Genome wide association study to identify genome region associated with methane emission in cattle using 30K panel

Document Type : Research Paper

Authors

1 Department of Animal Science, College of Agriculture and Natural Resources, University of Tehran, Karaj, I.R. of Iran

2 Department of Animal Science, College of Agriculture, Iowa State University, 806 Stange Road, Ames, IA 50011, USA

3 Department of Animal Science and Aquaculture, Dalhousie University, Truro, B2N 5E3, Canada

Abstract

The agriculture contribute to 50-60 % of global methane emission and ruminants have a key role in this contribution. Methane has an important role in global warming and it's global warming potential is 25 times greater than CO2. Furthermore, methane is the second most abundant global anthropogenic greenhouse gas after carbon dioxide. The present study aimed to perform genome wide association study to identify genome regions affecting the predicated methane production based on the concentrations of volatile fatty acids of rumen in Iranian Holstein cattle. One-hundred and fifty hair and rumen digesta samples were sampled using the two-tailed strategy based on breeding values of milk. After the measurement of the concentration of volatile fatty acids of rumen, methane emission of each animal was predicated according to these acids. DNA of animals was genotyped using GGP-LD v4 SNP panel (contains 30108 SNPs). Fourteen significant SNPs associated with methane emission trait located on 1, 2, 6, 10, 15, 17 and 18 chromosome were identified. Using annotating some quantitative trait locus (QTLs) were discovered around some of these SNPs. The results showed a genetic selection potential to mitigate methane emission per animal. Since genetic improvements are heritable, cumulative, and permanent, this improvement would be permanent and beneficial.

Keywords

Main Subjects

پویش کل ژنومی برای شناسایی نواحی ژنومی مرتبط با انتشار متان در گاو با استفاده از تراشه 30K

علی جلیل سرقلعه 1 و 3*، حسین مرادی شهربابک1، محمد مرادی شهربابک1، اردشیر نجاتی جوارمی1، مهدی ساعتچی2 و یونس میار3

1ایران، دانشگاه تهران، پردیس کشاورزی و منابع طبیعی، گروه علوم دامی

2آمریکا، دانشگاه ایالتی آیووا آمریکا، دانشکده علوم کشاورزی و زیستی، گروه علوم دامی

3کانادا، دانشگاه دالهوزی، دانشکده کشاورزی، گروه علوم دامی و آبزیان

تاریخ دریافت: 06/10/1397          تاریخ پذیرش: 16/11/1397

چکیده

در سطح جهانی 60-50 % متان از بخش کشاورزی تولید می­شود که بویژه حیوانات نشخوارکننده در این میان نقش کلیدی دارند. در این میان متان نقش بسیار قوی در گرم شدن جهان دارد به طوری که توانایی این گاز در گرم کردن کره زمین 25 برابر دی اکسید کربن می­باشد و بعد از گاز دی­اکسید کربن، متان دومین گاز گلخانه­ای از لحاظ مقدار می­باشد. هدف از تحقیق حاضر پویش کل ژنومی برای شناسایی نواحی ژنومی موثر بر متان پیش­بینی شده براساس غلظت اسیدهای چرب فرار مایع شکمبه در گاو هلشتاین ایران بود. در این راستا مو و مایع شکمبه (از طریق لوله مری) از 150 راس حیوان بر اساس روش ارزش­های اصلاحی صفت تولید شیر دوطرفه نمونه­گیری شد. بعد از اندازه­گیری غلظت اسیدهای چرب فرار مایع شکمبه، انتشار متان به ازای هر حیوان با استفاده از این اسیدها اندازه­گیری شد. DNA حیوانات با GGP-LD v4 SNP panel (حاوی SNPs30٬108) ژنوتایپ شدند. در این مطالعه SNPs14 معنی­دار مرتبط با صفت انتشار متان در کروموزم­های 1، 2، 6، 8، 10، 15، 17 و 18 شناسایی گردید. Annotating برای شناسایی Quantitative trait locus (QTL)­های اطراف این SNP­های معنی­دار، یکسری QTL­های مرتبط با شیر تولیدی و ترکیب­های آن، وزن بدن و خوراک مصرفی باقی­مانده اطراف بعضی از این SNP­ها را نشان داد. این نتایج نشان دهنده پتانسیل انتخاب ژنتیکی برای کاهش انتشار متان به ازای هر حیوان را نشان می­دهد به طوری که بهبود حاصل از انتخاب ژنتیکی به دلیل توارث­پذیری، تجمعی و دائمی بودن بسیار مفید می­باشد.

واژه­های کلیدی: انتشار متان، مطالعه پویش کل ژنومی، گاو

* نویسنده مسئول، تلفن: 02333224561 ، پست الکترونیکی: ali_jalil17@ut.ac.ir

مقدمه

 

مجمع بین‌المللی تغییرات آب‌ و هوایی گزارش کرده است در طول قرن گذشته متوسط دمای جهانی 7/0 درجه سلسیوس افزایش یافته است (2). بر اساس این گزارش، دلیل اصلی افزایش این دما افزایش انتشار گاز گلخانه­ای با منابع انسانی از اواسط قرن بیستم بوده است. به طوری که مطالعات نشان داده است از سال 1970 تا سال 2004 میزان دی­اکسید کربن و متان به ترتیب 80 % و 40 % افزایش داشته­اند (32). همچنین گزارش شده که تجمع گازهای گلخانه ­ای در جو زمین سبب می­شوند که دمای سطح جهانی 1 تا 6 درجه در قرن 21 افزایش یابد (39). در این میان متان نقش بسیار قوی در گرم شدن جهان دارد به طوری که توانایی این گاز در گرم کردن کره زمین 25 برابر دی اکسید کربن می­باشد و بعد از گاز دی­اکسید کربن، متان دومین گاز گلخانه­ای از لحاظ مقدار می­باشد (8). لذا این گاز باعث افزایش بخارآب در استراتوسفر می­شود که می­تواند نور تابشی این گاز را 70 % بیشتر کند (21). از مهم­ترین تغییرات جوی یا مهم­ترین آثار گرم شدن کره زمین می­توان به افزایش دما، ذوب شدن یخ­های قطب شمال و جنوب و به دنبال آن رها شدن گاز متان، بالا آمدن سطح دریاها، کاهش قطر لایه ازون، افزایش شدت طوفان­ها و وقایع جوی، کاهش pH و اکسیژن در اقیانوس­ها، گسترش نواحی بیابانی، نیمه گرمسیری زمین، تغییر در زمین­های کشاورزی، انقراض گونه­ها و نیز تغییر در میزان انتقال­دهنده­های بیماری و گسترش بیماری­هایی نظیر مالاریا اشاره کرد (2). برای مثال، ذوب شدن برف­های کوه هیمالیا، طغیان آب رودخانه­ها، زلزله سونامی و گردباد­ها، همگی بلاهای طبیعی ناشی از تغییرات جوی و گرم شدن کره زمین هستند. با توجه به این که ارگانیسم­ها و اکوسیستم­ها نسبت به تغییر pH حساس بوده و محدوده خاصی از آن سازگار هستند، این مسأله بسیار نگران کننده است و می­تواند شبکه­های غذایی را تخریب کرده و جوامع انسانی را که وابسته به اکوسیستم­های آبزیان هستند به شدت تحت تاثیر قرار می­دهند (2).

