Анализ полокусных оценок аллельного разнообразия STR-маркеров в выборке быков-производителей

Генотипы по 11 локусам микросателлитов ДНК 84 быков семи пород использовали для полокусной оценки 14 показателей аллельного разнообразия/дифференциации. К сформированным матрицам данных из оригинальных и преобразованных оценок размерностью 11×14 применены традиционные и многомерные методы статистики. Наименьшей изменчивостью характеризовались оценки гетерозиготности – 8-14 %. Изменчивость числа аллелей на локус и показателей дифференциации пород была на уровне 20-26%, индексов фиксации – 38-44 %. Установлены статистически значимые корреляции Кендалла (0,8-1,0) между показателями аллельного богатства и гетерозиготности, индексами фиксации, показателями дифференциации. Изменчивость преобразованных оценок показателей разнообразия/дифференциации в пределах локуса была в диапазоне 6-32%, в том числе, по локусам Eth3, Tgla122, Eth225, Bm2113 – 6-12%, локусам Inra23, Tgla126, Eth10 – 15-20 %, локусам Tgla227, Sps115, Tgla53, Bm1824 – 28-32 %. Непараметрический тест Mann-Whitney-Wilcoxon показал статистически значимые различия медиан локуса Eth3 с локусом Bm2113, локуса Tgla126 с локусами Eth3, Inra23, Tgla122, Eth225, Bm2113, Bm1824, Eth10. Анализ главных компонент (РСА) выделил две компоненты с общей информативностью 95,2 %. Первая учитывала 59,4 % общей дисперсии, имела наибольшие нагрузки по показателям внутрипородного разнообразия и была определена как «альфа-компонента». Вторая объясняла 35,8 % общей дисперсии, имела высокие нагрузки по показателям межпородной дифференциации и была определена как «бета-компонента». 2D-РСА-ординация показала, что для анализируемых породных выборок, локусов и мер разнообразия имела место характерная группировка локусов. Локусы Tgla227 и Tgla53 сформировали группу А, группу В – локусы Tgla122, Eth225, Eth10, группу С – локусы Inra23, Bm2113 и Bm1824. Локусы условной группы D (Eth3, Tgla126, Sps115) были определены как «нетипичные». Валидность ординации подтверждали расчётами по редуцированным данным (размерностью 11×7) и методом неметрического многомерного шкалирования (nMDS). Согласованность ординаций по тесту Прокруста была 96 % (pperm = 0,001). Аналогичную классификацию локусов дал кластерный анализ (UPGMA) с бутстрэп-вероятностями кластера А – 73 %, В – 100 %, С – 73 %, D – 47 %. Были рассчитаны дистанции и показатели сходства (S) профилей локусов со сводными оценками по 11 локусам (определены как «истинные»). Локусы Tgla126 и Sps115 имели S ≈ 40 %, Tgla53 и Bm1824 – на уровне 60 %; Inra23, Tgla227 и Bm2113 – 70-75 %, локусы Eth3, Tgla122, Eth225 и Eth10 – 84-88 %. Среднее абсолютное отклонение оценок показателей разнообразия по четырём локусам с S≥84 % от «истинных» оценок было 3,4 %, по четырём локусам с S≤60 % – 12,4 %. По компонентным оценкам для каждого локуса был рассчитан тотальный показатель разнообразия (γLV). Линейная связь γLV с полокусными оценками γ-разнообразия с вероятностью 95 % находилась в интервале 0,73-0,98, ранговая корреляция Кендалла была 0,67 (pvalue = 0,005). Проведённое исследование вносит определённый вклад в расширение инструментариев для обработки молекулярно-генетических данных при анализе аллельного разнообразия в подразделённых популяциях.

