فاز سوم انتخاب ژنومیک (Genomic selection 2.0)
رستم عبداللهی |
۲۳ خرداد ۱۳۹۶

اخیرا مقاله ای از ژورنال Animal Breeding and Genetics میخواندم که برای بنده و کسانی که دوست دارند بدانند آینده انتخاب ژنومیک به چه سمتی می رود باید جالب به نظر برسد. این مقاله توسط J. M. Hickey (1) از موسسه رزولین و دانشگاه ادینبورو انگلیس نوشته شده است.

همانطوری که مستحضر هستید انتخاب ژنومیک دنیای تازه و فرصت های جدیدی را برای دانش اصلاح نژاد در ژنتیک حیوانی و گیاهی باز کرده است. چه بسا که استفاده از روش های آماری و اصول انتخاب ژنومیک در ژنتیک انسانی نیز رایج شده است. با انتخاب ژنومیک برنامه های اصلاح نژادی مجدداً سازماندی شده اند، فناوری های تعیین ژنوتیپ، الگوریتم های ایمپیوتیشن و روش های آماری خیلی سریع توسعه یافته اند. انتخاب ژنومیک فهم جامعه اصلاح نژاد را از معماری ژنتیکی صفات کمی، ملزومات یک برنامه انتخاب ژنومیک موفق در جامعه مرجع (جامعه ای که اثرات نشانگری برآورد می شوند) افزایش داده است. به هر حال انتخاب ژنومیک نوید این را می دهد که آینده ای روشن در انتظار اصلاح نژاد می باشد.

در این مقاله ذکر شده که  سه نوع انتخاب ژنومیک وجود دارد: انتخاب ژنومیک اولیه که با GS0.0 نمایش داده می شود و این انتخاب ژنومیک فرض می کند نامتعادلی لینکاژ بین نشانگرها و جهش های علّی می تواند پیش بینی ها را حاصل کند. انتخاب ژنومیکی که در حال حاضر در دنیا انجام می شود و با GS1.0 ارائه می شود. در GS1.0 از نامتعادلی لینکاژی که بین افراد خویشاوند نزدیک که در حال حاضر در جمعیت مرجع وجود دارند استفاده می کند. زیرا جمعیت های که امروزه برای تشکیل جامعه مرجع استفاده می شوند به اندازه کافی بزرگ نیستند که نامتعادلی لینکاژ بین نشانگر و جهش های علّی دلیل اصلی پیش بینی ها باشد. نوع  سوم انتخاب ژنومیک به صورت GS2.0 نمایش داده می شود. این نوع انتخاب ژنومیک در ۵ سال آینده وارد عرصه ارزیابی های ژنتیکی می شود. این فاز از انتخاب ژنومیک در برگیرنده حجم زیادی از داده ها به طور مثال میلیون ها حیوان که اطلاعات کل ژنوم آنها در دسترس است و طور مستقیم جهش های علّی را در برگرفته و از نامتعادلی لینکاژ بین نشانگر و جهش های سببی استفاده خواهد کرد.

با این حال، ممکن است خیلی از شما فکر کنید که نتایج تحقیقات گذشته نشان داده اند اطلاعات کل ژنوم (Sequence data) هم گران هستند و هم اینکه افزایش اندکی در صحت را خواهند داشت (Clark et al.(2011) Genet. Sel. Evol., 43, 18). با این حال مطالعات اخیر نشان داده اند که با استفاده از توالی کل ژنوم، جهش های علّی به دام می افتند و لذا مشکلاتی مانند افت صحت در اثر انتخاب در طول نسل ها بسیار کمتر خواهد شد (۵). همچنین با استفاده از توالی یابی کل ژنوم برای حیوانات کلیدی مثل گاوهای نری که نتاج بسیار زیادی در دنیا دارند، حیواناتی که خویشاوندان نزدیک زیادی دارند و حیواناتی که اطلاعات شجره ای عمیقی دارند، می توان از مزایای بالقوه توالی یابی کل ژنوم به خوبی استفاده کرد. برای کاهش هزینه های تعیین ژنوتیپ راهکارهای مختلفی پیشنهاد شده است یکی از آنها توالی یابی تعدادی از اجدا کلیدی با پوشش بالا (high-coverage) و ایمپیوت کردن این توالی ها با تراشه های رایج. استراتژی دیگر این است که همه حیوانات با پوشش پایین (low-coverage) توالی یابی شوند (Li et al. (2011) Genome Res., 21, 940–۹۵۰) و سپس با روشی مانند ایمپیوتیشن هاپلوتایپ های جامع (consensus haplotypes) تشکیل شده و نهایتا با استفاده از این هاپلوتایپ های جامع، کل توالی DNA ایمپیوت شود. استفاده از توالی یابی low-coverage  مزایای زیادی مانند هزینه کم، ایمپیوتیشن با دقت بالا و … را داراست. برای اطلاع بیشتر از این مزایا به رفرنس ۱ و ۳ مراجعه کنید. با این وجود استفاده از توالی یابی low-coverage زمینه تحقیقاتی جدیدی هست که نیاز یه تحقیقات زیادی دارد.