در سطح جهانی 60-50 % متان از بخش کشاورزی تولید می­شود که بویژه حیوانات نشخوارکننده در این میان نقش کلیدی دارند (7). تولید متان به عنوان یک محصول در نتیجه فعالیت تخمیر میکروبی ایجاد می­گردد به طوری که متان یک گاز بی­رنگ، بی­بو و در نشخوارکنندگان 78 % از آن در شکمبه و 13 % در روده تولید می­شود (29). تبدیل مواد خوراکی به متان طی یکسری فرآیند توسط گونه­های مختلف میکروبی انجام می­گیرد که در مرحله نهایی متان توسط آرکایای متانوژن تولید می­گردد (23 و 28). بنا بر گزارش­ها، یک گاو شیری امروزه در آمریکا 4/1-1 پوند متان به ازای هر روز تولید می­کند (3). به طوری که تولید این گاز در گاو شیری و گاو گوشتی به ترتیب باعث هدر رفتن 9-5/5 % و 5/6-5/3 % از انرژی مصرفی می­شود (17). همچنین بیان شده است که نشخوارکنندگان اهلی، مثل گاو، گوسفند و بز 86 میلیون تن متان به ازای هر سال تولید می­کنند که تقریباً 9/18 میلیون تن توسط گاو شیری، 9/55 میلیون تن توسط گاو گوشتی و 5/9 میلیون تن توسط گوسفند و بز تولید می­شود (24). که این حجم گاز متان تولید شده نه تنها باعث افزایش گرمایی جهان شده است بلکه 2 % تا 15 % از انرژی خوراک مصرفی صرف تولید متان در شکمبه می­شود که از طریق دهان و بینی حیوان خارج می­گردد (28). این رویداد باعث کاهش میزان سود دامدار می­شود. علاوه بر این محققین گزارش کردند که در گاو شیری، افزایش سطح دما و رطوبت بالاتر از یک آستانه خاص باعث کاهش تولید شیر، پروتئین و باروری می­شود (10 و 12). در این میان بیش از 264 میلیون گاو شیری در جهان وجود دارد به طوری که گاو هلشتاین یکی از گاوهای شیری غالب در دنیا می­باشد در سال 2005 گزارش شده 61 % از 47/3 میلیون گاو شیری در متحده بریتانیا ازگاو هلشتاین می­باشد (همه این 61 % اصیل یا خالص نیستند). علاوه بر این آمار نامه کشاورزی وزارت جهاد کشاورزی در سال 1396 بیان کرد که جمعیت گاو اصیل، آمیخته و بومی در ایران به ترتیب 4/1٬143 ، 3/4٬486 و 48/2٬523 (ارقام بصورت هزار راس است) می­باشد (1) که اکثریت گاوهای اصیل و گاو تلاقی یافته با گاوهای بومی، گاو هلشتاین می­باشد. این گزارش­ها حاکی از این است که این نژاد گاو تاثیر قابل توجهی در تامین مواد لبنی و گوشت در ایران و جهان را دارد.

بیان شده است اصلاح ژنتیکی از طریق انتخاب می­تواند متان تولیدی را کاهش بدهد به طوری که گاوهای نژادهای مختلف نرخ تولید متان متفاوتی از هم دارند بطور مثال گاوهای جرسی در مقایسه با گاوهای هلشتاین به علت تبدیل راندمان خوراک بهتر، انتشار متان کمتری دارند (11). بنابراین کاهش اندازه بدن در نژادهای با تولید متان بالا بدون کاهش تولید شیر، می­تواند به عنوان یک راهکار بالقوه جهت بهبود ضریب تبدیل غذایی و کاهش انتشار متان مطرح باشد. دلیل آن این است که با این رویکرد احتیاجات غذایی نگهداری کاهش می­یابد (3). انتخاب برای تولید شیر بیشتر از سال 1990 تا 2010 باعث کاهش13 % متان به ازای هر کیلوگرم شیر شده است (41). De Haas و همکاران (2011) گزارش کردند که وراثت­پذیری متان تولیدی پیش­بینی شده به ازای شیر تصحیح شده برای محتوای چربی و پروتئین به ترتیب معادل با 35/0 و 58/0 می­باشد (5). علاوه براین در مطالعات پویش کل ژنومی(GWAS= Genome-wide association study) چندین (SNP= Single nucleotide polymorphism) در ارتباط با انتشار متان اندازه­گیری شده یا پیش­بینی شده در گاو هلشتاین (5) و آنگوس (13) شناسایی شده است. همه این شواهد نشان دهنده وجود پتانسیل بالقوه ژنتیکی برای کاهش میزان متان از طریق انتخاب ژنتیکی بر اساس متان تولیدی به ازای هر حیوان در گاوها می­باشد.