1. Денискова Т. Е., Сермягин А. А., Багиров В. А., Охлопков И. М., Гладырь Е. А., Иванов Р. В., Брем Г., Зиновьева Н. А Сравнительное исследование информативности STR и SNP маркеров для внутривидовой и межвидовой дифференциации рода Ovis. Генетика. 2016;52(1):90-96. DOI: https://doi.org/10.7868/S0016675816010021 EDN: VCPJIJ

2. Сермягин А. А., Белоус А. А., Контэ А. Ф., Филипченко А. А., Ермилов А. Н., Янчуков И. Н., Племяшов К. В., Брем Г., Зиновьева Н. А. Валидация геномного прогноза племенной ценности быков-производителей по признакам молочной продуктивности дочерей на примере популяции черно-пестрого и голштинского скота. Сельскохозяйственная биология. 2017;52(6):1148-1156. DOI: https://doi.org/10.15389/agrobiology.2017.6.1148rus EDN: YLSVCC

3. Смарагдов М. Г., Кудинов А. А. Полногеномная оценка инбридинга у молочного скота. Достижения науки и техники АПК. 2019;33(6):51-53. Режим доступа: https://www.elibrary.ru/item.asp?id=39179451 EDN: UQDHGE

4. Sermyagin A. A., Dotsev A. V., Gladyr E. A., Traspov A. A., Deniskova T. E., Kostyunina O. V., Reyer H., Wimmers K., Barbato M., Paronyan I. A., Plemyashov K. V., Sölkner J., Popov R. G., Brem G., Zinovieva N. A. Whole genome SNP analysis elucidates the genetic structure of Russian cattle and its relationship with Eurasian taurine breeds. Genetics Selection Evolution. 2018;50:37. DOI: https://doi.org/10.1186/s12711-018-0408-8

5. Volkova V. V., Abdelmanova A. S., Deniskova T. E., Romanenkova O. S., Khozhokov A. A., Ozdemirov A. A., Sermyagin A. A., Zinovieva N. A. Investigation of the Genetic Diversity of Dagestan Mountain Cattle Using STR-Markers. Diversity. 2022;14(7):569. DOI: https://doi.org/10.3390/d14070569

6. Калашникова В. В., Храброва Л. А., Зайцев А. М., Зайцева М. А., Калинкова Л. В. Полиморфизм микросателлитной ДНК у лошадей заводских и локальных пород. Сельскохозяйственная биология. 2011;46(2):41-45.

7. Deniskova T. E., Dotsev A. V., Selionova M. I., Kunz E., Medugorac I., Reyer H., Wimmers K., Barbato M., Traspov A. A., Brem G., Zinovieva N. A. Population structure and genetic diversity of 25 Russian sheep breeds based on whole genome genotyping. Genetics Selection Evolution. 2018;50:29. DOI: https://doi.org/10.1186/s12711-018-0399-5

8. Харзинова В. Р., Зиновьева Н. А. Паттерн генетического разнообразия у локальных и коммерческих пород свиней на основе анализа микросателлитов. Вавиловский журнал генетики и селекции. 2020;24(7):747-754. DOI: https://doi.org/10.18699/VJ20.669 EDN: BJRYAW

9. Kharzinova V. R., Dotsev A. V., Solovieva A. D., Shimit L. D.-O., Kochkarev A. P., Reyer H., Zinovieva N. A. Genome-Wide SNP Analysis Reveals the Genetic Diversity and Population Structure of the Domestic Reindeer Population (Rangifer tarandus) Inhabiting the Indigenous Tofalar Lands of Southern Siberia. Diversity. 2022;14(11):900. DOI: https://doi.org/10.3390/d14110900

10. Кузнецов В. М. F-статистики Райта: оценка и интерпретация. Проблемы биологии продуктивных животных. 2014;(4):80-104. Режим доступа: https://www.elibrary.ru/item.asp?id=22833217 EDN: TFRDMN

11. Кузнецов В. М. Методы Нея для анализа генетических различий между популяциями. Проблемы биологии продуктивных животных. 2020;(1):91-110. DOI: https://doi.org/10.25687/1996-6733.prodanimbiol.2020.1.91-110 EDN: DSEMYO

12. Weir B. S., Сockerham C. C. Estimating F-statistics for the analysis of population structure. Evolution. 1984;38(6):1358-1370. DOI: https://doi.org/10.2307/2408641

13. Jost L. GST and its relatives do not measure differentiation. Molecular Ecology. 2008;17(18):4015-4026. DOI: https://doi.org/10.1111/j.1365-294X.2008.03887.x

