهای ژنتیکی در انتخاب و اصلاح نژاد به طور مهیجی پیشرفت ژنتیکی را تسریع می­کند (Mohammadi et al., 2011; Javanmard et al., 2008) و مطالعه ساختار ژنتیکی نژادهای بومی برای حفاظت از منابع ژنتیکی لازم و ضروری است (Khodabakhshzadeh et al., 2016a). به طور کلی در بیشتر کشورهای جهان هدف از اصلاح نژاد گوسفند سودآوری از طریق بهبود یک یا چند صفت اقتصادی در جامعه است (Soufy et al., 2009). این بهبود می­تواند از طریق انتخاب گوسفندان برتر به عنوان والدین نسل آینده بر اساس شایستگی ژنتیکی آنها برای صفات مورد نظر صورت گیرد (Khodabakhshzadeh et al., 2015a; Khodabakhshzadeh et al., 2016a). همگام با افزایش پیشرفت­های ژنتیکی، حفظ تنوع ژنتیکی یک جمعیت برای اطمینان از پاسخ به انتخاب بلند مدت، یک وظیفه مهم برنامه­های اصلاح نژادی است (Khodabakhshzadeh et al., 2015a). برنامه­های اصلاح نژادی بیشتر در جهت بهبود وضعیت تولیدی حیوانات اهلی عمل می­کنندکه توفیق این برنامه­ها به مقدار تنوع ژنتیکی موجود در گله­­ها بستگی دارد (Khodabakhshzadeh et al., 2015a).

پس از اینکه در سال 2009 اولین تراشه SNP در گوسفند در قالب پروژه Sheep HapMap طراحی شد، تحقیقات موفقیت آمیز مختلفی با استفاده از روش XP-EHH در گوسفند و برخی از حیوانات اهلی دیگر صورت گرفته است (Qanbari et al., 2011; Kim et al., 2015; Utsunomiya et al., 2015; Zhao et al., 2016; Chen et al., 2016; Iso-Touru et al., 2016). در پروژه گسترده­ای در سال 2012 گروهی از دانشمندان جهت شناسایی نواحی تحت انتخاب مثبت در جمعیت گوسفندان سراسر جهان شامل 74 نژاد مختلف، در قالب پروژهHapMap  Sheep مورد تجزیه و تحلیل قرار دادند (Kijas et al., 2012). نتایج پویش ژنومی سیگنال­های انتخاب، 31 ناحیه مرتبط با رنگ پوست، مورفولوژی استخوان، اندازه بدن، رشد و تولیدمثل را آشکار نمود. همچنین شناسایی مناطق ژنومی در نژادهای مختلف چینی با حدود 54000 نشانگر SNP و بررسی تمایز جمعیتی با استفاده از روش XP-EHH نشان داد که چندین منطقه ژنومی بر روی کروموزومهای 1، 3، 5، 7، 12، 19، 20 و 23 دارای شواهدی از انتخاب می­باشند. بررسی QTLهای گزارش شده در مناطق کاندیدا نیز حاکی از آن بود که این مناطق با QTLهای صفات مهم اقتصادی مرتبط با لاشه، تولیدمثل و متابولیسم چربی همپوشانی دارند (Zhao et al., 2016). ژن­هایی که دارای فراوانی بالا و همچنین EHH بالایی در مجاور آلل انتخابی باشند هدف انتخاب­های مثبت بوده و به خصوص در دام­ها، که علاوه بر انتخاب طبیعی تحت انتخاب مصنوعی نیز قرار دارند می­توانند پاره­ای از جایگاه­های کاندیدا برای ژن­های عمده اثر باشند (Zhao et al., 2016). هدف از این تحقیق، بررسی ساختار گستره عدم تعادل پیوستگی و شناسایی مناطقی از ژنوم بود که در گوسفند نژاد زندی طی سالیان متمادی به صورت طبیعی و مصنوعی هدف انتخاب­های مختلف قرار گرفته­اند. همچنین معیار انتخاب در این ایستگاه براساس وزن از شیرگیری و برخی از مشخصات ظاهری بدن آنان انجام می­شود. این مطالعه می­تواند مبنای انجام تحقیقات تکمیلی پویش کل ژنوم گله مذکور به منظور شناسایی نواحی تحت انتخاب جهت بهبود راندمان برنامه­های انتخاب و استراتژی­های اصلاح نژادی آن باشد.

 


مواد و روش­ها

از 300 رأس گوسفند نژاد زندی حاضر در دو گله مرکز اصلاح نژاد خجیر واقع در تهران وابسته به سازمان جهاد کشاورزی استان تهران خون گیری به عمل آمد. مقدار 7-5 سی سی استحصال شده همراه با 5/0 میلی لیتر EDTA در لوله­های خلاء با pH 8-5/7 ریخته شد. نمونه­های گرفته شده بلافاصله بعد از شماره گذاری و با حفظ شرایط سرد به آزمایشگاه منتقل و تا زمان استخراج DNA در دمای 4 درجه سانتیگراد نگهداری شد. از میان نمونه­های اخذ شده پس از آنالیز شجره، حیواناتی که کمترین رابطه خویشاوندی را با هم داشته و در دو انتهای توزیع صفت وزن از شیرگیری قرار داشتند به تعداد 73 رأس انتخاب شدند. بدین منظور از اطلاعات مربوط به شجره و رکوردهای وزن تولد، شیرگیری، شش ماهگی، نه ماهگی و یکسالگی شامل 8366 رکورد که از سال 1371 تا 1390 در ایستگاه پرورش و اصلاح نژاد گوسفند زندی استان تهران (ایستگاه خجیر) جمع­آوری شده بود، مورد استفاده قرار گرفت. پس از تجزیه و­ تحلیل داده­ها و پیش­بینی ارزش­های اصلاحی حیوانات، دام­هایی که در دو انتهای توزیع ارزش­های اصلاحی بالا و پایین قرار داشتند انتخاب شدند.

استخراج DNA با استفاده از روش بهینه یافته استخراج نمکی از خون کامل انجام شد. پس از اطمینان از کمیت و کیفیت بالای نمونه ها، غلظت آنها تا ng/µl 50 جهت تعیین ژنوتیپ رقیق شد. ژنوتیپ نمونه­ها در کمپانیNeogen  (http://genomics.neogen.com) در کشور آمریکا با استفاده از آرایه­های Illumina     OvineSNP50K BeadChip با بکارگیری پروتکل استاندارد شرکت ایلومینا (Illumina Inc., San Diego, CA, USA) تعیین ژنوتیپ شدند. این آرایه­ها امکان تعیین ژنوتیپ همزمان 54241 جایگاه نشانگری با میانگین فاصله بین نشانگرها 9/50 Kb را فراهم می­کنند (Illumina OvineSNP50 BeadChip­Datasheet). برای فیلتراسیون داده­های تعیین ژنوتیپ شده از معیارهای فراوانی تعیین ژنوتیپ شده نمونه­ها، نرخ تعیین ژنوتیپ شده نشانگرها در هر نمونه و حداقل فراوانی آللی نادر (MAF) استفاده می­شود. در ابتدا نمونه­هایی که فراوانی تعیین ژنوتیپ شده آنها کمتر از 90 درصد بود، شناسایی و حذف شد. این نمونه­ها احتمال بیشتری داشته که با داده های گمشده همراه بوده و خطای تعیین ژنوتیپ شده در آنها بالا باشد. در مرحله بعد نشانگرهایی که حداقل فراونی آللی در آنها کمتر از 5 درصد بود حذف شدند، زمانیکه فراوانی آللی نشانگرها کمتر از 5­ درصد باشد سبب کمتر برآورد شدن[1] آماره r2 برای میزانLD  بین جفت نشانگرها خواهد شد (Espigolan et al., 2013). سپس نشانگرهایی که نرخ تعیین ژنوتیپ شده آنها در نمونه­ها کمتر از 95­ درصد بود شناسایی و حذف شدند. در نهایت برای SNPهای باقیمانده آنهایی که در تعادل هاردی-واینبرگ قرار نداشتند به عنوان معیاری از خطای تعیین ژنوتیپ (Teo et al., 2007) کنار گذاشته شدند. به منظور سطح احتمال 6-10 در نظر گرفته شد که با استفاده از تصحیح بنفرونی به دست آمد. مراحل مختلف فیلتراسیون با استفاده از نرم افزار PLINK (v1.90; http://pngu.mgh.harvard.edu/purcell/plink) انجام شد (Purcell et al., 2007). برای محاسبه مقدار LD در بین نشانگرها از آماره r2 استفاده شد (William, 1974):

 

که در آن PA1، PA2، PB1 و PB2 فراوانی­های هر یک از آلل­ها در دو جایگاه A و B است. P11، P12، P21 و P22 فراوانی هاپلوتیپ­ها به ترتیب برای A1B1، A1B2، A2B1 و A2B2 می­باشد. میزان LD برای هر کروموزوم اتوزومی به صورت جداگانه و در فواصل0-10 kb ، 10-25 kb، 25-50 kb، 50-100 kb،100-500 kb ،0.5-1 Mb، 1-5 Mb و 5-10 Mb محاسبه شد.