یکی از دلایل عدم توجه کافی به صفت تولید متان به ازای هر حیوان در گذشته به این علت است که متان تولیدی یکی از صفاتی است که اندازه­گیری آن دشوار و پرهزینه است و انتشار آن به طور مرسوم در واحدهای تولیدی گاو شیری اندازه­گیری نمی­شود. همچنین اندازه­گیری متان تولیدی با استفاده از روش­هایی مانند اتاق تنفس پرهزینه بوده است. اخیراً Pickering و همکاران ( 2015) بیان کردند اگرچه چندین تحقیق در مورد اندازه­گیری انتشار متان در محیط­های مختلف گزارش شده است ولی هنوز نیاز به کارهای بیشتری است قبل از اینکه انتخاب جهت کاهش انتشار متان را بتوان وارد برنامه­های اصلاح نژادی کرد (33). با توجه به وجود یک رابطه قوی بین غلظت اسیدهای چرب فرار و میزان متان تولید شده در شکمبه، امروزه یکی از روش­های پیش بینی میزان متان تولیدی به ازای هر راس دام بر اساس غلظت اسیدهای چرب فرار تولیدی در شکمبه می­باشد. به طوری که یکی از عوامل کلیدی که تاثیر قابل توجهی بر میزان متان تولیدی به ازای هر راس دام دارد نسبت اسیدهای چرب فرار تولیدی در محیط شکمبه می­باشد. اسیدهای چرب فرار جزء محصولات مهم و حد واسط تولید گاز متان هستند. محققین بیان کرده­اند که نرخ تبدیل اسیدهای چرب فرار به متان به ترتیب از بیشترین به کمترین بصورت اسید استیک، بوتیرات و پروپیونات می­باشد این اسیدها قبل از اینکه به متان تجزیه شوند اول به اسید­ استیک تجزیه می­شوند، لیکن نرخ تبدیل آنها به ترتیب از بیشترین به کمترین بصورت بوتیرات و پروپیونات است (34). بنا به این گزارش­ها که بیان کننده این است گاز متان دارای نقش کلیدی در اثرات مخرب زیست محیطی و هدر رفتن انرژی در گاو دارد به نظر می­رسد تحقیقی به منظور شناسایی نواحی ژنومی مرتبط با صفت انتشار متان در گاو هلشتاین با استفاده از روش GWAS ضروری باشد. به طوری که شناسایی نواحی ژنومی مرتبط با این صفت این فرصت را فراهم خواهد کرد که بتوان انتشار متان را به ازای هر حیوان از طریق انتخاب ژنتیکی کاهش داد.

مواد و روشها

نمونه­گیری: از آنجایکه اندازه­گیری انتشار متان در نشخوارکنندگان دشوار و پرهزینه است و بطور مرسوم در صنعت گاو شیری اندازه­گیری نمی­شود و اینکه یک همبستگی بالا (68/0-) بین ارزش­های اصلاحی شیر و انتشار متان وجود دارد (18). در نتیجه در تحقیق حاضر بر اساس نتایج مطالعه Jiménez-Montero و همکاران (2012) و وجود همبستگی بین ارزش­های اصلاحی تولید شیر و انتشار متان، نمونه­گیری بر اساس روش ارزش­های اصلاحی صفت تولید شیر دوطرفه انجام شد (16). به طوری که گاوها در یکی از شرکت­های هلدینگ گسترش کشاورزی و دامپروری فردوس پارس بر اساس ارزش اصلاحی صفت تولید شیر از بزرگ به کوچک مرتب شدند و 150 راس گاو ماده برای نمونه­گیری مشخص شد. این 150 حیوان به دو زیر جمعیت 75 راسی تقسیم شدند که یک زیرجمعیت دارای بیشترین ارزش اصلاحی و زیر جمعیت دیگر دارای کمترین ارزش اصلاحی برای صفت ارزش اصلاحی تولید شیر بود. جهت نمونه­گیری از مایع شکمبه، لوله مری از طریق مری وارد محیط شکمبه شده و سپس از طریق ایجاد خلا مایع شکمبه در یک لوله به حجم ml 5 ریخته شد در این لوله ها مایع شکمبه به نسبت ml 5 به 100 میکرولیتر اسید سولفوریک 50 درصد مخلوط شد. این نکته قابل ذکر است که  ml50-20 مایع اولیه شکمبه دور ریخته می شد به دلیل اینکه حاوی مقادیر بالای از بزاق بود. همچنین نمونه­های مو بر اساس پروتکل شرکت GeneSeek گرفته و در کارت مو مخصوص این شرکت قرار داده شد براساس این پروتکل موها در ناحیه دم گاو در خلاف جهت دم جدا می شد تا پیاز مو کافی جهت استخراج DNA وجود داشته باشد و این نکته مد نظر قرار می گرفت که این موها حاوی مدفوع نباشند. این نکته قابل ذکر است ارزش اصلاحی صفت تولید شیر برای این گاوها توسط کارشناسان مرکز اصلاح نژاد و بهبود تولیدات دامی کشور از طریق معادله 3-1 زیر تخمین زده شده بود.

معادله 1:             yij= 𝜇+hysi+aij+eij

در این مدل yij تولید شیر (برای 305 روز و دوبار دوشش تصحیح شده)، 𝜇 میانگین جمعیت، hysi  اثر گله-سال-فصل زایش، aij  ارزش اصلاحی دام j ام در گله-سال-فصل زایش i ام و eij  اثر باقیمانده است. ویژگی­های آماری داده­های ارزش­های اصلاحی شیر و اجزای متشکل آن در جمعیت مورد مطالعه در جدول­ 1 نشان داده شد.

 

جدول1- ویژگی­های آماری ارزش اصلاحی صفت های تولید شیر، اجزای متشکل آن و متان پیش­بینی شده در جمعیت مورد مطالعه

صفت

میانگین

کمینه

بیشینه

انحراف معیار

CV (%)

ارزش اصلاحی تولید شیر (kg)

22/870

2/1299-

1/2475

41/903

81/103

ارزش اصلاحی تولید چربی (kg)

31/29

28/34-

730/82

47/24

21/84

ارزش اصلاحی درصد چربی شیر

01/0

21/0-

38/0

099/0

68/900

ارزش اصلاحی پروتئین شیر (kg)

91/24

75/31-

78/67

93/16

99/67

ارزش اصلاحی درصد پروتئین شیر

01/0-

38/0-

53/0

018/0

58/3009-

انتشار متان پیش بینی شده (ml)

88/14819

8564

19315

15/2235

08/15

 

 

