متابولومیکس و ژنومیکس دام و طیور: چشم انداره های تعیین فنوتیپ در آینده و کاربرد آن در اصلاح دام

آقای محمد قادرزاده لطف کردند و ترجمه مقاله ای در اتباط با متابولومیکس را برای درج در وبلاگ فراهم کردند. امروز ه به لطف توسعه در فناوری های توالی یابی و تکنیک های شناخت آنزیم ها و متابولیت ها، مطالعه تغییرات ژنتیکی و بیوشیمایی از سمت ژنوم به سمت فنوتیپ نسبتا آسان شده است. مثلا از سمت ژنوم یا DNA اگر به سمت فنوتیپ حرکت کنیم به ترتیب با مجموعه mRNAهایی که در فرآیند بیان ژن تولید می شود (ترانسکریپتومیکس)، از mRNA به سمت مجموعه پروتیین های که تولید می شوند (پروتئومیکس)، از Proteomics به سمت مجموعه متابولیت های هایی که در بدن تولید می شود (متابولومیکس) و نهایتا مجموعه این متابولیت ها منجر به تولید فنوتیپ صفات مختلف می شود و علم مطالعه آنها را فنومیکس (Phenomics) می گویند و بررسی همزمان این فرآیند حرکت از ژنوم به فنوتیپ سیستم بیولوژی (System Biology) یا ژنتیک سیستمی (System Genetics) می­گویند. مقاله زیر استفاده از مجموعه متابولیت های تولید شده جهت پیش بینی عملکرد یا فنوتیپ افراد را بررسی کرده است و این نوید را می دهد که در آینده اطلاعات متابولومیکس هم جهت پیش بینی های مرتبط با بیماری های و یا صفات تولیدی استفاده خواهند شد.  با این وجود سوالی که همیشه در این راه ذهن بنده را مشغول کرده با فرض عدم جهش، ژنوم هر فرد از بدو تولد تا زمان بلوغ و مرگ ثابت است اما بیان  ژن ها، تولید پروتیین ها، تولید متابولیت بسته به زمان، مکان و شرایط محیطی تغییر می کنند و لذا پیش بینی که با کمک بیان ژن ها برای فنوتیپ یک فرد انجام می شود برای بافت خاص، سن خاص،  زمان خاص و شرایط خاص انجام می گیرد و ممکن است برای بافت دیگر، زمان دیگر،  سن دیگر و شرایط دیگر معتبر نباشد از طرفی با حرکت از سمت ژنوم به سمت فنوتیپ واسطه ها (دلالان) به شدت افزایش می یابند و پیدا کردن روابط علت و معلولی بسیار پیچیده می شود. با این وجود هنگامی که میخواهیم از سمت ژنوم به سمت بیان ژن، تولید پروتیین، تولید متابولیت و نهایتا فنوتیپ را مطالعه کنیم باید به بیشتر از دو بعد نگاه کنیم و روش های آماری مبتنی بر مدل های خطی جوابگوی اینچنین ارتباطات و بررسی اینچنین شبکه هایی نخواهند بود و قطعا به سمت روش های Machine Learning و آنالیز شبکه (Pathway Analysis) باید روی آورد.

فایل pdf مقاله را از طریق لینک زیر دانلود کنید.

متابولومیکس و ژنومیکس دام  و طیور

چکیده:

متابولومیکس یک زمینه نو ظهور آنالیز متابولویت هاست که به شناسایی، تعیین کمیت در شمار زیاد نمونه های بیولوژیکی (مانند شیر، پلاسما و سرم) می پردازد و بینش جالبی در مورد شکاف بین ژنوتیپ و فنوتیپ فراهم می کند که ممکن است شامل صفات تولیدی مانند نرخ رشد، تولید شیر، تجمع چربی در بدن و دیگر صفات اقتصادی بشوند.