جهت بررسی الگوی انتخاب مثبت در سطح ژنوم این دو جمعیت از روش XP-EHH استفاده شد. مهمترین آزمون­های مبتنی بر پایه عدم تعادل پیوستگی و طول هاپلوتیپی، روش XP-EHH می­باشد در این روش مناطق ژنومی تحت انتخاب بوسیله آلل­های با EHH و فراوانی بالا را تشخیص می­دهد (Sabeti et al., 2007). جهت محاسبه آماره XP-EHH بایستی وضعیت اجدادی آلل­های مختلف SNPهای مورد استفاده مشخص شود. بدین منظور وضعیت اجدادی SNPها از پروژه Sheep HapMap (http://www.sheephapmap.org) تهیه شد. در روش XP-EHH هاپلوتیپ­ها در دو جمعیت با هم مقایسه می­شوند تا تنوع در میزان نوترکیبی در قسمت­های مختلف ژنوم نیز در نظر گرفته شود. جهت تعیین فازهای هاپلوتیپی برای کل ژنوم هر یک از جمعیت­های مورد مطالعه، از نرم افزار fastPHASE V.1.2.3 استفاده شد. در این برنامه از روش حداکثر درستنمایی برای تخمین ژنوتیپ­های گمشده و بازسازی هاپلوتیپ­ها استفاده می­شود (Scheet & Stephens, 2006). برنامه XP-EHH از وب­سایت آزمایشگاه Pritchard (/http://hgdp.uchicago.edu/Software) به دست آمد. فایل­های ورودی برای نرم افزار XP-EHH شامل دو فایل داده برای فازهای هاپلوتیپی برای هر جمعیت تعیین شده و فایل نقشه­های SNPهای مورد استفاده است. فایل نقشه ورودی حاوی 5 ستون شامل نام SNP، موقعیت فیزیکی و موقعیت ژنتیکی و آلل­هایی که بیانگر عدد یک و صفر در فایل هاپلوتیپ هستند می­باشد. برای تعیین موقعیت ژنومی SNPها در سطح ژنوم گوسفند از آخرین نسخه ژنومی گوسفند (assembly Oar_­v4.0) پایگاه اطلاعاتی NCBI استفاده شد (https://www.ncbi.nlm.nih.gov/genome/83). اما، از آنجا که فاصله ژنتیکی بین SNPها به سانتی مورگان در دسترس نیست برای تعیین موقعیت ژنتیکی نشانگرها از تبدیل ساده 1cM=1Mbp استفاده شد (Kijas et al., 2012). فایل­های خروجی XP-EHH با توجه به میانگین و انحراف معیار کل ارزش­های به دست آمده استاندارد می­­شود که واسطه آن ارزش­های نهایی دارای میانگین صفر و واریانس یک خواهد بود. در این تحقیق برای ترسیم گراف منهتن از نرم افزار Haploview v.4.2 استفاده شد (Barrett et al., 2005). به منظور شناسایی ژن­های مرتبط با بخش­های انتخاب ژنوم، 500 Kb پیش و پس از نقاط آغاز و پایان توالی مرتبط مورد بررسی بیشتر قرار گرفت. با توجه به اینکه شرح­نویسی ژنوم گوسفند هنوز تکمیل نشده است، پایگاه­هایی که برای توصیف مکانیسم­های بیوشیمیایی و شبکه ژنی موجود هستند، گونه گوسفند را قبول نمی­­کنند لذا از ژنوم انسان جهت بررسی اینکه مناطق ژنومی شناسایی شده حاوی ژن خاصی هستند، در مناطق اورتولوگوس ژنوم انسان با استفاده از جستجو در پایگاه اطلاعاتی آنلاین  Ensembl Genes 88 Database بوسیلهBioMart  (www.ensembl.org/biomart) مورد بررسی قرار گرفت. برای تفسیر بهتر عملکرد ژن­های به دست آمده از پایگاه­های اطلاعاتی آنلاین GeneCards (http://www.genecards.org) و UniProtKB (http://www.uniprot.org) استفاده شد. جهت کاوش فرآیندهای بیولوژیکی و عملکردی ژن­ها، آنتولوژی ژن و آنالیز مسیر (KEGG) با استفاده از نرم افزار آنلاین6.8  DAVID (http://david.abcc.ncifcrf.gov/) استفاده شد. جهت ترسیم شبکه­های ژنی به منظور بررسی ارتباط متقابل پروتئین­های شناسایی شده در مقایسات مربوطه با یکدیگر از پایگاه اطلاعاتیSTRING v10  (http://string-db.org) استفاده شد. در نهایت برای بررسی اینکه آیا مناطق مورد نظر با QTLهای شناسایی شده همپوشانی دارد یا خیر، از مرکز اطلاعاتی آنلاین QTL (http://i.animalgenome.org/jbrowse/) مورد بررسی قرار گرفت.

 

نتایج و بحث

پس از اجرای مراحل مختلف کنترل کیفیت داده­ها، از مجموع 54241 نشانگر به کار رفته در این تحقیق، 40879 نشانگر توانستند مراحل مختلف کنترل کیفیت را بگذرانند. به طور کلی 7717 نشانگر به دلیل حداقل فراوانی آللی کمتر از 5­ درصد، 1070 نشانگر به دلیل نرخ تعیین ژنوتیپ شده کمتر از 95­% در هر نمونه، 117 نشانگر به دلیل عدم تعادل هاردی واینبرگ، 1542 نشانگر روی کروموزوم X و 2916 نشانگر با موقعیت ناشناخته حذف شدند. همچنین 2 نمونه به دلیل فراوانی تعیین ژنوتیپ شده کمتر از 90­% حذف شدند. تعداد نشانگرها به ترتیب کروموزوم، میانگین و حداقل و حداکثر فاصله بین دو نشانگر SNP در جدول 1 نشان داده شده است. بیشترین تعداد SNP بر روی کروموزوم شماره یک و کمترین آنها روی کروموزوم 24 واقع شده است. میانگین فاصله بین دو SNP، 59 Kb و حداقل و حداکثر فاصله بین دو SNP به ترتیب 14/5 Kb در داخل کروموزوم 6 و 89/2 Mb در داخل کروموزوم 22 قرار داشت.

نتایج آنالیز LD در بین جفت نشانگرها به تفکیک هر کروموزوم تا فاصله 10 Mb بین جفت نشانگرها در جدول 2 نشان داده شده است. با افزایش فاصله جفت نشانگرها مقدار LD کاهش یافته است و مقدار LD حدود 18/0 کمتر از 50 Kb توسعه یافته است. در فاصله کمتر از 10 Kb میانگین مقدار LD برابر با 34/0 بوده و بیشترین و کمترین میزان LD به ترتیب روی کروموزوم­های 25 و 17 مشاهده شد.

 


 


جدول1- مشخصات نشانگرهای مورد استفاده در آنالیزها.

Table 1- Summary of characteristic SNPs used in the analysis.

کمترین فاصله بین SNP  (kb)

Shortest

SNP interval

بیشترین فاصله بین SNP (Mb)

Longest SNP

interval

میانگین فاصله بین SNP  (Mb)

Average SNP

interval

تعداد نشانگر

No. of SNP

طول (Mb)

Length

کروموزوم

Chromosome

 

5.393

0.813

0.053

5168

275.41

1

5.735

0.784

0.061

4036

248.97

2

5.525

1.284

0.060

3191

224.00

3

5.204

0.457

0.056

2098

119.22

4

5.164

0.743

0.060

1778

107.84

5

5.141

1.672

0.059

1957

116.89

6

5.402

0.205

0.054

1845

100.01

7

5.184

0.404

0.054

1653

90.62

8

5.705

0.506

0.061

1546

94.58

9

5.585

2.019

0.059

1461

86.38

10

5.399

0.511

0.062

991

62.17

11

5.387

1.068

0.060

1301

79.03

12

5.577

0.803

0.065

1270

82.95

13

5.504

1.009

0.063

991

62.57

14

5.613

1.055

0.063

1278

80.78

15

5.792

0.524

0.061

1170

71.69

16

5.712

0.463

0.060

1204

72.25

17

5.565

0.575

0.057

1201

68.49

18

5.577

0.373

0.063

954

60.45

19

5.598

1.269

0.060

845

51.05

20

5.574

2.022

0.059

841

49.99

21

5.411

2.891

0.054

935

50.78

22

5.484

0.615

0.063

985

62.28

23

5.613

0.434

0.066

628

41.98

24

5.712

0.490

0.054

824

45.22

25

 

5.714

1.192

0.060

728

44.05

26

 




جدول 2- آمار توصیفی میانگین r2 بین جفت نشانگرها تا فاصله 10 مگاباز در ژنوم.

Table 2- Statistical information for average r2 as distance between pairs of SNP up to 10 Mb for the genome.

 

 

 

 

 

 

 

 

فاصله بین  SNP

Distance interval SNP

کروموزوم

Chromosome

5-10 Mb

1-5 Mb

0.5-1 Mb

100-500 Kb

50-100 Kb

25-50 Kb

10-25 Kb

0-10 Kb

 

0.031

0.061

0.079

0.089

0.105

0.186

0.212

0.347

1

0.021

0.061

0.070

0.083

0.114

0.175

0.283

0.354

2

0.031

0.061

0.071

0.093

0.114

0.184

0.256

0.338

3

0.020

0.051

0.079

0.083

0.112

0.193

0.269

0.352

4

0.030

0.051

0.050

0.083

0.124

0.178

0.245

0.353

5

0.031

0.051

0.065

0.093

0.122

0.192

0.284

0.395

6

0.031

0.051

0.060

0.072

0.108

0.163

0.263

0.339

7

0.030

0.061

0.079

0.092

0.157

0.197

0.290

0.401

8

0.010

0.051

0.068

0.082

0.104

0.214

0.282

0.355

9

0.022

0.047

0.072

0.073

0.111

0.203

0.282

0.343

10

0.029

0.044

0.059

0.072

0.132

0.156

0.197

0.371

11

0.020

0.045

0.078

0.092

0.105

0.162

0.170

0.332

12

0.030

0.051

0.080

0.093

0.117

0.176

0.185

0.367

13

0.030

0.051

0.079

0.092

0.109

0.167

0.202

0.352

14

0.020

0.049

0.079

0.092

0.104

0.158

0.181

0.350

15

0.020

0.049

0.070

0.082

0.106

0.191

0.254

0.371

16

0.020

0.050

0.072

0.089

0.159

0.186

0.195

0.256

17

0.020

0.049

0.077

0.082

0.093

0.132

0.144

0.291

18

0.030

0.049

0.079

0.082

0.123

0.164

0.172

0.383

19

0.030

0.050

0.070

0.087

0.190

0.192

0.242

0.319

20

0.030

0.050

0.072

0.087

0.140

0.161

0.199

0.348

21

0.032

0.049

0.072

0.087

0.130

0.159

0.164

0.287

22

0.032

0.050

0.078

0.082

0.155

0.192

0.211

0.303

23

0.032

0.043

0.077

0.083

0.133

0.156

0.191

0.284

24

0.042

0.068

0.088

0.099

0.162

0.242

0.257

0.417

25

0.011

0.056

0.078

0.083

0.119

0.139

0.155

0.276

26

                               