اندازه­گیری اسیدهای چرب فرار و پیش­بینی گاز متان تولیدی: اسیدهای چرب فرار مایع شکمبه از طریق روش ارائه شده توسط Ottenstein  و همکاران 1971 در آزمایشگاه تغذیه دام گروه علوم دامی دانشگاه تهران اندازه­گیری شدند (31). در این روش لوله­های حاوی مایع شکمبه به مدت 15 دقیقه در 3500 دور سانتریفیوژ شد و سپس 400 میکرولیتر مایع رویی را برداشته و به آن 100 میکرولیتر استاندارد داخلی (4-متیل والریک اسید) اضافه گردید و در ادامه این نمونه­ها جهت اندازه­گیری اسیدهای چرب فرار در دستگاه کروماتوگرافی گازی با ستون شیشه­ای (2 متر × 45 میلی­متر) Philips مدل PU4410 بارگذاری شدند. با توجه به وجود یک رابطه قوی بین غلظت اسیدهای چرب فرار و میزان متان تولید شده در شکمبه، بر اساس روش Wolin (1960) میزان متان تولیدی به ازای هر راس دام محاسبه شد (42). معادله مورد استفاده برای پیش بینی تولید متان بصورت ذیل می­باشد:

معادله 2:

CH4(ml)= 22.4×(0.5×Ac−0.25×Pr+0.5×Bu)

در این معادله: CH4: میزان متان پیش­بینی شده به ازای هر راس دام، Ac: مقدار غلظت اسید استیک، Pr: مقدار غلظت اسید پروپیونیک و Bu: مقدار غلظت اسید بوتیرات می­باشند.

برای پیش­بینی کل متان تولیدی روزانه به ازای هر حیوان بدین صورت عمل کرد. مرحله اول: میزان خوراک مصرفی به ازای هر دام بر اساس روش پیشنهادی Lindgren و همکاران (2001) محاسبه گردید (22). مرحله دوم: میزان کل متان تولیدی روزانه هر دام از طریق حاصلضرب متان پیش بینی شده (در معادله 2 برای هر دام محاسبه شده بود) در میزان خوراک مصرف شده (که در معادله 3 برای هر دام محاسبه شده بود) محاسبه شد.

معادله 3:

DMI (kg/day) = 5.7 + 0.43 × kg milk

در این معادله: DMI: میزان خوراک مصرفی پیش­بینی شده به ازای هر راس دام و milk: مقدار شیر تولیدی روزانه می­باشد. ویژگی­های آماری داده­های صفت انتشار متان در جدول­ 1 نشان داده شد.

ژنوتایپینگ و کنترل کیفیت: کارت مو 150 حیوان جهت ژنوتاپینگ برای شرکت GeneSeek در کشور آمریکا فرستاده شد. به طوری که این نمونه­ها با GGP-LD v4 SNP panel (حاوی SNPs30٬108) ژنوتایپ شد جهت کنترل کیفیت ژنوتایپینگ از چهار معیار زیر در نرم­افزار PLINK 2.0 استفاده شد (27):

  • Animal call rate: در این معیار حیوانات با بیش از 5 % ژنوتایپ از دست رفته حذف گردید.
  • حداقل فراوانی آللی (MAF= Minor allele frequency): SNPهای با MAF کمتر از 5 % حذف ­گردید.
  • SNP call rate: SNP­های که برای بیش از 5 % حیوانات ژنوتایپ نشده حذف گردید.
  • تعادل هاردی-واینبرگ: چون در طی ژنوتایپینگ ممکن است بعضی از ژنوتایپ­های هتروزیگوت در اثر عدم خوانش درست به عنوان ژنوتیپ هموزیگوت خوانده شوند به طوری که افزایش مقدار این خطا برای یک جایگاه باعث خارج شدن بیش از حد آن جایگاه از تعادل هاردی-واینبرگ می­شود. بنابراین جایگاه­های که P-Value آزمون کای­اسکور آن کمتر از 6-10 باشد حذف شدند تا جایگاه­های با عدم خوانش صحیح حذف گردد.

آنالیز GWAS برای شناسایی نواحی ژنومی مرتبط با انتشار متان: جهت شناسایی عوامل ثابت موثر بر صفت انتشار متان در GWAS، داده­ها با استفاده از تجزیه واریانس حداقل مربعات با استفاده از رویه (GLM= Generalized linear model) در نرم افزار SAS نسخه 1/9 (37) مورد آنالیز قرار گرفتند. آنالیز ارتباط بین ژنوتیپ­ها و صفت انتشار متان با استفاده از یک مدل خطی مختلط در نرم افزار EMMAX (19) انجام شد. EMMAX بطور همزمان در آنالیز GWAS برای لایه­بندی جمعیتی و خویشاوندی تصحیح انجام می­دهد. معادله مورد استفاده در GWAS بصورت زیر می­باشد:

معادله 4:                                     y = Xβ + Zu + e

در این مدل y  بردار مشاهدات، X ماتریس ضرایب برای عوامل ثابت شامل میانگین، کورایت­ها و اثرات SNP می­باشد، β بردار اثرات ثابت، Z ماتریس ضرایب اثرات تصادفی ژنتیک افزایشی، u بردار اثرات تصادفی ژنتیکی افزایشی و e بردار اثرات باقی­مانده می­باشد. علاوه بر این Var(u) =  و var(e) =  می­باشد که K یک ماتریس خویشاوندی ژنومی (Genomic kinship matrix) با استفاده از داده­های ژنوتیپ محاسبه شد و سپس در مدل مورد استفاده قرار گرفت و I یک ماتریس یکه (Identity matrix) می­باشد. و در نهایت QTLdb گاو (https://www.animalgenome.org/cgi-bin/QTLdb/BT/ index) جهت شناسایی QTL= Quantitative trait locus های اطراف (داخل یک مگا باز) SNP­های که آستانه تصحیح بنفرونی به ازای هر کروموزوم گذرانده بود مورد استفاده قرار گرفت.