• متابولومیکس در اصلاح دام ممکن است نخستین سنگ بنای تعیین فنوتیپ در آینده باشد. که نیاز به بهبود و توصیف صفت دارد و پیش­بینی ارزشهای اصلاحی را بهبود می بخشد و با کاستی های شیوه های سنتی  مقابله می کند و شیوه­ای جدیدی در برنامه­های اصلاح نژادی ­باشد.
• تلفیق متابولومیکس با اطلاعات ژنومیکس در چند  پژوهش جدید، نوید آینده ای درخشان را می­دهد.
• تاکنون مطالعات پویش ژنومی با ارتباط بین متابوتیپ­ها  و ژنوم تحت عنوان (mGWAS)، در گاو و خوک توانسته اند جایگاه های ژنی معنی داری را شناسایی کنند که تولید متابوتیت را کنترل می کنند.
• روش هایی تشکیل شبکه براساس مفاهیم سیستم ­های ژنتیکی برای باز کردن پیچیدگی­های اطلاعات متابولومیکس، و ارتباطات داده های متابولومیکس با دیگر داده­های اومیکس بکار برده شده است.
• با استفاده از متابولیت­ها، صفات جدید و  قدیمی مرتبط با معماری ژنتیکی بهتر تعریف می شوند و متابولیت­ها فرصت­هایی را برای کاربردهای نو در اصلاح دام فراهم خواهند آورد.

مقدمه:

پژوهش آرچیبلد گارود حدود 100 سال قبل با عنوان " خطای مادرزادی متابولیسم" منتشر شد و روشی را ابداع نمود که ارتباط بین بیوشیمی و ژنتیک را نشان می­داد که متعاقباً نظریه­ی "یک ژن- یک آنزیم" بوسیله  بیدل و تاتوم (1941) بوجود آمد. در این مطالعات پیشگام، برخی متابولیت­ها (پیش ماده­های بیوشیمایی یا فرآورده­های واکنش­های آنزیمی به عنوان نشانگرها­ "نمونه­های حاصل از تغییرات رفتار شیمیایی" معرفی شدند (گارود 1902).

چندین مورد متنوع از محصولات یا پیش ماده­های بیوشیمیایی مؤثر در دام و طیور نیز توصیف شده است. به عنوان بوی ماهی در شیر گاو و تخم مرغهایی که دارای بوی ماهی و لکه هستند که به علت سطوح مختلف (تری متیل آمین) است که باعث جهش­های مختلفی در همان ژن (flavin-containing mono-oxygenase 3; FMO3) می شود که در انسان مسئول تری متیل آمینوریا یا سندرم بوی ماهی میشود. .(OMIM #602079; Dolphinet al., 1997; Lundén et al., 2002; Honkatukia et al., 2005

به هر حال نمونه­های متعدد در همه موجودات وجود دارد. ما حالا میدانیم که متابولیت­ها دامنه گسترده و متنوعی را در میان افراد نشان می­دهند (که از پس زمینه­ی ژنتیکی افراد ناشی می­شود) و شرایط محیطی (که تحت عنوان اثرات متقابل ژنتیک و محیط توصیف شده اند) که به عنوان نشانه­های بالینی برای نشان دادن و کشف وضعیت سلامتی و بیماری بکار می روند.

حتی اگر تفاوت­های متابولیکی زیادی در شناسایی مکانیسم­های موثر بر فنوتیپ­های مهم توسعه یافته باشند ما هنوز هم خصوصیات کامل همه متابولیت­های تولیده شده در سیستم­های بیولوژیکی را در ارگانیسم­های پیچیده مانند انسان و گیاه بدست می آوریم (Patti et al., 2012).. متابولوم اولین بار توسط اولیور (1998) معرفی شد که حجمی از مولکول­های ارگانیکی کوچک را نشان می دهد که در طی مسیر­های بیوشیمیایی مختلف در پروسه­های بیوشیمیایی مختلف ایجاد می­شوند.

