مؤلفههای اصلی ژنتیکی صفات تولیدی گاوهای شیری نژاد هلشتاین ایران با استفاده از رگرسیون تصادفی
/اعظم اسمعیلی نوجهده
: کشاورزی
، ۱۳۹۶
، میرزائی
چاپی
کارشناسی ارشد
علوم دامی گرایش ژنتیک و اصلاح نژاد دام
۱۳۹۶/۱۱/۱۱
تبریز
در طی چند سال گذشته، ایده پیشصبینی صفات کمی و بیماریصهای بر اساس اطلاعات ژنتیکی، علاقه زیادی را نسبت به اصلاح نژاد ژنتیکی حیوانات ایجاد نموده است .با این حال، هنوز مشکلات مهمی مانند مشکلات آماری وجود دارد که باید مورد بررسی قرار گیرند .تجزیه و تحلیل مؤلفه اصلی یک روش آماری چندمتغیره است که اغلب برای مقابله با این مشکلات استفاده میصشود .بنابراین اهداف اصلی تحقیق حاضر تعیین اهمیت نسبی ارزشصهای اصلاحی در روزهای مختلف شیردهی و برآورد مؤلفههای اصلی ژنتیکی برای ارزشصهای اصلاحی صفات مرتبط با تولید شیر میصباشد .از رکوردهای روزآزمون صفات تولید شیر دوره شیردهی اول گاوهای شیری هلشتاین) متولد سالصهای ۱۳۶۷ تا ۱۳۹۴) استفاده شد .برای صفات مربوط به تولید شیر از رکوردهای ۷۳۸۳۹ رأس گاو استفاده شد .این دادهصها توسط مرکز اصلاح نژاد ایران واقع در کرج جمعصآوری شده است .پارامترهای ژنتیکی این صفات با استفاده از مدل رگرسیون تصادفی و توسط نرم-افزارهای GIBSS۳F۹۰ و WOMBAT برآورد شد .سپس ماتریس همبستگی بین ارزشصهای اصلاحی بهدستآمده در روزهای مختلف شیردهی محاسبه گردید .در ادامه، مؤلفهصهای اصلی ژنتیکی از ارزشصهای اصلاحی توسط رویه PRINCOMP نرمصافزار SAS بهصدست آمد .با استفاده از تجزیهصی مؤلفهصهای اصلی برای ارزشصهای اصلاحی مشاهده شد که دو مؤلفهصی اصلی اول درصد بالایی از واریانس ژنتیکی کل را تبیین می-کنند .برای صفات تولید شیر، مقدارچربی، مقدار پروتئین، درصد چربی و درصد پروتئین به ترتیب ۸۳/۹۷درصد، ۳۱/۹۶ درصد، ۸۷/۹۶ درصد، ۳۱/۹۶ درصد و ۸۷/۹۶ درصد از واریانس کل ژنتیکی توسط دو مولفه اصلی اول تبیین شد .در نتیجه به جهت کاهش هزینهصهای رکوردبرداری و با در نظر گرفتن همبستگی بالای بین ارزشصهای اصلاحی بهصنظر میصرسد، پیشصبینی ارزشصهای اصلاحی برای کل روزآزمونصها ضرورتی ندارد .بهصعبارت دیگر کاهش تعداد رکوردبرداری در هر گاو میصتواند در هر دو موقعیت اقتصادی و ژنتیکی سودمند باشد .بنابراین میصتوان روی رکوردبرداری در روزهایی که با مؤلفهصهای اصلی ارتباط بالایی نشان میصدهند، تمرکز نمود.
Over the past few years, the idea of predicting quantitative traits based on genetic information has attracted a great deal of interest in animal genetic breeding. However, there are still important problems like statistical problems that need to be addressed. In addition, Principal component analysis is a multivariate statistical method often used to deal with these problems. The main objectives of the current study were to determine the relative importance of each breeding value at different days of lactation and to estimate the genetic principal components for the breeding values of Iranian Holstein dairy cattle for milk production related traits. To do this, records of first-parity dairy cows (born between 1988 and 2015) were used. The traits related to milk production test-day records of 73839 cows, were used in the analyses. The data were collected by National Breeding Center, Karaj, Iran. Genetic parameters were estimated by a random regression model and Bayesian approach using both GIBSS3F90 and WOMBAT software's. Then, correlation matrices among breeding values at different days of lactation and genetic principal components of breeding values were estimated by CORR and PRINCOMP procedures of SAS software, respectively. The genetic principal component analysis revealed that the first two principal components accounted for a high percent of total genetic variance of all studied traits. For milk yield, the two principal components explained 97.83 of genetic variance, while two first components explained almost 96.31 , 96.87 , 96.31 and 96.87 of genetic variance for fat percent, protein percent, fat yield and protein yield traits, respectively. Considering the high cost of recording system in dairy cattle industry and the high correlation between the breeding values, it seems that there is no necessity to predict the breeding value for all days of lactation. In other words, reducing the number of records per each cow may be beneficial at both economic and genetics stand points. Furthermore, due to the high, direct correlation between the principal components and daily breeding values, the implementation of principal components in the genetic merit evaluation of selection candidates for production-related traits is suggested