حساسیت مدل‏های آماری پیش بینی ژنومی به انتخاب پرایور مناسب برای پارامترهای کلیدی به خوبی اثبات شده است. واریانس در رگرسیون مؤلفه‏های اصلی (PCR) یک کمیّت ثابت تلقی شده و به طور مساوی و یا متناسب با مقادیر ویژه به هر PC اختصاص داده می‏شود. در این مطالعه واریانس با اختصاص توزیع پیشین تصادفی تلقی شد و روشی جدید برای تعیین واریانس PCs ارائه شد. صفتی با وراثت پذیری 25/0 بر روی ژنومی دارای سه کروموزوم با SNP3000 و QTL 60 شبیه سازی شد. سه توزیع مختلف شامل نرمال، t مقیاس شده و نمایی مضاعف برای PC اسکورها و توزیع کای اسکویر معکوس مقیاس شده برای واریانس‏ها در نظر گرفته شد. همچنین PCR با واریانس متناسب با مقادیر ویژه (PCR-Eigen) و روش‏های بیز ریدج (BRR)، بیز A (BA) و بیز B (BB) نیز بررسی شدند. نتایج نشان داد که ضرایب همبستگی پیرسون و رتبه‏ای بین ارزش‏های اصلاحی واقعی و ژنومی پیش بینی شده با استفاده از توزیع‏های پیشین مختلف به ترتیب 2/3-3/2 و 9/2-7/2 درصد بالاتر از PCR-Eigen است. صحّت پیش بینی‏ها با اختصاص توزیع پیشین به پارامترها مشابه روش‏های BR، BA و BB بود ولی با PCR-Eigen حداقل 3/3 درصد پایین‏تر بود. PCR-Eigen به صورت ترتیبی به چند PC اول وزن بیشتری داد و PCs بعدتر وزنی تقریباً معادل صفر داشتند در حالیکه با اختصاص توزیع پیشین به پارامترها، به مجموعه‏ی PCهای اول وزن بیشتری داده شد و وزن PCs بعدتر نیز هنوز قابل توجّه بود.

کلمات کلیدی