متابولومیکس زمینه­ی آنالیز، کمیت سنجی و تعیین خصوصیات بیولوژی در پروسه­های آزمایشی را نشان می­دهد.

متابولومیک دارای چندین رویکرد ترکیبی است که آنالیز ریاضی و شیمیایی را از  داده کاوی، تفسیر داده­ها بدست می­آورد که شامل: بیواستاتیک، بیوشیمی و بیوانفورماتیک است.

متابولومیکس بازخوانی مولکولی مجدد، وضعیت شیمیایی، یک سیستم زیستی است که می تواند توسط گونه­های متابولیکی و سطوح آنها که از ترکیب بیان ژن و فاکتور­های محیطی مشتق شده­اند را به تصویر بکشد. این تصور یک بینش جالب را بوجود می آورد که فنوتیپ­های حد وسط نامیده می­شوند (Fiehn, 2002; Houle et al., 2010).

بین فضای ژنومیک (یا سطح) و فنوتیپ خارجی یا نهایی یک واسطه وجود دارد (شکل 1).

• در اصلاح دام، فنوتیپ­های خارجی می­­توانند بصورت صفات اقتصادی مانند (نرخ رشد، تولید شیر و ترکیب چربی) در نظر گرفته شوند. بنابراین در این زمینه، چالش بکارگیری متابولومیکس جهت تولید فنوتیپ­های متابولیک (یا متابوتیپ­ها) به عنوان فنوتیپ­های حد وسط، جهت تأمین اطلاعات ارزشمند جهت فهم پروسه­های زیستی مرتبط با صفات اقتصادی در تولیدات حیوانی می­شود. این صفات می­توانند  صفات تولیدی معمولی یا صفات جدیدی باشند که با روش­های معمولی نمی توانند مورد بررسی قرار گیرند.

• متابوتیپ­ها می­توانند به عنوان برآوردگر بیشتر فنوتیپ­های پیچیده و فنوتیپ­هایی که می­توانند در اواخر عمر حیوان ظاهر شوند و اندازه­گیری آنها سخت است، در نظر گرفته شوند. متابولیت­ها می­توانند با دیگر اطلاعات اومیکس مانند (ترانسکریپتومیکس و پروتئومیکس) شرح و تجزیه  صفات پیچیده را  کامل کنند.

  در این مقاله چگونگی تولید اطلاعات متابولیک توصیف می شود و در این مقاله به چگونگی تلفیق اطلاعات ژنومیکی و متابولومیکی در اصلاح دام پرداخته می شود.

  در مقایسه با دیگر رویکرد­های اومیکس مانند ژنومیکس، ترانسکریپتومیکس،  متابولومیکس یک شکاف تکنولوژی دارد که مانع از دقیق و کامل بودن کل متابولوم می­شود. این مسئله عمدتاً به دلیل ناهمگنی ذاتی متابولیت­ها و بی ثباتی بیشتر گونه­های مولکولی است.

  در بیشتر نمونه­ها متابولیت­ها بوسیله تکنیک­هایی مانند HPLC  و MS اسپکترومتری حجمی و زونانس مغناطیسی هسته ای NMR اندازه­گیری می­شوند.

ادامه نوشته

روش فعلی مورد استفاده در ارزیابی گاوهای شیری

بعد از هفت سال از فعالیت این وبلاگ بالاخره یکی از خانم های علاقه مند به اصلاح نژاد دام  به نام خانم لیلا ایران زاده (دانش آموخته کارشناسی ارشد دانشگاه تبریز) لطف کردند و مطلبی در ارتباط با روش­های فعلی ارزیابی گاوهای شیری آمریکا فراهم کردند و بعد از ویرایش مختصری توسط اینجانب خدمت شما ارسال شده است.