 

 

 همچنین نیمه طول محاسبه شده برای r2 (فاصله­ای که میانگین r2 در هر Mb از مقدار حداکثری خود به نصف می­رسد) 07/0 بوده که متناظر با 7/4 Mb بود. مطالعات نشان می­دهد که بازدهی نقشه­یابی LDبه میزان LD در جمعیت مورد مطالعه، عدم تجانس LD در طول ژنوم، تراکم نشانگر و عدم تجانس آللیک QTL بستگی خواهد داشت. جمعیتی با مقدار بالای LD به تراکم نشانگری کمتر نیازمند می­باشد و بالعکس (Meadows et al., 2008). در این مطالعه برای بررسی مقدار LD از آماره r2  William (1974) استفاده شد. بررسی این آماره نشان داد که با افزایش فاصله نشانگرها، مقدار LD کاهش یافته است. کاهش مقدار r2با افزایش فاصله نشان می­دهد که چه مقدار نشانگر یا فنوتیپ در ابتدای مطالعه ژنومی مورد نیاز می­باشد. در پژوهشی Pritchard & Przeworski (2001) گزارش دادند که به طور کلی اندازه نمونه باید به مقدار 1/r2 افزایش یابد تا QTL ژنوتیپ نشده شناسایی شود. برتری دیگر r2نسبت به آماره­های دیگر علاوه بر قدرت پیش­بینی نسبت به تعداد نشانگر این است که برخلاف آماره D´ تحت تأثیر اریبی تعداد کم نمونه و یا فراوانی پایین آللی قرار نمی­گیرد. نتایج این تحقیق نشان داد که مقدار r2حدود 20/0 در گوسفند نژاد زندی کمتر از 40 Kb توسعه یافته است که با نتیجه به دست آمده در گوسفند بلوچی ایرانی مطابقت دارد (Gholizadeh et al., 2014). گزارشات قبلی در گوسفند و گاو تا 20 Mb مقدار LD را براساس آماره r2گزارش داده­اند و فرض می­شود که بعد از 10 Mb نوترکیبی رخ نمی­دهد (De Roos et al., 2008). نتایج تحقیق حاضر کمتر از دامنه توسعه LD در گاو­های گوشتی می­باشد که به طور میانگین50  Kb گزارش شده است (Porto-Neto et al., 2014). به نظر می­رسد پایین بودن مقدار LD نسبت به آنچه در نژادهای گاو گزارش شده است به طور عمده به اندازه مؤثر جمعیت مربوط می­شود که در گوسفندان بالاتر می­باشد. مقدار LD در بین کروموزوم­های مختلف در این تحقیق متفاوت بود. تفاوت در مقدار LD مابین کروموزوم­ها در گوسفند توسط محققین مختلفی گزارش شده است (et al., 2015; Liu et al., 2017 Gholizadeh). دلیل آنرا می­توان نرخ متفاوت نوترکیبی درون و بین کروموزوم­ها، هتروزیگوسیتی، رانش ژنتیکی و تأثیر انتخاب صفات مهم اقتصادی مربوط دانست (Liu et al., 2017). به­علاوه، در داخل یک کروموزوم نیز نرخ نوترکیبی از ناحیه سانترومریک به ناحیه تلومریک افزایش می­یابد. این موضوع می­تواند منجر به تنوع در مقدار و وسعت عدم تعادل پیوستگی در نواحی مختلف ژنوم شود. سطح مفید عدم تعادل پیوستگی در واقع میزان تنوع جایگاه صفت کمّی است که در نشانگر مشاهده می­شود. Meuwissen et al. (2001) گزارش کردند برای افزایش صحت برآورد ارزش اصلاحی ژنومی (GEBV) تا 85/0 مقدار عدم تعادل پیوستگی براساس آماره r2 حداقل بایستی 2/0 باشد. با توجه به جمعیت حاضر تقریباً هرKb  40 بایستی یک نشانگر وجود داشته باشد تا بتوان به میانگین r2برابر با 2/0 رسید. آماره XP-EHH که مبتنی بر عدم تعادل پیوستگی و طول هاپلوتیپی می­باشد، جهت شناسایی نواحی ژنومی تحت انتخاب مثبت مورد استفاده قرار گرفت. این روش مناطق ژنومی تحت انتخاب را بوسیله آلل­های اجدادی و فازهای هاپلوتیپی تشخیص می­دهد. بعد از مرحله فراخوانی SNPهای دارای اطلاعات اجدادی از مجموع کل SNPها ویرایش داده­ها انجام شد. در این تحقیق، برای شناسایی بهتر مناطق ژنومی تحت انتخاب در کل ژنوم گراف منهتن ترسیم شد. در این گراف بخش­هایی از ژنوم که ارزش­های XP-EHH بالایی دارند، نشان دهنده تمایز جمعیت­های با وزن از شیرگیری بالا و وزن از شیرگیری پایین در گوسفند نژاد زندی در آن مناطق ژنومی در اثر انتخاب مثبت هستند که به دنبال انتخاب­های طبیعی و مصنوعی در طی نسل­های مختلف برای جایگاه­های مورد نظر به وجود آمده است. نتایج به دست آمده نشان داد که در چندین منطقه ژنومی SNPهای مجاور تفرق جمعیتی بالایی داشتند، که در این تحقیق 10 منطقه ژنومی روی کروموزوم­های 1، 2، 3، 5، 6، 9، 12، 13، 21 و 22 شناسایی شد (شکل 1). ارزش­های XP-EHH بالاتر از 5/3 در مقایسه بین دو وزن متفاوت در صدک 9/99 کل ارزش­های XP-EHH قرار داشت و بسیار معنی­دار بود. در این مقایسه نشانه­های انتخاب برای جمعیت­های با وزن بالای از شیرگیری دارای XP-EHH کمتر از 50/3- به دست آمد. در این بخش برخی از ژن­هایی که تحت انتخاب بودند، بحث می­شود. ژن­های شناسایی شده در نواحی مختلف ژنومی می­توانند به عنوان کاندیدهای تحت انتخاب مطرح باشند. در این بررسی جمعیت با وزن از شیرگیری بالا و جمعیت با وزن از شیرگیری پایین را بررسی کردیم. جایگاه­های مرتبط با رشد، وزن بدن و وزن لاشه و ترکیب لاشه بر روی کروموزوم­های مختلف گویای این است که توارث چندژنی ذخیره گوشت و چربی وابسته به جنس نیست. در کل بررسی همه مناطق ژنومی تحت انتخاب با استفاده از پایگاه اطلاعاتی GeneCards و UniProtKB نشان داد که همه این مناطق با صفات رشد و متابولیسم چربی، توسعه نظام استخوان بندی، متابولیسم قند و انرژی و تولیدمثل مرتبط هستند و فهرست ژن­هایی که درون یا نزدیک این جایگاه­های کروموزومی قرار دارند در جدول 3 ارائه شده است. شماری از ژن­ها در این بررسی به عنوان نشانه­های انتخاب گزارش شده­اند، که با بررسی­های پیشین همخوانی داشت (Kijas et al., 2012; Fariello et al., 2014; Mancini et al., 2014; Jarvis et al., 2012; Li & Kim, 2015; Yang et al., 2016). ژن­های FBP1 و FBP2 که در این تحقیق با منطقه تحت انتخاب مثبت روی کروموزوم 2 همپوشانی دارند، نقش کلیدی در چرخه پنتوز فسفات و چرخه کربس داشته و به عنوان کاتالیز آنزیم تبدیل فروکتوز 1و6-فسفات به فروکتوز 6-فسفات می­باشند. علاوه بر این در هموستازی گلوکز، تنظیم گلوکونئوژنز و ایزوزیم عضله نقش دارند و نقص در این آنزیم­ها باعث محدود شدن افزایش وزن می­شود (GeneCards).

 

 

 

شکل 1- توزیع ارزش­های آماره XP-EHH در سطح ژنوم جمعیت گوسفندان نژاد زندی با موقعیت کروموزومی SNPها بر روی محور X و ارزش­های XP-EHH استاندارد شده آنها بر روی محور Y نمایش داده شده است. خط ترسیم شده نشان دهنده 9/99 صدک کروموزوم­های اتوزوم و X می­باشد.

Figure 1- Distribution genomes of XP-EHH values in Zandi sheep breed population by chromosome: SNP position in the genome is shown on the X-axis, and XP-EHH standard values are plotted on the Y-axis. The values above the lines are in 99.9 percentile of autosomal and chromosome X SNPs.

 

 

این ژن­ها در فرآیندهای بیولوژیکی در متابولیسم قندهای فروکتوز و بیوسنتز ساکارز نقش دارند. ژن FBP1 فرم کبدی آنزیم 1و6 فسفاتاز و ژن FBP2 فرم عضله­ای آنزیم او6 فسفاتاز است (UniProtKB Gene).

در مطالعهWeikard et al.  (2012) نقش این دو ژن در ارتباط با عضله­های اسکلتی و غدد پستانی معنی دار گزارش شده است. همچنین در مطالعه­ای روی 4 نژاد گاو گوشتی (آنگوس، سمینتال، آمیخته های سمینتال و هرفورد) ارتباط معنی­داری بین چند شکلی در ژن FBP1 با میانگین خوراک مصرفی روزانه، طول لاشه، وزن لاشه و ضخامت چربی پشت گزارش شده است (Guo et al., 2007).