نتایج و بحث

آنالیز تجزیه واریانس حداقل مربعات با استفاده از رویه GLM نشان داده بود که اثر بهاربند و سن حیوان برای صفت انتشار متان پیش­بینی شده معنی­دار بود (05/0 >P ). بعد از کنترل کیفیت ژنوتایپینگ براساس معیارهای مذکور در بخش و مواد روش­ها، SNPs23٬835 دارای کیفیت مناسب برای آنالیز GWAS را داشته بودند. نتایج GWAS برای صفت انتشار متان در نمودار منهتن در شکل 1 نمایان شده است. همانطوریکه در این شکل مشاهده می­شود بر اساس آستانه ارتباط پیشنهادی ( 5-10 P <)، SNPs43 از این آستانه گذر کردند. علاوه بر این بر اساس معیار آستانه تصحیح بنفرونی به ازای کل ژنوم (6-10 × 09/2P<)، SNPs14 معنی­دار بودند (شکل 1). این SNP­های در کروموزم­های 1، 2، 6، 8، 10، 15، 17 و 18 قرار گرفتند. خصوصیات SNP­های با بیشترین معنی­داری در نواحی معنی­دار برای صفت انتشار متان در جدول 2 آورده شده است. همانطوریکه در این جدول مشاهده می­شود ARS-BFGL-NGS-116634 و BovineHD1800009917 بیشترین و کمترین معنی­داری نشان دادند.

روش­های اصلاح­نژادی کلاسیک از اطلاعات فنوتیپی و شجره­ای جهت تخمین پارامترهای ژنتیکی (وراثت­پذیری و همبستگی­های ژنتیکی بین صفت­ها) و ارزش­های اصلاحی برای صفات مهم در افراد مختلف استفاده می­کند. میزان پیشرفت ژنتیکی حاصل از بکاربردن روش­های کلاسیک برای صفات با توارث­پذیری کم-متوسط نسبتا کم بوده است (26). علاوه ­بر این اندازه­گیری بعضی از صفت­ها دشوار و پرهزینه است (بطور مثال متان تولیدی یکی از صفاتی است که اندازه­گیری آن دشوار و پرهزینه است و انتشار آن به طور مرسوم در واحدهای تولیدی اندازه­گیری نمی­شود)، بنابراین کاربرد روش­های اصلاح­نژادی کلاسیک برای این صفت­ها با محدودیت­هایی روبرو هستند. تنوع موجود در توالی DNA بین حیوانات یک فرصت جهت پیش­بینی ارزش­های اصلاحی و شناسایی نواحی مرتبط با صفات مهم اقتصادی با صحت بیشتر را فراهم کرده است. بنابراین انتخاب به کمک نشانگر به طور گسترده جهت شناسایی QTL­های مرتبط با صفت­های مهم در حیوانات اهلی انجام شده است (6). به دلیل اینکه صفت­های اقتصادی مهم توسط تعداد زیادی ژن کنترل می­شوند. بنابراین باتوجه به اینکه در (MAS= Marker-assisted selection) تعداد کمی QTL در نظر گرفته می­شود لذا بخشی ناچیزی از واریانس ژنتیکی به گیر می­افتد (9). امروزه به علت پیشرفت وسیع در تکنولوژی توالی­یابی و روش­های آماری، مطالعات GWAS به یک روش مرسوم برای یافتن QTL در بسیاری از گونه­ها تبدیل شده است. GWAS در مقایسه با MAS یک فرصت مناسب جهت به تله انداختن مقدار بیشتری از واریانس صفت­های مهم را فراهم کرده است. این اطلاعات امکان کاربرد انتخاب ژنومیک در صنعت دامپروری را فراهم می­کند به طوری که بر اساس گزارش­ها، انتخاب ژنومیک این شرایط را پرورش­دهندگان مهیا می­کند که بتوانند بر اساس اطلاعات نشانگر DNA متراکم ارزش­های اصلاحی را در مراحل اولیه زندگی حیوانات محاسبه کنند (25 و 30). محققین گزارش کردند براساس انتخاب مبتنی بر ژنتیک می­توان متان تولیدی را کاهش داد به طوری که گاوهای نژادهای مختلف نرخ تولید متان متفاوتی از هم دارند بطور مثال گاوهای جرسی در مقایسه با گاوهای هلشتاین به علت تبدیل راندمان خوراک بهتر، انتشار متان کمتری دارند (11). بنابراین کاهش اندازه بدن در نژادهای با تولید متان بالا بدون کاهش تولید شیر، می­تواند به عنوان یک راهکار بالقوه جهت بهبود ضریب تبدیل غذایی و کاهش انتشار متان مطرح باشد. پیشرفت فوق­العاده ناشی از انتخاب ژنتیکی در صنعت گاو شیری همراه با پیشرفت در مدیریت دام­ها در سطح مزرعه در طی 60 سال اخیر منجر به افزایش 400 درصد تولید شیر در آمریکا شمالی شده است (4، 38 و 40). این افزایش در تولید شیر به موازات 64 درصد کاهش در جمعیت گاو شیری و همچنین 57 درصد کاهش گاز متان نسبت به یک واحد محصول تولیدی شده است (4). De Haas و همکاران (2011) گزارش کردند که وراثت­پذیری متان تولیدی پیش­بینی شده به ازای شیر تصحیح شده برای محتوای چربی و پروتئین به ترتیب معادل با 35/0 و 58/0 می­باشد (5). علاوه بر این در مطالعات پویش کل ژنومی (GWAS= Genome-wide association study) چندین (SNP= Single nucleotide polymorphism) در ارتباط با انتشار متان اندازه­گیری شده یا پیش­بینی شده در گاو هلشتاین (5) و آنگوس (13) شناسایی شده است. گزارش شده است انتخاب ژنومیک می­تواند انتشار متان را حدود تقریبا 5 % در طول 10 سال کاهش بدهد (13).