در حال حاضر در کشور آمریکا ارزیابی ها برای صفات تولیدی با استفاده از مدل شیردهی 305 روز انجام می­شود به صورتی که رکوردهای روزآزمون بعد از تصحیحات لازم به شیر 305 روز تبدیل می شوند،  و لذا از مدل رگرسیون تصادفی استفاده نمی شود. ارزیابی های ژنومی با سرعت زیادی در حال جایگزین شدن با ارزیابی سنتی هستند. امروزه گاوهای نر جوان به محض تایید صلاحیت با استفاده از ارزیابی ژنومی، توسط کمپانی های تلقیح مصنوعی و یا شرکت های تولید اسپرم خریداری می شوند. قابلیت اطمینان ارزیابی های ژنومی برای صفات تولیدی 75درصد می باشد و برای بازاریابی اسپرم گاوهای 2 ساله کافی می باشد. کاهش فاصله نسلی مهمترین فاکتور در افزایش پیشرفت ژنتیکی در انتخاب ژنومی می­باشد.  

در کشور آمریکا اثرات SNP برای بیشتر از 30 صفت مانند شیر واجزای شیر، صفات تیپ، تولید مثل، ماندگاری و سلامت برآورد می­ شود. در مدل آماری علاوه بر اثر SNP یک اثر پلی ژنی هم وارد مدل می ­شود. لذا مقدار ارزش ژنتیکی هر فرد برابر با مجموع اثرات SNP به اضافه اثر پلی ژنی و مقداری اطلاعات ارزیابی کلاسیک که در ارزیابی ژنومی در نظر گرفته نشده­اند، می باشد. سپس یک شاخص انتخاب برای ترکیب پیش بینی­های ژنومی، ارزیابی­های کلاسیک و ارزیابی زیرگروه ژنوتیپ شده تشکیل خواهد گردید.

روش فعلی مورد استفاده در ارزیابی گاوهای شیری بر یک روش چند مرحله­ ای استوار است (ون رادن2009; هیز و همکاران، 2009; لوند و همکاران، 2011; ویگانز و همکاران،2011). در این روش اولین گام برآورد ارزش اصلاحی سنتی است. در مرحله دوم، انحراف عملکرد دختران (DYD)[1] یا انحراف تولید مادران (YD)[2] محاسبه می­شود. در مرحله سوم، ارزش ژنومی مستقیم (DGV)[3] برای حیوانات تعیین ژتونیپ شده محاسبه می شود. DGVبا استفاده از روش­هایی بر اساس براورد اثرات نشانگرهای چند شکل تک نوکلئوتیدی(SNP)[4] و یا خویشاوندی ژنومیک محاسبه می­شود. خویشاوندی ژنومیک از DYD و یا YD به عنوان مشاهدات فنوتیپی استفاده می­کند. گام چهارم، ترکیب کردن DGV با میانگین والدین (PA)[5] با استفاده از تئوری شاخص انتخاب (ون رادن،2009) برای براورد ارزش اصلاحی ژنومی (GEBV)[6] است.

بطور کلی، مقدار اطلاعات فنوتیپی مورد استفاده برای محاسبه DGV کمتر از مقدار مورد استفاده برای به دست اوردن PA است. زیرا تنها یک مجموعه از حیوانات در شجره تعیین ژنوتیپ شده هستند (ون رادن و همکاران، 2009). در این مورد محاسبه میانگین والدین بوسیله زیر مجموعه­ای از اجداد تعیین ژنوتیپ شده به عنوان شاخص به همراه  DGV می­تواند به بهبود پیش بینی­های ژنومی کمک کند (ون رادن و همکاران،2012). با توجه به مطالب سو و همکاران(2012)، از مزایای استفاده از چنین شاخصی به دلیل دقت بالای DGV است. شاخص­های ساده و احتمالا کمتر موثر که ترکیب تنها PA و DGV هستند، همچنین پیشنهاد شده اند (گو و همکاران،2010).