ژن ABOP که بر روی کروموزوم 3 واقع شده است، نقش­های کلیدی در ارتباط با تنظیم میزان خوراک مصرفی، متابولیسم چربی، ذخیره پروتئین و همچنین جذب و هضم ویتامین­ها در بدن دارد (GeneCards). ژن APOB در متابولیسم لیپید از طریق جذب و ترشح لیپیدها شامل کلسترول و تری گلیسریدها دخالت دارد.


 


جدول 3- ژن­های شناسایی شده مرتبط با مناطق تحت انتخاب در گوسفند نژاد زندی.

Table 3- The identified genes under selection in Zandi sheep breed.

موقعیت ژنومی گوسفند (کروموزومی)

Location on Ovine genome (Chromosome)

موقعیت ژنومی انسان (کروموزومی)

Location on Human genome (Chromosome)

ژن (ها)

Gene(s)

صفات مرتبط

Related Traits

منابع

References

(2) 31653188-31684127

(9) 94603133-94640249

FBP1

میانگین خوراک مصرفی روزانه، طول لاشه

Average Daily Feed Intake, Carcass Length

Guo et al., 2007

(2) 31709019-31765595

(9) 94558720-94593793

FBP2

رشد ماهیچه­های اسکلتی،  تولید شیر

Growth of skeletal muscle;

Milk Production

Weikard et al., 2012

(3) 28671825-28710732

(2) 21044073-21001429

APOB

وزن بدن در سنین مختلف، چاقی

body weight in different age;

obesity

Zhang et al., 2006

(5) 5056451-5057662

(19) 17816512-17821574

INSL3

کیفیت اسپرم، باروری

Sperm quality, Fertility

Mishra et al.2013

(6) 36514210-36556824

(4) 88257620-88284769

ABCG2

کارایی مصرف خوراک، چربی داخل ماهیچه ای (ماربیلینگ)

Feed efficiency; Intramuscular fat

Mishra et al., 2014

(6) 37138667-37257756

(4) 17629306-17781512

FAM184B

صفات رشد، افزایش وزن روزانه

Growth traits; Average daily gain

Jin et al., 2015

(6) 36837847-36848482

(4) 87799581-87812435

IBSP

اندازه گوساله، سقط جنین

Calf size, Dystocia

Olsen et al., 2010

(6) 37092323-37118578

(4) 17577192-17607972

LAP3

رشد جنین و اندازه لاشه صفات مرتبط با لاشه

Foetal growth and Carcass size; Carcass traits

Bongiorni et al., 2012;

Saatchi et al., 2014

(6) 36804948-36811949

(4) 87799581-87846817

MEPE

اندازه گوساله، سقط جنین  Calf size, Dystocia

Olsen et al., 2010

(6) 36566367-36630153

(4) 88007668-88077777

PKD2

وزن لاشه گرم و میزان چربی داخل ماهیچه ای (ماربیلینگ)

Hot carcass weight; Intramuscular fat

Abo-Ismail et al., 2014

(6) 36404281-36418026

(4) 88257620-88284769

PPM1K

وزن لاشه گرم، باقیمانده خوراک مصرفی   Hot carcass weight; Residual feed intake

Abo-Ismail et al., 2014

(6) 36651734-36658288

(4) 87975650-87983426

SPP1

وزن بدن در یکسالگی، وزن زنده قبل از کشتار، افزایش وزن روزانه Yearling body Weight, Body weight before Slaughter, Average Daily Gain

White et al., 2007

(9) 37556752-37589709

(8) 58552924-58582860

SDCBP

وزن لاشه گرم  Hot carcass weight

Lee et al., 2013

(12) 25191495-25241603

(1) 223701593-223776018

CAPN2

کیفیت گوشت  Meat quality

Tizioto et al., 2013

(12) 25081358-25156543

(1) 223538007-223665734

CAPN8

بازدهی خوراک مصرفی، افزایش وزن روزانه Feed efficiency;

Average Daily Gain

Olivieri  et al., 2016

(13) 41742022-41775868

(20) 25006230-25058980

ACSS1

سنتز اسیدهای چرب اشباع  Syntheses of saturated fatty acid

Toral et al., 2016

(21) 46224390-46229122

(11) 69698232-69704642

FGF19

چاقی   Obesity

Kharitonenkov, 2009

 

 

در جوجه­های گوشتی ارتباط معنی­داری بین چندشکلی در این ژن با وزن بدن و ذخیره چربی گزارش شده است (Zhang et al., 2006). ژن INSL3 که RLF هم نامیده می­شود روی کروموزوم 5 بوده و از سلول­های لایدیگ بیضه در دوران جنینی و بلوغ ترشح شده و نقش کلیدی در تفرق بیضه در نرها در دوران جنینی و در دوران بلوغ بر تولید و کیفیت اسپرم دارد (Mishra et al., 2013). ژن INSL3 جزو خانواده ژنی هورمون­های شبه انسولین می­باشد که بیشتر در اندام­های جنسی تولید می­شود و در توسعه اندام­های تناسلی در حیوانات ماده و باروری نقش دارد (Pitia et al., 2016). ژن PKD2 بر روی کروموزوم 6 مکان یابی شده و در انتقال یون کلسیم و سیگنالینگ کلسیم در سلول­های اپیتلیال و هوموستازی کلسیم و همچنین در پاسخ سلولی به استرس­های اسموتیک نقش دارد (GeneCards). ژن­های SPP1، IBSP و MEPE که بر روی کروموزوم 6 واقع شده­اند، یک کلاستر ژنی موجود در استخوان و غضروف می­باشند که جزو فسفوگلیکو­پروتئین­های ماتریکس خارج سلولی (ECM) هستند و نقش اساسی در تشکیل فرم طبیعی استخوان در جنین در سن 180 روزگی دارند که به موثری بر اندازه گوساله نقش دارند و به طور غیرمستقیم بر روی سخت زایی و یا مرده زایی معنی گزارش شده است (Olsen et al., 2009). این کلاستر ژنی در 74 نژاد گوسفند در سراسر جهان (Kijas et al., 2012) و نیز گوسفندان جنوب غربی آسیا و آفریقا (Fariello et al., 2014) تحت انتخاب بوده است. ژن SPP1 که نام دیگر آن استئوپتین (OPN) می­باشد و در فسفریله کردن گلیکوپروتئین­ها و تشکیل استخوان در انسان و موش از طریق تفرق سلوهای استئوبلاست نقش کلیدی دارد (Denninger et al., 2015). ژن­های ABCG2، LAP3 و PPM1K که بر روی کروموزوم 6 واقع شده­اند دارای نقش­های کلیدی در رشد می­باشند که در اینجا بحث می­شود. ارتباط معنی­داری بین چند شکلی در ژن ABCG2 با صفات مرتبط با کیفیت گوشت گزارش شده است (Abo-Ismail et al., 2014). نقش اصلی ژن کاندیدای ABCG2 در سلول­های اپیتلیال پستانی در تولید و ترکیبات چربی و پروتئین شیر ­می­باشد به طوریکه موجب افزایش تولید چربی و درصد چربی و پروتئین و کاهش تولید شیر می­شود. ژن LAP3 ارتباط معنی­داری با صفات مرتبط با رشد جنین و راحت گوساله­زایی در نژاد گوشتی Piedmontese ایتالیایی گزارش شده است. ژن PPM1K در فرآیند متابولیک فسفر و دفسفریلاسیون اسیدهای آمینه نقش دارد. در مطالعهAbo- Ismail et al. (2014) ارتباط ژن PPM1K با باقیمانده مصرف خوراکی و افزایش وزن لاشه گرم گزارش کردند. ژن SDCBP، که بر روی کروموزوم 9 واقع شده است در مورفولوژی و توسعه بافت نقش دارد (GeneCards) به طوریکه در فرآیندهای بیولوژیکی نقش تنظیمی مثبت در رشد سلول دارد (UniProtKB Gene). در مطالعهLee et al.  (2013) ارتباط معنی­داری بین چند شکلی در ژن SDCBP با وزن لاشه گرم در گاوهای گوشتی هانفو گزارش شده است. ژن­های کاندیدای CAPN2 و CAPN8 بر روی کروموزوم 12 واقع شده­اند از زیر واحدهای آنزیم کالپین می­باشند (GeneCards). تاثیر این دو ژن بر روی کارایی مصرف خوراک در جمعیت گاوهای گوشتی نلور شامل میزان ماده خشک مصرفی و کاهش باقیمانده خوراک مصرفی و میانگین افزایش وزن روزانه معنی دار گزارش شده است (Olivieri et al., 2016).

ژن ACSS1 که بر روی کروموزوم 13 واقع شده است نقش پیشرو در سنتز اسیدهای چرب دارد (GeneCards). ژن ACSS1 در فرآیندهای بیولوژیکی در تنظیم بیوسنتز کلسترول بوسیله پروتئین متصل شونده به عناصر کنترلی استرول (SREBP) نقش دارد (UniProtKB Gene). ژن FGF19 بر روی کروموزوم 21 واقع شده است و از خانواده ژنی فاکتور رشد فیبروبلاستی یا (FGF) شامل 22 ژن می­باشد (GeneCards). این خانواده ژنی در بسیاری از فرآیندهای سلولی نظیر تمایز و رشد سلول­های جنینی، بازیابی بافت، تقسیمات سلولی و متابولیسم انرژی دخالت دارند (UniProtKB Gene). بررسی QTLهای شناسایی شده در مناطق ژنومی مورد نظر در گوسفند نشان داد که بر روی کروموزوم 2، 6 و 9 QTL­های گزارش شده مرتبط با صفات مهم اقتصادی ازجمله وزن بدن در هنگام کشتار، وزن لاشه گرم و میزان گوشت در لاشه بود (Cavanagh et al., 2010). همچنین QTL گزارش شده بر روی کروموزوم 12 با تراکم حجم استخوان که همبستگی بالایی با وزن بدن، ماهیچه و چربی داشت، گزارش شده بود (Campbell et al., 2003).

