کاربرد تجزیه‌ی مؤلفه‌های اصلی در ارزیابی ژنتیکی گاوهای شیری ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

گروه علوم دامی دانشگاه تبریز

چکیده

زمینه مطالعاتی: مدل رگرسیون تصادفی یکی از دقیق­ترین مدل­ها برای پیش­بینی ارزش اصلاحی، با استفاده از رکوردهای روزآزمون می­باشد. با این حال به‌کار بردن این مدل از نظر محاسباتی دشوار و زمان­بر است. هدف: تعیین اهمیت نسبی ارزش­های اصلاحی در روزهای مختلف شیردهی و برآورد مؤلفه‌های اصلی ژنتیکی برای ارزش­های اصلاحی صفات تولید شیر گاوهای هلشتاین ایران اهداف اصلی تحقیق حاضر می­باشند. روش کار: از رکوردهای روزآزمون تولید شیر، درصد چربی و درصد پروتئین دوره شیردهی اول گاوهای شیری هلشتاین (متولد سال­های 1367 تا 1394) که توسط مرکز اصلاح نژاد کشور جمع‌آوری شده بود، استفاده شد. برای صفات تولید شیر، درصد چربی و درصد پروتئین به­ترتیب از رکوردهای 73839، 65165 و 46881 رأس گاو، از 230 گله که در شجره خود دارای 176390 رأس گاو بود، استفاده شد. پارامترهای ژنتیکی این صفات با استفاده از مدل رگرسیون تصادفی و توسط GIBSS3F90 برآورد شد. سپس ماتریس همبستگی بین ارزش­های اصلاحی به‌دست‌آمده در روزهای مختلف شیردهی محاسبه گردید. در ادامه، مؤلفه­های اصلی ژنتیکی از ارزش­های اصلاحی توسط رویه PRINCOMP نرم­افزار SAS به­دست آمد. نتایج: ماتریس همبستگی ژنتیکی بین ارزش­های اصلاحی پیش‌بینی‌شده در روزهای مختلف نشان می­دهد که ارزش­های اصلاحی در اواسط دوره شیردهی برای تمامی صفات همبستگی بالایی دارند. با استفاده از تجزیه­ی مؤلفه­های اصلی برای ارزش­های اصلاحی مشاهده شد که دو مؤلفه­ی اصلی اول درصد بالایی از واریانس ژنتیکی کل را تبیین می­کنند. برای صفت تولید شیر اولین مؤلفه­ی اصلی 48/99 درصد و برای صفات درصد چربی و درصد پروتئین به ترتیب 19/98 درصد و 100 درصد از واریانس کل ژنتیکی توسط دو مولفه اصلی اول تبیین شد. نتیجه­گیری نهایی: در جهت کاهش هزینه­های رکوردبرداری و با در نظر گرفتن همبستگی بالای بین ارزش­های اصلاحی به­نظر می­رسد، پیش­بینی ارزش­های اصلاحی برای کل روزهای آزمون ضرورتی ندارد. بنابراین می­توان روی رکوردبرداری در روزهایی که با مؤلفه­های اصلی ارتباط بالایی نشان می­دهند، تمرکز نمود.

کلیدواژه‌ها


عنوان مقاله [English]

The implementation of principal component analysis in genetic evaluation of Iranian dairy cattle

نویسندگان [English]