ترکیب فلور میکروب­های شکمبه به طور بالقوه­ای بر صفات کلیدی، مثل ضریب تبدیل خوراک و انتشار متان در دام موثر است. آرکایا متانوژنیک دسته­ای از میکروب­های شکمبه می باشند که فرآیند تولید متان را در محیط شکمبه نشخوارکننده­گان انجام می­دهند. King و همکاران (2011) گزارش کردند فلور میکروبی آرکایا مایع شکمبه در دو نژاد جرسی و هلشتاین تغذیه شده با جیره غذایی یکسان و تحت شرایط مدیریتی یکسان متفاوت بوده است که بنا به گزارش­های این نویسندگان تفاوت در فلور میکروبی آرکایا به علت ژنتیک بوده است (20). Roehe و همکاران (2016) تحت تاثیر قرار گرفتن متان تولیدی و ترکیب جمعیتی آرکایا در اثر گروه­های مختلف فرزندان گاو نر از دو نژاد آبردین آنگوس و لیموزین و جیره غذایی (گروه یک غذا پایه کنسانتره و گروه دو غذا پایه علوفه) را مورد بررسی قرار داده بودند. اثر جیره و نوع نژاد بر میانگین حداقل مربعات نسبت آرکایا به باکتری­ها حاصل از حیوانات زنده یا کشتار شده به ترتیب غیر معنی­دار و معنی­دار بوده است. در برخی موارد تفاوت انتشار متان مشاهده شده میان گروه­های فرزندان گاو نر نسبت به این تفاوت مشاهده شده در جیره­های غذایی بیشتر بوده است که این نشان دهنده تاثیر ژنتیکی قابل توجه میزبان بر روی انتشار متان و ترکیب میکروبی موثر بر تولید متان می­باشد (35). یکی از دلایل عدم توجه کافی به صفت تولید متان به ازای هر حیوان در گذشته به این علت است که متان تولیدی یکی از صفاتی است که اندازه­گیری آن دشوار و پرهزینه است و انتشار آن به طور مرسوم در واحدهای تولیدی گاو شیری اندازه­گیری نمی­شود. بنابراین تحقیق­های مربوط به شناسایی نواحی ژنوم مربوط با صفت انتشار متان محدود و کم است. در نتایج این تحقیق یکسری نواحی ژنومی مرتبط با انتشار متان در گاو هلشتاین شناخته شد. که مشابه با مطالعات قبلی بیانگر این است با استفاده از انتخاب به کمک نشانگر و انتخاب ژنومیک می­توان متان تولیدی را به ازای هر حیوان کاهش داد. نتایج تحقیق ما همچنین نشان داد که کاهش انتشار متان در گاو شیری با استفاده از پروفایل اسیدهای چرب فرار مایع شکمبه به عنوان یک شاخص پیش­بینی کننده انتشار متان امکان­پذیر است. بنابراین با گنجاندن QTL­های مرتبط با صفت انتشار متان در برنامه­های اصلاحی، انتظار می­رود نرخ انتشار متان به ازای هر حیوان کاهش یابد. به طوری که کاهش انتشار متان نیز می­تواند باعث افزایش بهره­وری خوراک مصرفی در گاوهای شیری شود. علاوه بر این برخلاف سایر راهکارهای توسعه یافته جهت کاهش انتشار متان در صنعت گاو شیری مانند تغییر در تنظیم غذایی، افزودنی­های غذایی و واکسن­های آنتی متانوژن، بهبود حاصل از انتخاب ژنتیکی به دلیل توارث­پذیری، تجمعی و دائمی بودن بسیار مفید می­باشد.

نتایج Annotating برای شناسایی QTL­های قرار گرفته در ناحیه Mb1 برای SNP-های معنی­دار در نواحی معنی­دار برای صفت انتشار متان در جدول 3 نمایان شده است. هیچ QTL­ی مرتبط با صفت انتشار متان در ناحیه Mb1 برای SNP­های معنی­دار گزارش نشده است ولی QTL­های مرتبط با شیر تولیدی و ترکیب­های آن، وزن بدن و خوراک مصرفی باقی­مانده اطراف بعضی از این SNP­ها مشاهده شده است (جدول 3).

 

 

شکل 1- نمایانگر –log10 برای P-values در آنالیز GWAS برای صفت انتشار متان. خط آبی رنگ افقی نشان دهنده آستانه ارتباط پیشنهادی ( 5-10 P <).

جدول 2- خصوصیات SNP­های با بیشترین معنی­داری در نواحی معنی­دار برای صفت انتشار متان

کروموزوم

SNP

موقعیت (bp)

اثر جایگزینی آللی

S.E.

P-value

2

ARS-BFGL-NGS-116634

107318080

89/3503

36/546

9-10 × 14/2

15

BovineHD1500006429

24508531

46/4025

03/677

8-10 × 17/2

20

ARS-BFGL-NGS-87102

49859323

62/3816

04/664

8-10 × 62/5

8

BovineHD0800011543

38725165

77/2810

56/498

8-10 × 46/9

1

1_54481566

54481566

08/3576

59/661

7-10 × 79/2

6

BovineHD0600033597

117942392

81/1761

38/348

6-10 × 34/1

10

BovineHD1000029180

100765889

31/3569

16/707

6-10 × 40/1

17

BovineHD1700000175

713923

63/3226

42/645

6-10 × 73/1

18

BovineHD1800009917

32762956

29/1908

97/382

6-10 × 86/1

 

 

یکی از دلایلی که می­توان برای این رویداد بیانگر کرد این است که انتشار متان به عنوان یک صفت پیچیده است و تحت تاثیر تعداد زیادی ژن قرار می­گیرد و این صفت به دلیل دشواری و پرهزینه بودن اندازه­گیری آن، بطور مرسوم درصنعت گاو شیری برخلاف صفت­های تولید شیر، وزن بدن و دیگر صفت­ها اندازه­گیری نمی­شود بنابراین تعداد بسیار محدودی از QTL­های مرتبط با انتشار متان شناسایی شده و در وب­سایت QTLdb موجود هستند. دلیل دیگر می­تواند این باشد که براساس گزارش­ها بین صفت انتشار متان با شیر تولیدی و ترکیب­های آن، وزن بدن و خوراک مصرفی همبستگی وجود دارد. بطور مثال گزارش شده است که ضرایب همبستگی ارزش اصلاحی انتشار متان با تولید شیر، تولید چربی، تولید پروتئین و نمره سلول­های بدنی به ترتیب معادل با 68/0-، 13/0-، 47/0- و 07/0 بوده است (18). همچنین یک همبستگی مثبت ( از 18/0 تا 84/0) بین خوراک مصرفی باقی­مانده و انتشار متان پیش­بینی شده در گاو هلشتاین-فریزین گزارش شده بود (5). Herd و همکاران (2014) بیان کردند یک همبستگی بالا بین تولید متان روزانه با وزن یک سالگی در گاو گوشتی مشاهده شده بود (14). این گزارش­ها نشان می­دهد که بعضی ژن­ها و QTL­ها بطور مشترک صفت­های انتشار متان، ضریب تبدیل غذایی، وزن بدن و صفت­های تولید شیر را تحت تاثیر قرار می­دهند. در اطراف BovineHD1800009917 نسبت به بقیه SNP­های معنی­دار QTL­های مربوط به هر چهار صفت همبسته با انتشار متان (یعنی تولید شیر، وزن بدن، خوراک مصرفی باقی­مانده و ماده خشک مصرفی) مشاهده شد در صورتیکه اطراف بقیه SNP­ها یا اینکه QTL مرتبط با یک یا دو تا از این صفت­های همبسته مشاهده شد یا اینکه اصلا QTL­ی برای این صفت­های همبسته مشاهده نشد. بنابراین به نظر می­رسد BovineHD1800009917 در مقایسه با بقیه SNP­ها کاندیداهای خوبی برای صفت انتشار متان باشد.

