Con el rápido desarrollo de tecnologías de genotipado de alto rendimiento, la selección genómica se ha implementado con éxito en el campo de la ganadería.
Con el rápido desarrollo de tecnologías de genotipado de alto rendimiento, la selección genómica (Meuwissen et al. , 2001 ) se ha implementado con éxito en el campo de la ganadería (Meuwissen et al. , 2016 ). La industria láctea fue la primera en realizar una evaluación genómica de rutina (Hayes et al. , 2009 ; VanRaden et al. , 2009).
Entre los métodos de predicción genómica, el BLUP genómico de un solo paso (ssGBLUP) se considera un reemplazo prometedor del BLUP convencional para la cría de cerdos, y se ha utilizado ampliamente en la evaluación genómica debido a una precisión de predicción relativamente mayor y a la simplicidad de uso.
La precisión de la predicción de ssGBLUP depende de la cantidad de información disponible sobre el genotipo y el fenotipo.
Objetivo
Este estudio investigó cómo la información sobre el genotipo y el fenotipo que se había adquirido de generaciones anteriores influye en la precisión de la predicción de ssGBLUP y, por lo tanto, buscamos un equilibrio óptimo entre la información genotípica y fenotípica para lograr una evaluación genómica rentable y computacionalmente eficiente.
Método y materiales
La estructura de los datos utilizados en este estudio se simuló imitando las poblaciones de cerdos como se describe de manera similar en Yang y Su ( 2016 ). Para simplificar el procedimiento de simulación pero sin pérdida de generalidad, los datos se generaron en un procedimiento relativamente simple con generaciones no superpuestas.
Realizamos una serie de simulaciones utilizando el software de simulación genómica de rasgos múltiples GPOPSIM (Zhang et al. , 2015 ). Generamos dos rasgos genéticamente correlacionados ( h 2 = 0.35 para el rasgo A, h 2= 0,10 para el rasgo B y la correlación genética 0,20), así como dos poblaciones distintas que imitan a los cerdos de raza pura.
Se estableció información fenotípica y genotípica en diferentes números de generaciones anteriores y diferentes tasas de genotipado para cada camada para generar diferentes conjuntos de datos. La precisión de la predicción se evaluó correlacionando los valores genómicos estimados de reproducción con los valores genéticos reales para los animales genotipados en la última generación.
Resultados
Los resultados revelaron un impacto insignificante de las generaciones anteriores que carecían de animales genotipados en la precisión de la predicción. Los datos fenotípicos y genotípicos, incluidas las tres o cuatro generaciones más recientes con una tasa de genotipado del 40% o 50% para cada camada, podrían llevar a una precisión máxima de predicción asintótica para animales genotipados en la última generación.
Conclusión
Los estudios han demostrado que ssGBLUP puede producir una mayor precisión de predicción que GBLUP para animales genotipados, así como una mayor precisión de predicción que BLUP para animales no genotipados en datos de ganado y porcino debido a la capacidad de integrar información genotípica y pedigrí (Christensen et al. , 2012 ; Gao et al. , 2012 ; Su et al. , 2012 ; Guo et al. , 2015). Nuestros resultados confirmaron el hecho de que ssGBLUP podría producir una mayor precisión de predicción que BLUP.
Suscribete ahora a la revista técnica porcina
AUTORES
Armado y consolidación de equipos de trabajo: la solución a la rotación de personal
Gastón ImolaEl uso de grasas oxidadas en la alimentación porcina: riesgos y consideraciones. Parte 1 de 3
Gerardo Ordaz Ochoa Luis Humberto López Hernández María Alejandra Pérez AlvaradoNuevas formulaciones en diluyentes espermáticos: variaciones en la concentración de azúcares y uso de péptidos para combatir las resistencias antimicrobianas
Explorando la microbiota y biomarcadores de salud intestinal
Guillermo Ramis VidalOperación supervivencia neonatal. Reducción de la mortalidad en sistemas de parideras alternativas
Emma BaxterPlacentación: Análisis del impacto en el peso fetal – Parte 1
Abner L. Shinkawa Dayanne K. O. Pires Fernanda R. C. L. Almeida Isadora M. S. de Oliveira João Vitor L. Ferreira Leticia P. Moreira Saffir D. Fernandes Stephanny R. Rainha Tulio C. C. de AlkmimSelección y manejo de futuras reproductoras hiperprolíficas (Parte 1)
Fernando Pandolfo BortolozzoAbordando el desafío del óptimo rendimiento de las cerdas lactantes
Chantal FarmerProp 12: Exigencias normativas para exportar carne de cerdo a California
M. Verónica Jiménez Grez