آیگلار و همکاران (2010) و کریستنسین و لاند (2010) یک روش تک مرحله ­ای را برای ارزیابی ژنوم که تک مرحله ژنومیک –BLUP (ssGBLUP)[1] نامیده می شود، معرفی کردند که در آن فنوتیپ­ ها، شجره، ژنوتیپ­ ها به عنوان یک خروجی مستقیم در آنالیز تک مرحله با GEBV مورد استفاده قرار می گیرد.. در ssGBLUP ماتریس روابط مبتنی بر شجره (A) با ماتریس H جایگزین می­شود که ادغام ماتریس A و یک ماتریس راوابط مبتنی بر ژنومیک (G) است. همه حیوانات تعیین ژنوتیپ شده در نظر گرفته می­شوند و نوسانات ارزیابی ژنومیک میتواند با تغییرات جزیی در H به حداقل برسد (آگیلار و همکارن، 2010; تسوتا وهمکاران، 2011; ویتزیکا و همکاران، 2011). مزایای اصلی ssGBLUP سادگی و عدم تقریب آن است. به عنوان مثال گری و همکاران (2012) چندین روش را برای پیش بینی ژنومی صفات مرتبط با شیر مقایسه کردند. برای تمامی صفات دقت ssGBLUP بالاترین مقدار بود.

تعیین ژنوتیپ را می­توان هم برای گاو نر و هم ماده بدست آورد. تعداد گاوهای نر آزمون نتاج شده محدود بوده و گاوهای پروف به عنوان گاو نری که اطلاعات بیشتری را فراهم می­کند، استفاده می­شود. استفاده ماده­ های تعیین ژنوتیپ شده در یک روش چند مرحله­ ای، در ابتدا باعث کاهش دقت پیش بینی برای گاوهای هلشتاین امریکا شده، عمدتا دلیل این کاهش، انتخاب ژنتیکی بر اساس افرادی بوده که برتری ژنتیکی بالایی داشتند (ویگانز،2011). با این حال، این کاهش در دقت می­تواند کشاف معکوس باشد. استفاده از ماده ­های تعیین ژنوتیپ شده در GBLUP دقت پیش بینی را برای هر دو جنس نر و ماده بدون heuristics و تغییرات مدل، افزایش میدهد (تسوروتا و همکاران، 2013).

صفات تولیدی را می­توان با استفاده از تکرارپذیری و مدل­های چندصفته مورد آنالیز قرار داد. ولر و عزرا (2004) خاطر نشان کردند یک مدل چند صفته با فرض اینکه هر شکم یک صفت متفاوت است دقت بیشتری در رتبه ­بندی حیوانات در سنین مختلف نسبت به مدل تکرارپذیری دارد.  به دلیل محدودیت­های محاسباتی، ارزیابی های ژنومی چندمرحله ای معمولا به صورت تک صفته انجام می شوند (گالوس و ورکامپ، 2011). روش ssGBLUP این قابلیت را دارد که به راحتی به مدل های چند صفته بسط داده شود.

بطور کلی، در روش­های مبتنی بر روابط ژنومی، ضریب یکسان برای هر SNP فرض می­شود. چنین فرضی می­تواند دقت را تضعیف کند در حالی که برخی از SNP ها بخش بزرگی از واریانس ژنتیکی را توجیه می کنند. وانگ و همکاران (2012)، ssGBLUP اصلاح شده را برای ارتباط پویش ژنوم و بدست آوردن وزن SNP و ترکیب آن­ها در وزن  ssGBLUP (WssGBLUP)[1] ارائه کردند.

منابع

Aguilar, I., I. Misztal, D. L. Johnson, A. Legarra, S. Tsuruta, and T. J. Lawlor. 2010. Hot topic: A unified approach to utilize phenotypic, full pedigree, and genomic information for genetic evaluation of Holstein final score. J. Dairy Sci. 93:743–752.