 

جدول 3- QTL­های قرار گرفته در ناحیه Mb1 برایSNP­های با بیشترین معنی­داری در نواحی معنی­دار برای صفت انتشار متان

کروموزوم

نام SNP

صفت مرتبط با QTL

نماد QTL

2

ARS-BFGL-NGS-116634

Milk oleic acid content

MFA-C18:1

15

BovineHD1500006429

Milk fat yield

FY

 

 

Milk capric acid content

MFA-C10:0

 

 

Milk myristic acid content

MFA-C14:0

 

 

Milk protein percentage

PP

20

ARS-BFGL-NGS-87102

Not Available

 

8

BovineHD0800011543

Dry matter intake

DMI

1

1_54481566

Milk alpha-casein percentage

MACASP

 

 

Milk capric acid content

MFA-C10:0

 

 

Milk myristic acid content

MFA-C14:0

 

 

Milk palmitoleic acid content

MFA-C16:1

 

 

Milk protein yield

PY

6

BovineHD0600033597

Not Available

 

10

BovineHD1000029180

Milk butyric acid content

MFA-C4:0

17

BovineHD1700000175

Not Available

 

18

BovineHD1800009917

Residual feed intake

RFI

 

 

Milk yield

MY

 

 

Body weight (weaning)

WWT

 

 

Body weight (mature)

MWT

 

 

Dry matter intake

DMI

 

 

نتیجه­ گیری کلی

نتایج آنالیز GWAS برای صفت انتشار متان نشان داد تعداد SNP قابل توجهی از آستانه ارتباط پیشنهادی گذر کرد. علاوه بر این براساس معیار آستانه تصحیح بنفرونی به ازای کل ژنوم SNPs14 معنی­دار بودند. Annotating برای شناسایی QTL­های اطراف SNP­های معنی­دار نشان داد QTL­های مرتبط با شیر تولیدی و ترکیب­های آن، وزن بدن و خوراک مصرفی باقی­مانده اطراف بعضی از این SNP­ها مشاهده شد. این نتیجه بیانگر این است بعضی ژن­ها و QTL­ها بطور مشترک صفت­های انتشار متان، ضریب تبدیل غذایی، وزن بدن و صفت­های تولید شیر را تحت تاثیر قرار می­دهند. بنابراین به نظر می­رسد انتخاب ژنتیک دارای این پتانسل می­باشد که بتوان نرخ انتشار متان به ازای هر حیوان را کاهش داد. به طوری که این کاهش انتشار متان نیز می­تواند باعث افزایش بهره­وری خوراک مصرفی در گاوهای شیری شود. علاوه بر این برخلاف سایر راهکارهای توسعه یافته جهت کاهش انتشار متان در صنعت گاو شیری مانند تغییر در تنظیم غذایی، افزودنی­های غذایی و واکسن­های آنتی متانوژن، بهبود حاصل از انتخاب ژنتیکی به دلیل توارث­پذیری، تجمعی و دائمی بودن بسیار مفید می­باشد.

  • فرهود، د.، اطهاری نیک عزم، س. 1388. حقیقت تلخ؛ زمین روز به روز گرمتر می­شود. روزنامه جام جم. خبر شماره 134.
  • بی­نام. 1396. آمارنامه کشاورزی. وزارت جهاد کشاورزی.

 