برای درک بهتر عملکردهای مولکولی ژن­های تحت انتخاب مثبت، هستی­شناسی ژن­ها مورد بررسی قرار گرفت. آنالیز هستی­شناسی ژن در جدول 4 در برخی از مسیرهای مهم و معنی­دار ارائه شده است. همچنین آنالیز مسیر در جدول 5 ارائه شده است. برای پیش بینی ارتباط متقابل پروتئین­های شناسایی شده در مناطق اورتولوگوس انسان از پایگاه STRING برای ترسیم شبکه ژنی استفاده شد. نتایج حاصل از شبکه پروتئینی نشان داد که ژن­های به دست آمده به طور مستقیم و غیر مستقیم با توسعه سیستم اسکلتی  و رشد در ارتباط هستند (شکل 2).

 

 

 

 

 

 

شکل 2- شبکه ژنی و پروتئینی ژن­های تحت انتخاب مثبت. دایره­های با رنگ­های مختلف نشان دهنده ژن یا پروتئین­ها می­باشد و خطوط بین آنها تعاملات بین آنهاست بطوریکه خطوط صورتی برای پس از رونویسی، سیاه، واکنشی و آبی رنگ نشان دهنده تعاملات پروتئینی با یکدیگر است.

Figure 2- Gene and Protein network of genes under positive selection. Nodes are genes or proteins; lines indicate interactions between proteins with: pink lines for post-translational, yellow lines for expression, black lines for reaction, and blue lines for binding.

جدول 4- آنالیز ژن آنتولوژی در مناطق تحت انتخاب مثبت.

Table 4- Analysis of Gene ontology (GO) terms in regions under positive selection.

دسته

Category

ژن آنتولوژی

GO term

توصیف ژن آنتولوژی

Description GO

ارزش P

P-Value

نام ژن

Gene Names

GOTERM_BP_FAT

GO:0006006

glucose metabolic process

4.5E-2

FBP1 FBP2

GOTERM_BP_FAT

GO:0031214

ossification

1.5E-2

IBSP MEPE SPP1

GOTERM_MF_FAT

GO:0004197

cysteine-type endopeptidase activity

2.8E-2

CAPN2

CAPN8

GOTERM_MF_FAT

GO:0008234

cysteine-type peptidase activity

6.3E-2

CAPN2 CAPN8

 

 

جدول 5- آنالیز غنی­سازی مسیر در مناطق تحت انتخاب مثبت.

Table 5- Analysis of Enriched pathway terms in regions under positive selection.

مسیر

Pathway term

توصیف

Description

تعداد ژن­ها

Number of Genes

ارزش P

P-value

hsa00010

Glycolysis / Gluconeogenesis

2

3.8E-2

hsa04910

Insulin signaling pathway

2

7.8E-2

hsa04512

ECM-receptor interaction

2

4.9E-2

hsa04152

AMPK signaling pathway

2

8.5E-2

 


نتیجه گیری

بررسی ژن­ها­ و QTLهای موجود در نواحی تحت انتخاب مثبت نشان داد که جمعیت گوسفندان نژاد زندی به صورت متمایز هدف انتخاب­های طبیعی و یا مصنوعی قرار گرفته­اند. بررسی ژن­هایی که تا کنون در این مناطق گزراش شده است مرتبط با صفات رشد، متابولیسم چربی، متابولیسم قند و انرژی، لاشه و تولیدمثل بودند، اما بررسی­های پیوستگی و عملکردی بیشتری جهت شناسایی عملکرد ژن­ها و QTLهای مرتبط نیاز می­باشد. در مجموع، نتایج این تحقیق می­تواند منبع اطلاعاتی با ارزشی در جهت شناسایی ژن­های متمایز کننده و شناسایی نواحی ژنومی کاندید برای بسیاری از صفات مهم اقتصادی موجود در گوسفندان نژاد زندی فراهم آورد.

 

سپاسگزاری

از مرکز اصلاح نژاد و بهبود تولیدات دامی کشور به خاطر حمایت مالی پروژه و ایستگاه پرورش و اصلاح نژاد گوسفند زندی استان تهران (ایستگاه خجیر) برای در اختیار گذاشتن حیوانات در اجرای این پروژه کمال تشکر را داریم.

 

 

منابع

Abo-Ismail MK, Voort GV, Squires JJ, Swanson KC, Mandell IB, Liao X, Stothard P, Moore S, Plastow G, Miller SP )2014(. Single nucleotide polymorphisms for feed efficiency and performance in crossbred beef cattle. BMC Genetics 15: 1471-1480.

Al-Mamun HA, Clark S, Kwan P, Gondro C (2015). Genome-wide linkage disequilibrium and genetic diversity in five populations of Australian domestic sheep. Genetics Selection Evolution 47: 1-11.

Barrett JC, Fry B, Maller J, Daly MJ )2005(. Haploview: analysis and visualization of LD and haplotype maps. Bioinformatics 21: 263–265.

Bongiorni S, Mancini G, Chillemi G, Pariset L, Valentini A )2012(. Identification of a short region on chromosome 6 affecting direct calving ease in piedmontese cattle breed. PLoS One 7: 137-145.

Chen M, Pan D, Ren H, Fu J, Li J, Su G, Wang A, Jiang L, Zhang Q, Liu JF )2016(. Identification of selective sweeps reveals divergent selection between Chinese Holstein and Simmental cattle populations. Genetics Selection Evaluation 48: 76-87.

Chevin LM, Billiard S, Hospital F (2008). Hitchhiking both ways: Effect of two interfering selective sweeps on linked neutral variation. Genetics Society of America 108: 301-316.

Cavanagh CR, Jonas E, Hobbs M, Thomson PC, Tammen I, Raadsma HW (2010). Mapping quantitative trait loci (QTL) in sheep. III. QTL for carcass composition traits derived from CT scans and aligned with a meta-assembly for sheep and cattle carcass QTL. Genetic Selection Evolution 42:­1-14.

Campbell AW, Bain WE, McRae AF, Broad TE, Johnstone PD, Dodds KG, Veenvliet BA, Greer GJ, Glass BC, Beattie AE, Jopson NB, McEwan JC (2003). Bone density in sheep: genetic variation and quantitative trait loci localisation. Bone 33: 540–548.

Denninger KC, Litman T, Marstrand T, Moller K, Svensson L, Labuda T, Andersson A (2015). Kinetics of gene expression and bone remodelling in the clinical phase of collagen induced arthritis. Arthritis Research Theoretical 17: 43-55.

De Roos AP, Hayes BJ, Spelman RJ, Goddard ME (2008). Linkage disequilibrium and persistence of phase in Holstein-Friesian, Jersey and Angus cattle. Genetics 179: 1503–1512.

Espigolan R, Baldi F, Boligon AA, Souza FRP, Gordo DGM, Tonussi RL, Cardoso DF, Oliveira HN, Tonhati H, Sargolzaei M, Schenkel FS, Carvalheiro R, Ferro JA, Albuquerque LG (2013). Study of whole genome linkage disequilibrium in Nellore cattle. BMC Genomics 14: 305-314.

Ensembl BioMart:  Ensembl online genome data base BioMart Tool.  http://www.ensembl.org/biomart/martview/.

Fariello MI, Servin B, Tosser-Klopp G, Rupp R, Moreno C, International Sheep Genomics Consortium, Cristobal MS, Boitard S (2014). Selection Signatures in Worldwide Sheep Populations. PLoS One 9: 813-82.

Gholizadeh M, Rahimi Mianji G, Nejati Javaremi A (2014). Linkage disequilibrium estimation and haplotype based genome-wide association to detect QTLs affecting twinning rate in Baluchi sheep. Research on Animal Production 10: 166-178.

Guo H, Liu WS, Takasuga A, Eyer K, Landrito E, Xu SZ, Gao X, Ren HY (2007). Characterization and Mapping of the Bovine FBP1 Gene. Asian-Australian Journal of Animal Science 9: 1319–1326.

GeneCards. http://www.genecards.org/cgi-bin/carddisp.pl?gene=STAT.

Iso-Touru T, Tapio M, Vilkki J, Kiseleva T, Ammosov I, Ivanova Z, Popov R, Ozerov M, Kantanen J (2016). Genetic diversity and genomic signatures of selection among cattle breeds from Siberia, eastern and northern Europe. Animal Genetics 6: 1-12.

Jarvis JP, Scheinfeldt LB, Soi S, Lambert C, Omberg L, Ferwerda B, Froment A, Bodo JM, Beggs W, Hoffman G, Mezey J, Tishkoff SA (2012). Patterns of Ancestry, Signatures of Natural Selection, and Genetic Association with Stature in Western African Pygmies. PLoS Genetics 8: 641-653.

Javanmard A, Mohammadabadi MR, Zarrigabayi GE, Gharahedaghi AA, Nassiry MR, Javadmansh A, Asadzadeh N (2008). Polymorphism within the intron region of the bovine leptin gene in Iranian Sarabi cattle (Iranian Bos taurus). Russian Journal of Genetics 44: 495-497.

Jin CF, Chen YJ, Yang ZQ, Shi K, Chen CK (2015). A genome-wide association study of growth trait-related single nucleotide polymorphisms in Chinese Yancheng chickens. Genetics and Molecular Research 14: 15783-15792.

Kim H, Song KD, Kim HJ, Park W, Kim J, Lee T, Shin DH, Kwak W, Kwon YJ, Sung S Moon S, Lee KT, Kim K, Hong JK, Eo KU, Lee WK, Kim DK, Oh JD, Kim ES, Cho ES, Lee HK, Kim TU, Kim H (2015). Exploring the Genetic Signature of Body Size in Yucatan Miniature Pig. PLoS One 4: 1732-1742.