Christensen, O. F., and M. S. Lund. 2010. Genomic prediction when some animals are not genotyped. Genet. Sel. Evol. 42:2.

Gray, K. A., J. P. Cassady, Y. Huang, and C. Maltecca. 2012. Effectiveness of genomic prediction on milk flow traits in dairy cattle. Genet. Sel. Evol. 44:24.

Guo, G., M. S. Lund, Y. Zhang, and G. Su. 2010. Comparison between genomic predictions using daughter yield deviation and conventional estimated breeding value as response variables. J. Anim. Breed. Genet. 127:423–432.

Hayes, B. J., P. J. Bowman, A. J. Chamberlain, and M. E. Goddard. 2009. Invited review: Genomic selection in dairy cattle: Progress and challenges. Journal of Dairy Science, 92:433–443.

Lund, M. S., A. P. W. de Roos, A. G. de Vries, T. Druet, V. Ducrocq, S. Fritz, F. Guillaume, B. Guldbrandtsen, Z. Liu, R. Reents, C. Schrooten, F. Seefried, and G. Su. 2011. A common reference population from four European Holstein populations increases reliability of genomic predictions. Genet. Sel. Evol. 43:43.

Su, G., P. Madsen, U. S. Nielsen, E. A. Mäntysaari, G. P. Aamand, O. F. Christensen, and M. S. Lund. 2012. Genomic prediction for Nordic Red Cattle using one-step and selection index blending. J. Dairy Sci. 95:909–917.

Tsuruta, S., I. Misztal, I. Aguilar, and T. J. Lawlor. 2011. Multipletrait genomic evaluation of linear type traits using genomic and phenotypic data in US Holsteins. J. Dairy Sci. 94:4198–4204.

Tsuruta, S., I. Misztal, and T. J. Lawlor. 2013. Short communication: Genomic evaluations of final score for US Holsteins benefit from the inclusion of genotypes on cows. J. Dairy Sci. 96:3332–3335.

VanRaden, P. M., C. P. Van Tassell, G. R. Wiggans, T. S.Sonstegard, R. D. Schnabel, J. F. Taylor, and F. S. Schenkel. 2009. Invited review: Reliability of genomic predictions for North American Hol-stein bulls. Journal of Dairy Science, 92:16–24.

VanRaden, P. M., J. R. Wright, and T. A. Cooper. 2012. Adjustment of selection index coefficients and polygenic variance to improve regressions and reliability of genomic evaluations. J. Dairy Sci. 95(Suppl. 2):520. (Abstr.)

Vitezica, Z. G., I. Aguilar, I. Misztal, and A. Legarra. 2011. Bias in genomic predictions for populations under selection. Genet. Res. (Camb.) 93:357–366.

Wiggans, G. R., P. M. VanRaden, and T. A. Cooper. 2011b. The genomic evaluation system in the United States: Past, present, future. J. Dairy Sci. 94:3202–3211.

---

[1] Weighted ssGBLUP

---

[1] Single-step Genomic Best Linear Unbiased Prediction

---

[1] Daughter Yield Deviations

[2] Yeild Deviations

[3] Direct Genomic Values

[4] Single Nucleotide Polymorphism

[5] Parent Average

[6] Genomic Estimated Breeding Values

ارتقا آلل ها بوسیله ویرایش ژنوم (Promotion of Alleles by Genome Editing )

هر دم  از این باغ بری می رسد...!

آقای مهدی مومن در ارتباط با ایده ای جدید برای "ادغام نتایج GWAS و Genomic Prediction" مطلبی را برای پست کردن در وبلاگ ارسال کردند که بسیار جالب توجه هست. امیدوارم که شما هم مثل بنده از خواندن آن لذت ببرید و از آقای مومن هم به خاطر زحمتی که جهت تهیه این مطلب کشیدند تشکر میکنم.