14. Chao A., Ma K. H., Hsieh T. C., Chiu C. H. Online Program SpadeR (Species-richnessPrediction And Diversity Estimationin R). Program and User’s Guide. 2015. URL: http://chao.stat.nthu.edu.tw/wordpress/software_download/

15. Sherwin W. B. Entropy and Information Approaches to Genetic Diversity and its Expression: Genomic Geography. Entropy. 2010;12(7):1765-1798. DOI: https://doi.org/10.3390/e12071765

16. Кузнецов В. М. Сравнение методов оценки генетической дифференциации популяций по микросателлитным маркерам. Аграрная наука Евро-Северо-Востока. 2020;21(2):169-182. DOI: https://doi.org/10.30766/2072-9081.2020.21.2.169-182 EDN: FYQNTE

17. Кузнецов В. М. Оценка генетической дифференциации популяций молекулярным дисперсионным анализом (аналитический обзор). Аграрная наука Евро-Северо-Востока. 2021;22(2):167-187. DOI: https://doi.org/10.30766/2072-9081.2021.22.2.167-187 EDN: LGYMFT

18. Кузнецов В. М. Информационно-энтропийный подход к анализу генетического разнообразия популяций (аналитический обзор). Аграрная наука Евро-Северо-Востока. 2022;23(2)159-173. DOI: https://doi.org/10.30766/2072-9081.2022.23.2.159-173 EDN: LSSUYZ

19. Putman A. I., Carbone I. Challenges in analysis and interpretation of microsatellite data for population genetic studies. Ecology and Evolution. 2014;4(22):4399-4428. DOI: https://doi.org/10.1002/ece3.1305

20. Peakall R., Smouse P. E. GENALEX 6: genetic analysis in Excel. Population genetic software for teaching and research. Molecular Ecology Notes. 2006;6(1):288-295. DOI: https://doi.org/10.1111/j.1471-8286.2005.01155.x

21. Peakall R., Smouse P. E. GenAlEx 6.5: Genetic analysis in Excel. Population genetic software for teaching and research – an update. Bioinformatics. 2012;28(19):2537-2539. DOI: https://doi.org/10.1093/bioinformatics/bts460

22. Smouse P. E., Whitehead M., Peakall R. An informational diversity framework, illustrated with sexually deceptive orchids in early stages of speciation. Molecular Ecology Resources. 2015;15(6):1375-1384. DOI: https://doi.org/10.1111/1755-0998.12422

23. Hammer Ø., Harper D. A. T., Ryan P. D. PAST: Paleontological statistics software package for education and data analysis. Palaeontologia Electronica. 2001;4(1):1-9.

24. Camúñez L. E. M., Roca C. F., Tornero R. Guía de KyPlot: Programa de análisis de datos en contexto científico. Facultat de Física-Universitat de València (UVEG). 2008. 33 p.

25. Jackson D. A. PROTEST: A PROcrustean Randomization TEST of community environment concordance. Ecoscience. 1995;2(3):297-303. DOI: https://doi.org/10.1080/11956860.1995.11682297

26. Peres-Neto P. R., Jackson D. A. How well do multivariate data sets match? The advantages of a Procrustean superimposition approach over the Mantel test. Oecologia. 2001;129(2):169-178. DOI: https://doi.org/10.1007/s004420100720

27. Dray S., Chessel D., Thioulouse J. Procrustean co-inertia analysis for the linking of multivariate datasets. Écoscience. 2003;10(1):110-119. DOI: https://doi.org/10.1080/11956860.2003.11682757

28. Kruskal W. H., Wallis W. A. Use of ranks in one-criterion variance analysis. Journal of the American Statistical Association. 1952;47(260):583-621. DOI: https://doi.org/10.2307/2280779

29. Ким Дж.-О., Мьюллер Ч. У., Клекка У. Р., Олдендерфер М. С., Блэшфилд Р. К. Факторный, дискриминантный и кластерный анализ. Пер. с англ. Под ред. И. С. Енюкова. М.: «Финансы и статистика», 1989. 215 с.

30. Henderson C. R. Selection index and expected genetic advance. In: «Statistical genetics and plant breeding». Hanson W. D. and Robinson H. F. (eds). NAS-NRS. 1963. Pp.141-163.