Kijas JW, Johannes A, Ben Hayes L, Boitard S, PortoNeto LR, Cristobal MS, Servin B, McCulloch R, Whan V, Gietzen K, Paiva S, Barendse W, Ciani E, Raadsma H, McEwan J, Dalrymple B (2012). Genome-wide analysis of the world’s sheep breeds reveals high levels of historic mixture and strong recent selection. PLoS Biology 10: 1-14.

Kharitonenkov A (2009). FGFs and metabolism. Current Opinion in Pharmacology 9: 805–810.

Khodabakhshzadeh R, Mohammadabadi MR, Esmailizadeh Koshkoieh A, Moradi-Shahrebabak H, Ansari Namin S (2015a). Study of mutations available in first-half exon 2 of GDF9 gene in crossbred sheep born from crossing of Romanov rams with Kermani ewes. Iranian Journal of Animal Science Research 6: 395-403 (In Farsi).

Khodabakhshzadeh R, Mohammadabadi MR, Moradi H, Esmailizadeh AK, Ansari NS (2015b). Identify of G―›A point mutation at positions 477 and 721 in exon 2 of GDF9 gene in Kermani sheep. Modern Genetics 10: 261-268 (In Farsi).

Khodabakhshzadeh R, Mohammadabadi MR, Moradi-Shahrebabak H, Esmailizadeh Koshkoieh A (2016a). Identification of available mutations in the first-half (from 5’ end) of exon 2 of GDF9 gene in crossbred sheep from crossing of Romanov and Lori-Bakhtiari breeds. Animal Production Research 4: 15-26 (In Farsi).

Khodabakhshzadeh R, Mohammadabadi MR, Esmailizadeh Koshkoieh A, Moradi-Shahrebabak H, Bordbar F, Ansari Namin S (2016b). Identification of point mutations in exon 2 of GDF9 gene in Kermani sheep. Polish Journal of Veterinary Sciences 19: 281–289.

Lee SH, Choi BH, Lim D, Gondro C, Cho YM, Dang CG, Sharma A, Jang GW, Lee KT, Yoon D, Lee HK, Yeon H, Yang BS, Kang HS, Hong SK (2013). Genome-Wide Association Study Identifies Major Loci for Carcass Weight on BTA14 in Hanwoo (Korean Cattle). PLoS One 8: 677-688.

Li Y, Kim JJ (2014). Effective Population Size and Signatures of Selection Using Bovine 50K SNP Chips in Korean Native Cattle (Hanwoo). Evolutionary Bioinformatics 11: 143-153.

Liu S, He S, Chen L, Li W, Di J, Liu M (2017). Estimates of linkage disequilibrium and effective population sizes in Chinese Merino (Xinjiang type) sheep by genome-wide SNPs. Genes Genome 17: 1-13.

Mancini G, Gargani M, Chillemi G, Nicolazzi EL, Marsan PA, Valentini A, Pariset, L. (2014). Signatures of selection in five Italian cattle breeds detected by a 54 K SNP panel. Molecular Biological Reports 41: 957–965.

Meadows JR, Chan EK, Kijas JW (2008). Linkage disequilibrium compared between five populations of domestic sheep. BMC Genetics 9: 61-73.

Meuwissen THE, Hayes BJ, Goddard ME (2001). Prediction of total genetic value using genome wide dense marker maps. Genetics 157: 1819–1829.

Mishra C, Palai TK, Sarangi LN, Prusty BR, Maharana BR (2013). Candidate gene markers for sperm quality and fertility in bulls. Veterinary World 6: 905–910.

Mohammadabadi MR, Sattayimokhtari R (2013). Estimation of (co) variance components of ewe productivity traits in Kermani sheep. Slovak Journal of Animal Science 46: 45-51.

Mohammadi H, Moradi shahrebabak M, Sadeghi M (2011). Study and comparative of polymorphism (T487C) in exon 17 of the DGAT1 gene and its relationship with carcass weight and dressing percentage in the Lori-Bakhtiari and Zel sheep breed. Iranian Journal of Biotechnology 1: 77-89 (In Farsi).

Mousavizadeh A, Mohammadabadi MR, Torabi A, Nassiry MR, Esmailizadeh AK (2009). Genetic polymorphism at the growth hormone locus in Iranian Talli goats by polymerase chain reaction-single strand conformation polymorphism (PCR-SSCP). Iranian Journal of Biotechnology 7: 51-53 (In Farsi).

Niu H, Zhu B, Guo P, Zhang W, Xue J, Chen Y, Li J (2016). Estimation of linkage disequilibrium levels and haplotype block structure in Chinese Simmental and Wagyu beef cattle using high-density genotypes. Livestock Science 190: 1-9.

Olsen HG, Hayes BJ, Kent MP, Nome T, Svendsen M, Lien S (2010). A genome wide association study for QTL affecting direct and maternal effects of stillbirth and dystocia in cattle. Animal Genetics 41: 273–280.

Olivieri BF, Mercadante MEZ, Cyrillo JNdSG, Branco RH, Bonilha SFM, deAlbuquerque LG, Rafael MS, Baldi R (2016). Genomic Regions Associated with Feed Efficiency Indicator Traits in an Experimental Nellore Cattle Population. PLoS One 9: 11-23.

Pritchard JK, Przeworski M (2001). Linkage disequilibrium in humans: models and data. American Journal of Human genetics 69: 1–14.

Purcell S, Neale B, Todd-Brown K, Thomas L, Ferreira MAR, Bender D, Chang A (2007). PLINK: a toolset for whole-genome association and population-based linkage analysis. American Journal of Human Genetics 81: 559-575.

Pitia AM, uchiyama K, Sano H, Kinukawa M, Minato Y, Sasada H, Kohsaka T (2016). Functional insulin-like factor 3 (INSL3) hormone-receptor system in the testes and spermatozoa of domestic ruminants and its potential as a predictor of sire fertility. Animal Science Journal 10: 1269-1278.

Porto-Neto LR, Kijas JW, Reverter A (2014). The extent of linkage disequilibrium in beef cattle breeds using high-density SNP genotypes. Genetics Selection Evaluation 46: 22-35.

Qanbari S, Gianola D, Hayes B, Schenkel F, Miller S, Moore S, Thaller G, Simianer H (2011). Application of site and haplotype-frequency based approaches for detecting selection signatures in cattle. BMC Genomics 12: 318-328.

Sabeti PC, Reich DE, Higgins JM, Levine HZP, Richter DJ, Schaffner SF, Gabriel SB, Platko JV, Patterson NJ, McDonald GJ, Ackerman HC, Campbell SJ, Altshuler D, Cooper R, Kwiatkowski D, Ward R, Lander ES (2002). Detecting recent positive selection in the human genome from haplotype structure. Nature 419: 832–837.

Sabeti PC, Scheffner SF, Fry B, Lohmueller J, Varilly P, Shamovsky O, Palma A, Mikkelsen  TS, Altshuler D, Lander ES. (2006). Positive natural selection in the human lineage. Science 312: 1614-1620.

Sabeti PC, Varilly P, Fry B, Lohmueller J, Hostetter E, Cotsapas C, Xie X, Byrne EH, McCarroll SA, Gaudet R, Schaffner SF, Lander ES (2007). Genome-wide detection and characterization of positive selection in human populations. Nature 449: 913–918.

Saatchi M, Schnabel RD, Taylor JF, Garrick DJ (2014). Large-effect pleiotropic or closely linked QTL segregate within and across ten US cattle breeds. BMC Genomics 15: 442-449.

Scheet P, Stephens M (2006). A  fast  and  flexible  statistical  model  for  large-scale population  genotype  data:  applications  to  inferring  missing  genotypes  and  haplotypic phase. American Journal of Human Genetics 78: 629–644.

Soufy B, Mohammadabadi MR, Shojaeyan K, Baghizadeh A, Ferasaty S, Askari N, Dayani O (2009). Evaluation of Myostatin gene polymorphism in Sanjabi sheep by PCR-RFLP method. Animal Science Researches 19: 81-89.

Teo YY, Fry AE, Clark TG, Tai ES, Seielstad M (2007). On the usage of HWE for identifying genotyping errors. Annals of Human Genetics 71: 701-703.

Tizioto PC, Decker JE, Taylor JF, Schnabel RD, Mudadu, MA, Silva FL, Mourao GB, Coutinho LL, Tholon P, Sonstegard TS, Rosa AN, Alencar MM, Tullio RR, Medeiros SR, Nassu RT, Feijó GL, Silva LO, Torres RA, Siqueira F, Higa RH, Regitano LC (2013). Genome scan for meat quality traits in Nelore beef cattle. Physiological Genomics 45: 1012–1020.

Toral PG, Hervás G, Suarez-Vega A, Arranz JJ, Frutos P (2016). Isolation of RNA from milk somatic cells as an alternative to biopsies of mammary tissue for nutrigenomic studies in dairy ewes. Journal of Dairy Science 99: 8461-8471.

Utsunomiya YT, Perez O’Brien AM, Sonstegard TS, Solkner J, Garcia JF (2015). Genomic data as the “hitchhiker’s guide” to cattle adaptation: tracking the milestones of past selection in the bovine genome. Frontiers in Genetics 6: 36-47.

UniProtKB Gene. http://www.uniprot.org/help/gene_name.

Wall JD, Pritchard JK (2003). Haplotype blocks and linkage disequilibrium in the human genome. Nature Reviews Genetics 4: 587–597.

Weikard R, Goldammer T, Brunner RM, Kuehn C (2012). Tissue specific mRNA expression patterns reveal a coordinated metabolic response associated with genetic selection for milk production in cows. Physiological Genomics 44: 728 –739.

Yang W, Qi Y, Fu J (2016). Genetic signals of high-altitude adaptation in amphibians: a comparative transcriptome analysis. BMC Genetics 17: 134-140.

Zamani P, Akhondi M, Mohammadabadi MR (2015). Associations of Inter-Simple Sequence Repeat loci with predicted breeding values of body weight in sheep. Small Ruminant Research 132: 123-127.