  • A Esmaili Nojadeh
  • S Alijani
  • K Hasanpour
  • A Javanpard
Agudelo-Gómez D, Pineda-Sierra S and Cerón-Muñoz MF, 2015. Genetic evaluation of Dual-Purpose buffaloes (Bubalus bubalis) in Colombia using principal component analysis. PloS one 10(7): e0132811.
Aziz MA, Nishida S, Suzuki K and Nishida A, 2005. Estimation of direct and maternal genetic and permanent environmental effects for weights from birth to 356 days of age in a herd of Japanese Black cattle using random regression. Animal Science 83(3): 519-530.
Batista Pinto LF, Packer IU, de Melo CMR, Ledur MC and Coutinho LL, 2006. Principal components analysis applied to performance and carcass traits in the chicken. Animal Research 55(5): 419-425.
Bignardi AB, El Faro L, Cardoso VL, Machado PF and de Albuquerque LG, 2009. Random regression models to estimate test-day milk yield genetic parameters Holstein cows in Southeastern Brazil. Livestock Science 123(1): 1-7.
Bohlouli M, Alijani S, Shodja J, Eghbal A and Pirani N, 2012. Genetic parameters and genotype by environment interaction in Iranian Holstein dairy cattle. Animal science researches 22(3): 149-159.
Bohlouli M, Shodja J, Alijani S, Eghbal A, 2013. The relationship between temperature-humidity index and test-day milk yield of Iranian Holstein dairy cattle using random regression model. Livestock Science 157(2): 414-420.
Boligon AA, Bignardi AB, Mercadante MEZ, Lobo RB and Albuquerque LG, 2013. Principal components and factor analytic models for birth to mature weights in Nellore cattle. Livestock Science 152(2): 135-142.
Buzanskas ME, Savegnago RP, Grossi DA, Venturing GC, Queiroz SA, Silva LOC, Torres Junior RAA, Munari DP and Alencar MM, 2013. Genetic parameter estimates and principal component analysis of breeding values of reproduction and growth traits in female Canchim cattle. Reproduction, Fertility and Development 25(5): 775-781.
Cobuci, JA, Costa CN, Neto JB and deFreitas AF, 2011. Genetic parameters for milk production by using random regression models with different alternatives of fixed regression modeling. Revista Brasileira de Zootecnia 40(3): 557-567.
Ibe SN, 1989. Measures of size and conformation in commercial broilers. Animal Breeding and Genetic 106(1-6): 461 – 469.
Jamrozik J, Schaeffer LR and Dekkers JCM, 1997. Genetic evaluation of dairy cattle using test day yields and random regression model. Dairy Science 80(6): 1217-1226.
Jensen J, 2001. Genetic evaluation of dairy cattle using test-day models1. Dairy Science 84(12): 2803-2812.
Kheirabadi K, Alijani S, Rafat SA and Moghaddam G, 2013. Estimation of genetic parameters of production traits and persistency of Iranian Holstein cows by random regression. Management system 1(3): 51-63.
Kranis ASG, Sorensen D and Wolliams JA, 2007. The application of random regression models in the genetic analysis of monthly egg production in turkeys and a comparison with alternative longitudinal models. Poultry Sciences 86(3):470-475.
Lewis RM and Brotherstone S, 2002. A genetic evaluation of growth in sheep using random regression techniques. Animal Science 74(1): 63-70.
Misztal I, 2002. Gibbs3f90. http://nce.ads.uga.edu/~ignacy/newprograms.html.
Mohammadi A, Alijani S, Rafat SA and Taghizadeh A, 2013. Comparison of fitting performance of random regression animal and sire models for yield traits of Iranian Holstein dairy cattle. Animal science researches 23(4): 159-178.
Mohammadi A, Alijani S, Rafat SA, Taghizadeh A and Bohlouli M, 2012. Comparison of Fitting Performance of Polynomial Functions in Random Regression Model for Test Day Milk Yield in of Iranian Holstein Dairy Cattle. Research on animal production (Scientific and Research) 3(6): 47-63.
Rencher AC, 2002. Methods of Multivariate Analysis. Wiley-Interscience, New York, NY.
SAS Institute Inc, 2003. SAS 9.1.3 Help and Documentation, Cary, NC: SAS Institute Inc.
Savegnago RP, Caetano SL, Ramos SB, Nascimento GB, Schmidt GS, Ledur MC and Munari DP, 2011. Estimates of genetic parameters, and cluster and principal components analyses of breeding values related to egg production traits in a White Leghorn population. Poultry Science 90(10): 2174 – 2188.
Schaeffer LR and Dekkers JCM, 1994. Random regressions in animal models for test-day production in dairy cattle. Proc. 5th World Congress of Genetics Applied to Livestock Production. Guelph Ontario Canada XVIII: 443-446.
Schaeffer LR, 2004. Application of random regression models in animal breeding. Livestock Production Science 86(1): 35-45.
Strabel T, Ptak E and Szyda J, 2004. Multiple-lactation random regression test-day model for Polish Black and White cattle. Interbull Bulletin 32: 133-136.
Takma C and Akbas Y, 2009. Comparison of fitting performance of random regression models to test day milk yields in Holstein Friesians. Kafkas University Veterinary Fakultesi Dergisi 15(2): 261-266.