فایل کامل مقاله را با کلیک بر روی عنوان مطلب دانلود کنید:

ارتقا آلل ها بوسیله ویرایش ژنوم

Promotion of Alleles by Genome Editing (PAGE)

با توجه به روزهای اخر سال 2015، اگر نگاهی به گذشته تحقیقات مرتبط با ژنتیک و اصلاح نژاد بیاندازیم می بینم که نزدیک به 14 سال از اولین ایده ی انتخاب ژنومی (مقاله معروف میوئسین 2001) و 10 سال از اولین مطالعه موفق در حوزه GWAS( هینیس 2005) گذشت و در طی این سالها همواره مدلهایی برای بهبود عملکرد و کارایی این دو حوزه (تشخیص detection   و پیش بینی prediction  )   بکار گرفته شد و بارها مورد ارزیابی قرار گرفتند و با وارد شدن تحقیقات از سطح تئوری و آزمایشگاهی به  سطح عملی در صنعت، محققین بالعینه نتایج را مشاهده نمودند و در سال 2009 اولین نتایج مثبت انتخاب ژنومی در صنعت به بار نشست. اما تقریبا 18 ماه گذشته 2 مقاله با ایده جدید در زمینه اصلاح نژاد منتشر شد که این دو مقاله نوید باز شدن حوزه جدیدی جهت تلفیق و بکار گیری همزمان روش های detection  و prediction را می دهد (این دو مقاله در قسمت منابع ادرس دهی شده اند جهت مطالعه بیشتر می توانید به انها رجوع کنید). انتخاب ژنومی با اینکه توانست انقلابی در سرعت پیشرفت ژنتیکی ایجاد کند به نظر می رسد اشتهای سیری ناپذیر محققین ژنتیک و اصلاح گران دام و نبات هنوز ارضا نشده و بدنبال راههای دیگری جهت تسریع هرچه بیشتر پیشرفت ژنتیکی هستند بگونه ای که در یکی از مقاله هایی که چندماه پیش توسط محققین موسسه تحقیقاتی روزلین چاپ گردید. جان ام هیکای رهبر این گروه ادعا کرد که با استفاده از ویرایش ژنوم و ارتقاع آلل ها (PAGE) می توان سرعت انتخاب ژنومی را 4 برابر کرد!!!!!؟؟؟   PAGEتکنیکی جدید هست که محققین را قادر می سازد بطور کاملا دقیق کدهای ژنتیکی را تغییر دهند (اضافه، حذف یا جایگزین). PAGE کاملا متفاوت از مهندسی ژنتیک می باشد که یک قطعه از DNA یک گونه بریده و به ژنوم گونه ی دیگری منتقل می شود و جایگاه جدید می تواند هرجایی از ژنوم باشد در حالیکه  PAGE افزودن، حذف یا جایگزینی یکسری از کدهای خاص در یک جایگاه بسیار خاص در ژنوم فرد بوده که منجر به آلل جدید می شود. ایده ی اصلی ویرایش ژنوم این است که با استفاده از قیچی های ژنومی یکسری از نقاط خاص و دقیق ژنوم برش داده شده و و سپس این مناطق توسط تعمیرگرهای DNA با استفاده از بلوک هایی از بازها که در اختیار انها قرار داده میشود تعمیر می شوند. محققین بر این باورند که این تکنولوژی پتانسیل زیادی در زمینه اصلاح دام و نبات خواهد داشت.

از موارد عملی استفاده شده تا کنون در زمینه اصلاح نژاد می توان به بی شاخ نمودن گاوهای هلشتاین از طریق جایگزینی آلل شاخداری با آلل طبیعی، حذف یک باز در ژن مسئول حساسیت به تب ویروسی آفریقایی در خوک، تغییر ژن میوستاتین در گوسفند و گاو می توان اشاره نمود.