  • Aguirre-Villegas H. 2017. Mitigation of Enteric Methane Emissions from Dairy Cows. University of Wisconsin--Extension, Cooperative Extension.
  • Capper JL, Cady R and Bauman D. 2009. The environmental impact of dairy production: 1944 compared with 2007. Journal of animal science. 87(6):2160-2167.
  • De Haas Y, Windig J, Calus M, Dijkstra J, De Haan M, Bannink A and Veerkamp R. 2011. Genetic parameters for predicted methane production and potential for reducing enteric emissions through genomic selection. Journal of Dairy Science. 94(12):6122-6134.
  • Dekkers JC. 2004. Commercial application of marker-and gene-assisted selection in livestock: Strategies and lessons 1 2. Journal of animal science. 82(13_suppl):E313-E328.
  • Ellis J, Kebreab E, Odongo N, McBride B, Okine E and France J. 2007. Prediction of methane production from dairy and beef cattle. Journal of Dairy Science. 90(7):3456-3466.
  • Forster P, Ramaswamy V, Artaxo P, Berntsen T, Betts R, Fahey DW, Haywood J, Lean J, Lowe DC and Myhre G. 2007. Changes in atmospheric constituents and in radiative forcing. Chapter 2. in Climate Change 2007. The Physical Science Basis.
  • Goddard M and Hayes B. 2007. Genomic selection. Journal of Animal Breeding and Genetics. 124(6):323-330.
  • Haile-Mariam M, Carrick M and Goddard M. 2008. Genotype by environment interaction for fertility, survival, and milk production traits in Australian dairy cattle. Journal of Dairy Science. 91(12):4840-4853.
  • Halachmi I, Børsting C, Maltz E, Edan Y and Weisbjerg M. 2011. Feed intake of Holstein, Danish Red and Jersey cows in automatic milking systems. Livestock Science. 138(1-3):56-61.
  • Hayes B, Carrick M, Bowman P and Goddard M. 2003. Genotype× environment interaction for milk production of daughters of Australian dairy sires from test-day records. Journal of Dairy Science. 86(11): 3736-3744.
  • Hayes B, Donoghue K, Reich C, Mason B, Bird-Gardiner T, Herd R and Arthur P. 2016. Genomic heritabilities and genomic estimated breeding values for methane traits in Angus cattle. Journal of animal science. 94(3):902-908.
  • Herd R, Arthur P, Bird S, Donoghue K and Hegarty R. 2014. Genetic variation for methane traits in beef cattle. in Proc. Proceedings of the 10th world congress of genetics applied to livestock production.
  • IPCC: Climate change 2007. The Physical Science Basis. Contribution of Working Group I to the Fourth Assessment Report. International Panel on Climate Change 4:2007.
  • Jiménez-Montero JA, Gonzalez-Recio O and Alenda R. 2012. Genotyping strategies for genomic selection in small dairy cattle populations. Animal. 6(8):1216-1224.
  • Johnson DE and Ward GM. 1996. Estimates of animal methane emissions. Environmental monitoring and assessment. 42(1-2):133-141.
  • Kandel P, Vanderick S, Vanrobays ML, Vanlierde A, Dehareng F, Froidmont E, Soyeurt H and Gengler N. 2014. Consequences of selection for environmental impact traits in dairy cows. in Proc. Proceedings of the 10th World Congress on Genetics Applied to Livestock Production. Vancoever.
  • Kang HM, Sul JH, Zaitlen NA, Kong SY, Freimer NB, Sabatti C and Eskin E. 2010. Variance component model to account for sample structure in genome-wide association studies. Nature genetics. 42(4): 348-354.
  • King EE, Smith RP, St-Pierre B and Wright ADG. 2011. Differences in the rumen methanogen population of lactating Jersey and Holstein dairy cows under the same diet regimen. Applied and Environmental Microbiology.05130-11.
  • Lashof DA and Ahuja DR. 1990. Relative contributions of greenhouse gas emissions to global warming. Nature. 344(6266): 529-531.
  • Lindgren E, Murphy M and Andersson T. 2001. Värdering av Foder. Lantmännen Foderutveckling AB, Nötfor. Almqvist & Wiksell, Uppsala.
  • McAllister T, Cheng KJ, Okine E and Mathison G. 1996. Dietary, environmental and microbiological aspects of methane production in ruminants. Canadian Journal of Animal Science. 76(2):231-243.
  • McMichael AJ, Powles JW, Butler CD and Uauy R. 2007. Food, livestock production, energy, climate change, and health. The lancet. 370(9594):1253-1263.
  • Meuwissen T, Hayes B and Goddard M. 2001. Prediction of total genetic value using genome-wide dense marker maps. Genetics. 157(4):1819-1829.
  • Miar Y, Plastow G and Wang Z. 2015. Genomic selection, a new era for pork quality Improvement. Springer Science Reviews. 3(1):27-37.
  • Moradi MH, Nejati-Javaremi A, Moradi-Shahrbabak M, Dodds KG and JC McEwan. 2012. Genomic scan of selective sweeps in thin and fat tail sheep breeds for identifying of candidate regions associated with fat deposition. BMC genetics. 13(1): 10-24.
  • Moss AR, Jouany JP and Newbold J. 2000. Methane production by ruminants: its contribution to global warming. Annales de zootechnie. EDP Sciences. 231-353.
  • Murray R, Bryant A and Leng R. 1976. Rates of production of methane in the rumen and large intestine of sheep. British Journal of Nutrition. 36(1):1-14.
  • Nejati-Javaremi A, Smith C and Gibson J. 1997. Effect of total allelic relationship on accuracy of evaluation and response to selection. Journal of animal science. 75(7):1738-1745.
  • Ottenstein D and Bartley D. 1971. Improved gas chromatography separation of free acids C2-C5 in dilute solution. Analytical Chemistry. 43(7):952-955.
  • Palut MPJ and Canziani OF. 2007. Contribution of working group II to the fourth assessment report of the intergovernmental panel on climate change. Cambridge University Press.
  • Pickering N, Chagunda M, Banos G, Mrode R, McEwan J and Wall E. 2015. Genetic parameters for predicted methane production and laser methane detector measurements. Journal of animal science. 93(1):11-20.
  • Ren N, Liu M, Wang A, Ding J and Li H. 2003. Organic acids conversion in methanogenic-phase reactor of the two-phase anaerobic process. Huan jing ke xue= Huanjing kexue. 24(4):89-93.
  • Roehe R, Dewhurst RJ, Duthie CA, Rooke JA, McKain N, Ross DW, Hyslop JJ, Waterhouse A, Freeman TC and Watson M. 2016. Bovine host genetic variation influences rumen microbial methane production with best selection criterion for low methane emitting and efficiently feed converting hosts based on metagenomic gene abundance. PLOS Genetics. 12(2):e1005846.
  • Sargolzaei M, Iwaisaki H and Colleau J. 2006. CFC: A tool for monitoring genetic diversity. Proc. 8th World Congress on Genetics Applied to Livestock Production. CD-ROM Communication (27-28):13-18.
  • SAS S. 2002. 9.1 for Windows SAS Institute. Inc., Cary, North Carolina 2004.
  • Shook G. 2006. Major advances in determining appropriate selection goals. Journal of Dairy Science. 89(4):1349-1361.
  • Solomon S. 2007. The physical science basis: Contribution of Working Group I to the fourth assessment report of the Intergovernmental Panel on Climate Change. Intergovernmental Panel on Climate Change (IPCC), Climate change 996-2007.
  • VanRaden P. 2004. Invited review: Selection on net merit to improve lifetime profit. Journal of Dairy Science. 87(10):3125-3131.
  • Vellinga TV, Bannink A, Smits M, Van den Pol-Van Dasselaar A and Pinxterhuis I. 2011. Intensive dairy production systems in an urban landscape, the Dutch situation. Livestock Science. 139(1-2):122-134.
  • Wolin MJ. 1960. A theoretical rumen fermentation balance. Journal of Dairy Science. 43(10):1452-1459.
Volume 34, Issue 1
May 2021
Pages 65-76
  • Receive Date: 27 December 2018
  • Revise Date: 28 January 2019
  • Accept Date: 05 February 2019