در ارتباط با هزینه های توالی یابی low-coverage اطلاعات مستندی در اختیار نیست اما همین بس که اگر هزینه توالی یابی با ۱٫۰x حدود ۱۳۰ دلار باشد هزینه توالی یابی با ۰٫۱x حدود ۲۸ دلار بوده و  با اینچنین هزینه های اکثر شرکت های اصلاحی می توانند ۲۰۰۰۰۰ یا تعداد بیشتری حیوان را در هر سال ژنوتایپ کنند. بنابراین در یک دوره ۱۰ ساله بیش از میلیون ها حیوان با هر دو اطلاعات ژنوتیپی و فنوتیپی برای انتخاب ژنومیک در دسترس خواهد بود.

با افزایش تعداد حیوانات دارای فنوتیپ نسبت زیادی از واریانس ژنتیکی صفات کمی حاصل از جهش های علّی به دام خواهد افتاد. همانطور که حجم اطلاعات افزایش می یابد مطالعات GWAS و انتخاب ژنومیک به هم نزدیک می شوند. این باعث افزایش صحت و تداوم پیش بینی های ژنتیکی می شود. وقتی که بتوانیم واریانس ژنتیکی را مستقیم به جهش های علّی ارتباط دهیم این یافته ما را در دستیابی به نقاط هدف داروها (Drugs) بر روی ژنوم و ویرایش ژنومی یاری خواهد داد (Marx, 2012, Nature Methods, 9:1044-1059),). قابل ذکر است که با فاز سوم انتخاب ژنومیک فاصله نسل و شدت انتخاب چندان تغییر نمی کنند فقط افزایش صحت و افزایش واریانس ژنتیکی توجیه شده هستند که می توانند تغییرات ژنتیکی را سرعت بخشند.

آخرین مطالعه در زمینه توالی یابی کل ژنوم ۲۳۴ گاو شیری (۱۲۹ هلشتاین فریزین، ۴۳ گاو فلکفی و ۱۵ راس از نژاد جرسی) بوده که مقاله آن در ژورنال Nature Genetics چاپ شده است (۴).  ۲۳٫۸ میلیون واریانت پراکنده شده در سرتاسر ژنوم شناسایی شده اند و همچنین کارهایی همچون GWAS و ایمپیوتیشن نیز در این مطالعه انجام شدند.

در کل علم ژنتیک نهایتاً در ارتباط با نوترکیبی، جهش و تفرق صحبت می کند. در برنامه های اصلاح نژادی با ۲۰۰۰۰۰ فرد دارای هر دو اطلاعات ژنوتیپ و فنوتیپ در هر سال، به اندازه ۱۲ میلیون قطعات ژنومی جدید ایجاد شده و ۴ میلیون جهش ایجاد می گردد. این همه نوترکیبی و جهش می توانند با استفاده از اطلاعات توالی یابی شناسایی شوند. لذا اگر ما تحقیقات را به جای مسائل آماری بر روی ژنتیک و اصلاح نژاد متمرکز کنیم، عایداتی بیشتری نصیبمان خواهد شد.

  1. Hickey, J. (2013). Sequencing millions of animals for genomic selection 2.0. Journal of Animal Breeding and Genetics, 130(5), 331-332.
  2. Clark, S. A., Hickey, J. M., & Van der Werf, J. H. (2011). Different models of genetic variation and their effect on genomic evaluation. Genet Sel Evol, 43, 18.
  3. Li, Y., Sidore, C., Kang, H. M., Boehnke, M., & Abecasis, G. R. (2011). Low-coverage sequencing: implications for design of complex trait association studies. Genome Research.
  4. Daetwyler, H. D., Capitan, A., Pausch, H., Stothard, P., van Binsbergen, R., Brondum, R. F., Liao, X., Djari, A., Rodriguez, S. C., Grohs, C., Esquerre, D., Bouchez, O., Rossignol, M.N., Klopp, C., Rocha, D., Fritz, S., Eggen, A., Bowman, P. J., Coote, D., Chamberlain, A. J., Anderson, C., VanTassell, C. P.,  Hulsegge, I.,  Goddard, M. E., Guldbrandtsen, B., Lund, M. S., Veerkamp, R. F.,  Boichard, D. A., Fries R., & Hayes, B. J. (2014). Whole-genome sequencing of 234 bulls facilitates mapping of monogenic and complex traits in cattle. Nat Genet, 46(8), 858-865. doi: 10.1038/ng.3034
  5. Druet, T., Macleod, I. M., & Hayes, B. J. (2014). Toward genomic prediction from whole-genome sequence data: impact of sequencing design on genotype imputation and accuracy of predictions. Heredity (Edinb), 112(1), 39-47.
 
avatar