جالب اینست که PAGE بطور واقعی از پروسه های طبیعی که پایه ی برنامه های اصلاحی را تشکیل می دهند پیروی می کند. اصلاح گران از تنوع ژنتیکی که در داخل یک گونه وجود دارد استفاده می کنند و این تنوع ناشی از موتاسیون هایی هست که بصورت طبیعی رخ می دهند. این تنوعات یا موتاسیونها، قویا مسئول تمامی تفاوت های موجود بین افراد می باشند. اگر چه پستاندارن متفاوت دارای بسیاری از ژنـ­های مشابه می باشند و به استثنای دوقلوهای یکسان، میلونها تنوع در سطح ژنوم دوفرد از یک گونه وجود دارد. در یکی از این مقالات، با استفاده از آنالیز کل توالی ژنوم شامل 234 گاو از سه نژاد، بیش از 28 میلیون واریانت شامل insertion-deletion-SNP مشاهده شد که تنها نسبت اندکی از این موتاسونها توسط اصلاح گران انتخاب و مورد بهره برداری قرار گرفته اند و اکثر انها خاموش بوده و تاثیری بر صفت مورد گزینش نداشته اند. داده های حاصل از پروژ های بزرگ ژنومیک و توالی یابی وضعیت هایی را نشان می دهند که توالی یک آلل بصورت طبیعی بوجود امده باعث برتری عملکرد آن در هنگامی میشود که حیوان آلل جایگرین آن ژن را به ارث می برد. تصور می شود که ممکن است نقش ویرایشگر ژنوم حیوان برای آلل برتر داشته باشد یا اینکه در چندین نقطه از ژنوم یا حتی ژن ها مختلف ویرایش انجام دهد. مزیت ویرایش ژن نسبت به انتخاب مرسوم برای انتقال این آلل های طبیعی واقع شونده از یک فرد به فرد دیگر اینست که به ندرت تمامی این آلل ها در یک فرد جمع می شوند و ویرایش ژنوم این فرصت را بوجود می اورد که فراوانی این آلل ها را در یک فرد یا یک نژاد با سرعت بیشتری انجام داد نسبت به حالتی که در برنامه های اصلاح نژادی خاضر اتفاق می افتد.

اما باید یاداور شد که صفات کمی اغلب بوسیله تعداد زیادی ژن کنترل میشوند. و شناسایی تمامی این ژنها نه امکانپذیر بوده و نه می توان برای تمامی آنها ویرایش انجام داد اما این امکان وجود دارد که بتوان برای جایگاههای بزرگ اثرویرایش انجام داد تا نواقص را برطرف نموده و انتخاب معمولی برای ارتقاء جایگاههای کوچک اثر با توجه به اهداف اصلاحی ادامه پیدا کند. ویاریش ژنوم مکانیسمی را پیشنهاد می کند که طی آن هزاران مارکر SNP کشف شده در پروژه های توالی یابی ژنوم  دام ها، اطلاعات بدست امده از مطالعات پویش ژنومی متعدد و SNPهای علی (QTNها) طور موثری وارد تنوع ژنتیکی شده و در برنامه های اصلاحی مورد استفاده قرار گیرند.

حال باید منتظر بود و دید ایده ی این گروه تحقیقاتی جهت تلفیق انتخاب ژنومی و ویرایش ژنوم تا چقدر در سالهای آتی به واقعیت نزدیک می­شود و چگونه فاز دوم انتخاب ژنومی وارد صنعت میشود(Daetwyler et al., 2014; Jenko et al., 2015).

 

 

Daetwyler, H. D., Capitan, A., Pausch, H., Stothard, P., van Binsbergen, R., Brondum, R. F., . . . 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

http://www.nature.com/ng/journal/v46/n8/abs/ng.3034.html#supplementary-information

 

Jenko, J., Gorjanc, G., Cleveland, M., Varshney, R., Whitelaw, C., Woolliams, J., & Hickey, J. (2015). Potential of promotion of alleles by genome editing to improve quantitative traits in livestock breeding programs. Genetics Selection Evolution, 47(1), 55.