Zhao FP, Wang GK, Zeng T, Wei CH, Zhang L, Wang HH, Zhang SZ, Liu RZ, Liu Z, Du LX (2014). Estimations of genomic linkage disequilibrium and effective population sizes in three sheep populations. Livestock Science 170: 22–29.

Zhao FP, Wei CH, Zhang L, Liu JS, Wang GK, Zeng T, Du LX (2016). A genome scan of recent positive selection signatures in three sheep populations. Journal of Integrative Agriculture 15: 162–174.

Zhang S, Li H, Shi H (2006) Single marker and haplotype analysis of the chicken apolipoprotein B gene T123g and D9500D9- polymorphism reveals association with body growth and obesity. Poultry Science 85: 178–184.

 


Estimation of linkage disequilibrium and whole-genome scan for detection of loci under selection associated with body weight in Zandi sheep breed

 

Mohammadi H.1, Rafat S.A.2, Moradi Shahrbabak H.*3, Shodja J.4, Moradi M.H.5

 

1 Ph.D Graduated Animal Science Department, Faculty of Agriculture, Tabriz University, Tabriz, Iran.

2 Professor Animal Science Department, Faculty of Agriculture, Tabriz University, Tabriz, Iran.

3 Assistant Professor Animal Science Department, University College of Agriculture and Natural   Resources, Tehran University, Tehran, Iran.

4 Professor Animal Science Department, Faculty of Agriculture, Tabriz University, Tabriz, Iran.

5 Assistant Professor Animal Science Department, Faculty of Agriculture, Arak University, Arak, Iran.

 

Abstract

Body weight is the most economically important trait in sheep industry. In genome-wide association study and genomic selection, determining of extent and level of linkage disequilibrium (LD) is critical in sample size and marker density. Moreover, selection for increasing of frequency in new mutations that are advantageous only in a subset of populations leaves some signatures in the genome. Locations of selection signatures are often correlated with genes and QTLs affecting economically important traits. Therefore, the objectives of this research were to study LD pattern and identify the genomic regions that have been under artificial and natural selection in Zandi sheep breeds with different body weight. For this purpose, the blood samples were collected form 73 Zandi sheep and 54241 markers were genotyped by using Illumina Ovine SNP50K BeadChip array based on latest assembly (Oar_4.0) sheep genome. After quality control, 40879 SNPs belonging to 71 animals were used in the final analysis. LD was calculated between all pairs were calculated with r2 by PLINK software. To detect the selection sweep, due to linkage disequilibrium, associated with these signatures we carried out the cross-population Extended Haplotype Homozygosity (XP-EHH) test. In this study, the extent of LD in this study was 40 kb with r2=0.2. The results revealed ten genomic regions on 1, 2, 3, 5, 6, 9, 12, 13, 21 and 22 chromosomes. Bioinformatics analysis demonstrated that some of these genomic regions overlapped with reported genes included in the growth traits, fat metabolism, development of the skeletal system, energy metabolism and meat quality traits such as FBP1, FAM184B, PKD2, FGF19, SPP1, MEPE CAPN2 genes.

Keywords: Linkage Disequilibrium, Selection Signatures; XP-EHH Test; Zandi sheep; Body Weight.

 



* نویسنده مسئول: حسین مرادی شهربابک                                     تلفن: 09133915306 Email:  hmoradis@ut.ac.ir                                        

[1] . underestimate

* Corresponding author: Moradi Shahrbabak H.              Tel:09133915306                        Email: hmoradis@ut.ac.ir

Abo-Ismail MK, Voort GV, Squires JJ, Swanson KC, Mandell IB, Liao X, Stothard P, Moore S, Plastow G, Miller SP )2014(. Single nucleotide polymorphisms for feed efficiency and performance in crossbred beef cattle. BMC Genetics 15: 1471-1480.
Al-Mamun HA, Clark S, Kwan P, Gondro C (2015). Genome-wide linkage disequilibrium and genetic diversity in five populations of Australian domestic sheep. Genetics Selection Evolution 47: 1-11.
Barrett JC, Fry B, Maller J, Daly MJ )2005(. Haploview: analysis and visualization of LD and haplotype maps. Bioinformatics 21: 263–265.
Bongiorni S, Mancini G, Chillemi G, Pariset L, Valentini A )2012(. Identification of a short region on chromosome 6 affecting direct calving ease in piedmontese cattle breed. PLoS One 7: 137-145.
Chen M, Pan D, Ren H, Fu J, Li J, Su G, Wang A, Jiang L, Zhang Q, Liu JF )2016(. Identification of selective sweeps reveals divergent selection between Chinese Holstein and Simmental cattle populations. Genetics Selection Evaluation 48: 76-87.
Chevin LM, Billiard S, Hospital F (2008). Hitchhiking both ways: Effect of two interfering selective sweeps on linked neutral variation. Genetics Society of America 108: 301-316.
Cavanagh CR, Jonas E, Hobbs M, Thomson PC, Tammen I, Raadsma HW (2010). Mapping quantitative trait loci (QTL) in sheep. III. QTL for carcass composition traits derived from CT scans and aligned with a meta-assembly for sheep and cattle carcass QTL. Genetic Selection Evolution 42:­1-14.
Campbell AW, Bain WE, McRae AF, Broad TE, Johnstone PD, Dodds KG, Veenvliet BA, Greer GJ, Glass BC, Beattie AE, Jopson NB, McEwan JC (2003). Bone density in sheep: genetic variation and quantitative trait loci localisation. Bone 33: 540–548.
Denninger KC, Litman T, Marstrand T, Moller K, Svensson L, Labuda T, Andersson A (2015). Kinetics of gene expression and bone remodelling in the clinical phase of collagen induced arthritis. Arthritis Research Theoretical 17: 43-55.
De Roos AP, Hayes BJ, Spelman RJ, Goddard ME (2008). Linkage disequilibrium and persistence of phase in Holstein-Friesian, Jersey and Angus cattle. Genetics 179: 1503–1512.
Espigolan R, Baldi F, Boligon AA, Souza FRP, Gordo DGM, Tonussi RL, Cardoso DF, Oliveira HN, Tonhati H, Sargolzaei M, Schenkel FS, Carvalheiro R, Ferro JA, Albuquerque LG (2013). Study of whole genome linkage disequilibrium in Nellore cattle. BMC Genomics 14: 305-314.
Ensembl BioMart:  Ensembl online genome data base BioMart Tool.  http://www.ensembl.org/biomart/martview/.
Fariello MI, Servin B, Tosser-Klopp G, Rupp R, Moreno C, International Sheep Genomics Consortium, Cristobal MS, Boitard S (2014). Selection Signatures in Worldwide Sheep Populations. PLoS One 9: 813-82.
Gholizadeh M, Rahimi Mianji G, Nejati Javaremi A (2014). Linkage disequilibrium estimation and haplotype based genome-wide association to detect QTLs affecting twinning rate in Baluchi sheep. Research on Animal Production 10: 166-178.
Guo H, Liu WS, Takasuga A, Eyer K, Landrito E, Xu SZ, Gao X, Ren HY (2007). Characterization and Mapping of the Bovine FBP1 Gene. Asian-Australian Journal of Animal Science 9: 1319–1326.
GeneCards. http://www.genecards.org/cgi-bin/carddisp.pl?gene=STAT.
Iso-Touru T, Tapio M, Vilkki J, Kiseleva T, Ammosov I, Ivanova Z, Popov R, Ozerov M, Kantanen J (2016). Genetic diversity and genomic signatures of selection among cattle breeds from Siberia, eastern and northern Europe. Animal Genetics 6: 1-12.
Jarvis JP, Scheinfeldt LB, Soi S, Lambert C, Omberg L, Ferwerda B, Froment A, Bodo JM, Beggs W, Hoffman G, Mezey J, Tishkoff SA (2012). Patterns of Ancestry, Signatures of Natural Selection, and Genetic Association with Stature in Western African Pygmies. PLoS Genetics 8: 641-653.
Javanmard A, Mohammadabadi MR, Zarrigabayi GE, Gharahedaghi AA, Nassiry MR, Javadmansh A, Asadzadeh N (2008). Polymorphism within the intron region of the bovine leptin gene in Iranian Sarabi cattle (Iranian Bos taurus). Russian Journal of Genetics 44: 495-497.
Jin CF, Chen YJ, Yang ZQ, Shi K, Chen CK (2015). A genome-wide association study of growth trait-related single nucleotide polymorphisms in Chinese Yancheng chickens. Genetics and Molecular Research 14: 15783-15792.
Kim H, Song KD, Kim HJ, Park W, Kim J, Lee T, Shin DH, Kwak W, Kwon YJ, Sung S Moon S, Lee KT, Kim K, Hong JK, Eo KU, Lee WK, Kim DK, Oh JD, Kim ES, Cho ES, Lee HK, Kim TU, Kim H (2015). Exploring the Genetic Signature of Body Size in Yucatan Miniature Pig. PLoS One 4: 1732-1742.
Kijas JW, Johannes A, Ben Hayes L, Boitard S, PortoNeto LR, Cristobal MS, Servin B, McCulloch R, Whan V, Gietzen K, Paiva S, Barendse W, Ciani E, Raadsma H, McEwan J, Dalrymple B (2012). Genome-wide analysis of the world’s sheep breeds reveals high levels of historic mixture and strong recent selection. PLoS Biology 10: 1-14.
Kharitonenkov A (2009). FGFs and metabolism. Current Opinion in Pharmacology 9: 805–810.
Khodabakhshzadeh R, Mohammadabadi MR, Esmailizadeh Koshkoieh A, Moradi-Shahrebabak H, Ansari Namin S (2015a). Study of mutations available in first-half exon 2 of GDF9 gene in crossbred sheep born from crossing of Romanov rams with Kermani ewes. Iranian Journal of Animal Science Research 6: 395-403 (In Farsi).
Khodabakhshzadeh R, Mohammadabadi MR, Moradi H, Esmailizadeh AK, Ansari NS (2015b). Identify of G―›A point mutation at positions 477 and 721 in exon 2 of GDF9 gene in Kermani sheep. Modern Genetics 10: 261-268 (In Farsi).
Khodabakhshzadeh R, Mohammadabadi MR, Moradi-Shahrebabak H, Esmailizadeh Koshkoieh A (2016a). Identification of available mutations in the first-half (from 5’ end) of exon 2 of GDF9 gene in crossbred sheep from crossing of Romanov and Lori-Bakhtiari breeds. Animal Production Research 4: 15-26 (In Farsi).
Khodabakhshzadeh R, Mohammadabadi MR, Esmailizadeh Koshkoieh A, Moradi-Shahrebabak H, Bordbar F, Ansari Namin S (2016b). Identification of point mutations in exon 2 of GDF9 gene in Kermani sheep. Polish Journal of Veterinary Sciences 19: 281–289.
Lee SH, Choi BH, Lim D, Gondro C, Cho YM, Dang CG, Sharma A, Jang GW, Lee KT, Yoon D, Lee HK, Yeon H, Yang BS, Kang HS, Hong SK (2013). Genome-Wide Association Study Identifies Major Loci for Carcass Weight on BTA14 in Hanwoo (Korean Cattle). PLoS One 8: 677-688.
Li Y, Kim JJ (2014). Effective Population Size and Signatures of Selection Using Bovine 50K SNP Chips in Korean Native Cattle (Hanwoo). Evolutionary Bioinformatics 11: 143-153.
Liu S, He S, Chen L, Li W, Di J, Liu M (2017). Estimates of linkage disequilibrium and effective population sizes in Chinese Merino (Xinjiang type) sheep by genome-wide SNPs. Genes Genome 17: 1-13.
Mancini G, Gargani M, Chillemi G, Nicolazzi EL, Marsan PA, Valentini A, Pariset, L. (2014). Signatures of selection in five Italian cattle breeds detected by a 54 K SNP panel. Molecular Biological Reports 41: 957–965.
Meadows JR, Chan EK, Kijas JW (2008). Linkage disequilibrium compared between five populations of domestic sheep. BMC Genetics 9: 61-73.
Meuwissen THE, Hayes BJ, Goddard ME (2001). Prediction of total genetic value using genome wide dense marker maps. Genetics 157: 1819–1829.
Mishra C, Palai TK, Sarangi LN, Prusty BR, Maharana BR (2013). Candidate gene markers for sperm quality and fertility in bulls. Veterinary World 6: 905–910.
Mohammadabadi MR, Sattayimokhtari R (2013). Estimation of (co) variance components of ewe productivity traits in Kermani sheep. Slovak Journal of Animal Science 46: 45-51.
Mohammadi H, Moradi shahrebabak M, Sadeghi M (2011). Study and comparative of polymorphism (T487C) in exon 17 of the DGAT1 gene and its relationship with carcass weight and dressing percentage in the Lori-Bakhtiari and Zel sheep breed. Iranian Journal of Biotechnology 1: 77-89 (In Farsi).
Mousavizadeh A, Mohammadabadi MR, Torabi A, Nassiry MR, Esmailizadeh AK (2009). Genetic polymorphism at the growth hormone locus in Iranian Talli goats by polymerase chain reaction-single strand conformation polymorphism (PCR-SSCP). Iranian Journal of Biotechnology 7: 51-53 (In Farsi).
Niu H, Zhu B, Guo P, Zhang W, Xue J, Chen Y, Li J (2016). Estimation of linkage disequilibrium levels and haplotype block structure in Chinese Simmental and Wagyu beef cattle using high-density genotypes. Livestock Science 190: 1-9.
Olsen HG, Hayes BJ, Kent MP, Nome T, Svendsen M, Lien S (2010). A genome wide association study for QTL affecting direct and maternal effects of stillbirth and dystocia in cattle. Animal Genetics 41: 273–280.
Olivieri BF, Mercadante MEZ, Cyrillo JNdSG, Branco RH, Bonilha SFM, deAlbuquerque LG, Rafael MS, Baldi R (2016). Genomic Regions Associated with Feed Efficiency Indicator Traits in an Experimental Nellore Cattle Population. PLoS One 9: 11-23.
Pritchard JK, Przeworski M (2001). Linkage disequilibrium in humans: models and data. American Journal of Human genetics 69: 1–14.
Purcell S, Neale B, Todd-Brown K, Thomas L, Ferreira MAR, Bender D, Chang A (2007). PLINK: a toolset for whole-genome association and population-based linkage analysis. American Journal of Human Genetics 81: 559-575.
Pitia AM, uchiyama K, Sano H, Kinukawa M, Minato Y, Sasada H, Kohsaka T (2016). Functional insulin-like factor 3 (INSL3) hormone-receptor system in the testes and spermatozoa of domestic ruminants and its potential as a predictor of sire fertility. Animal Science Journal 10: 1269-1278.
Porto-Neto LR, Kijas JW, Reverter A (2014). The extent of linkage disequilibrium in beef cattle breeds using high-density SNP genotypes. Genetics Selection Evaluation 46: 22-35.
Qanbari S, Gianola D, Hayes B, Schenkel F, Miller S, Moore S, Thaller G, Simianer H (2011). Application of site and haplotype-frequency based approaches for detecting selection signatures in cattle. BMC Genomics 12: 318-328.
Sabeti PC, Reich DE, Higgins JM, Levine HZP, Richter DJ, Schaffner SF, Gabriel SB, Platko JV, Patterson NJ, McDonald GJ, Ackerman HC, Campbell SJ, Altshuler D, Cooper R, Kwiatkowski D, Ward R, Lander ES (2002). Detecting recent positive selection in the human genome from haplotype structure. Nature 419: 832–837.
Sabeti PC, Scheffner SF, Fry B, Lohmueller J, Varilly P, Shamovsky O, Palma A, Mikkelsen  TS, Altshuler D, Lander ES. (2006). Positive natural selection in the human lineage. Science 312: 1614-1620.
Sabeti PC, Varilly P, Fry B, Lohmueller J, Hostetter E, Cotsapas C, Xie X, Byrne EH, McCarroll SA, Gaudet R, Schaffner SF, Lander ES (2007). Genome-wide detection and characterization of positive selection in human populations. Nature 449: 913–918.
Saatchi M, Schnabel RD, Taylor JF, Garrick DJ (2014). Large-effect pleiotropic or closely linked QTL segregate within and across ten US cattle breeds. BMC Genomics 15: 442-449.
Scheet P, Stephens M (2006). A  fast  and  flexible  statistical  model  for  large-scale population  genotype  data:  applications  to  inferring  missing  genotypes  and  haplotypic phase. American Journal of Human Genetics 78: 629–644.
Soufy B, Mohammadabadi MR, Shojaeyan K, Baghizadeh A, Ferasaty S, Askari N, Dayani O (2009). Evaluation of Myostatin gene polymorphism in Sanjabi sheep by PCR-RFLP method. Animal Science Researches 19: 81-89.
Teo YY, Fry AE, Clark TG, Tai ES, Seielstad M (2007). On the usage of HWE for identifying genotyping errors. Annals of Human Genetics 71: 701-703.
Tizioto PC, Decker JE, Taylor JF, Schnabel RD, Mudadu, MA, Silva FL, Mourao GB, Coutinho LL, Tholon P, Sonstegard TS, Rosa AN, Alencar MM, Tullio RR, Medeiros SR, Nassu RT, Feijó GL, Silva LO, Torres RA, Siqueira F, Higa RH, Regitano LC (2013). Genome scan for meat quality traits in Nelore beef cattle. Physiological Genomics 45: 1012–1020.
Toral PG, Hervás G, Suarez-Vega A, Arranz JJ, Frutos P (2016). Isolation of RNA from milk somatic cells as an alternative to biopsies of mammary tissue for nutrigenomic studies in dairy ewes. Journal of Dairy Science 99: 8461-8471.
Utsunomiya YT, Perez O’Brien AM, Sonstegard TS, Solkner J, Garcia JF (2015). Genomic data as the “hitchhiker’s guide” to cattle adaptation: tracking the milestones of past selection in the bovine genome. Frontiers in Genetics 6: 36-47.
UniProtKB Gene. http://www.uniprot.org/help/gene_name.
Wall JD, Pritchard JK (2003). Haplotype blocks and linkage disequilibrium in the human genome. Nature Reviews Genetics 4: 587–597.
Weikard R, Goldammer T, Brunner RM, Kuehn C (2012). Tissue specific mRNA expression patterns reveal a coordinated metabolic response associated with genetic selection for milk production in cows. Physiological Genomics 44: 728 –739.
Yang W, Qi Y, Fu J (2016). Genetic signals of high-altitude adaptation in amphibians: a comparative transcriptome analysis. BMC Genetics 17: 134-140.
Zamani P, Akhondi M, Mohammadabadi MR (2015). Associations of Inter-Simple Sequence Repeat loci with predicted breeding values of body weight in sheep. Small Ruminant Research 132: 123-127.
Zhao FP, Wang GK, Zeng T, Wei CH, Zhang L, Wang HH, Zhang SZ, Liu RZ, Liu Z, Du LX (2014). Estimations of genomic linkage disequilibrium and effective population sizes in three sheep populations. Livestock Science 170: 22–29.
Zhao FP, Wei CH, Zhang L, Liu JS, Wang GK, Zeng T, Du LX (2016). A genome scan of recent positive selection signatures in three sheep populations. Journal of Integrative Agriculture 15: 162–174.
Zhang S, Li H, Shi H (2006) Single marker and haplotype analysis of the chicken apolipoprotein B gene T123g and D9500D9- polymorphism reveals association with body growth and obesity. Poultry Science 85: 178–184.