Comparação de diferentes estratégias para a análise de características de crescimento e de carcaça de suínos cruzados: modelos finito e infinitesimal poligênico

Tarcísio De Moraes Gonçalves,Henk Bovenhuis,Marco Bink,Johan Van Arendonk,Henrique Nunes De Oliveira

doi:10.1590/s1516-35982005000500013

Tarcísio De Moraes Gonçalves, Henk Bovenhuis + Show 3 more

Open Access

https://doi.org/10.1590/s1516-35982005000500013

Copy DOI

Abstract

Foi utilizada uma análise de segregação com o uso da inferência Bayesiana para estimar componentes de variância e verificar a presença de genes de efeito principal (GEP) influenciando duas características de carcaça: gordura intramuscular (GIM), em %, e espessura de toucinho (ET), em mm; e uma de crescimento, ganho de peso (g/dia) dos 25 aos 90 kg de peso vivo (GP). Para este estudo, foram utilizadas informações de 1.257 animais provenientes de um delineamento de F2, obtidos do cruzamento de suínos machos Meishan e fêmeas Large White e Landrace. No melhoramento genético animal, os modelos poligênicos finitos (MPF) podem ser uma alternativa aos modelos poligênicos infinitesimais (MPI) para avaliação genética de características quantitativas usando pedigrees complexos. MPI, MPF e MPI combinado com MPF foram empiricamente testados para se estimar componentes de variâncias e número de genes no MPF. Para a estimação de médias marginais a posteriori de componentes de variância e de parâmetros, foi utilizada uma metodologia Bayesiana, por meio do uso da Cadeia de Markov, algoritmos de Monte Carlo (MCMC), via Amostrador de Gibbs e Reversible Jump Sampler (Metropolis-Hastings). Em função dos resultados obtidos, pode-se evidenciar quatro GEP, sendo dois para GIM e dois para ET. Para ET, o GEP explicou a maior parte da variação genética, enquanto, para GIM, o GEP reduziu significativamente a variação poligênica. Para a variação do GP, não foi possível determinar a influência do GEP. As herdabilidades estimadas ajustando-se MPI para GIM, ET e GP foram de 0,37; 0,24 e 0,37, respectivamente. Estudos futuros com base neste experimento que usem marcadores moleculares para mapear os genes de efeito principal que afetem, principalmente GIM e ET, poderão lograr êxito.

Highlights

A Bayesian marker-free segregation analysis was applied for the estimation of variance components and to search for evidence of segregation genes affecting two carcass traits: intramuscular fat (IMF), %, and backfat thickness (BF), mm ; and one growth trait: body weight gain (LG) from 25 to 90 kg, approximately, g/day
Ao serem combinados os modelo poligênico infinitesimal (MPI) e modelo poligênico finito (MPF), as estimativas médias a posteriori das variâncias residuais e genéticas para a característica gordura intramuscular (GIM) (Tabela 2) foram semelhantes aos valores apresentados por Janss et al (1997)
Distribuições marginais a posteriori para as variâncias genéticas poligênica (σ2p) e do gene de efeito principal (σ2GEP) com d = 0 e d ≠ 0 quando combinados os MPI e MPF para as características GIM, espessura de toucinho (ET) e ganho de peso (GP)

Summary

Material e Métodos

Foram coletadas informações das características gordura intramuscular (GIM), em %, espessura de toucinho (ET), em mm, obtidas por ultra-som, e ganho de peso dos 25 aos 90 kg (GP), em g/dia, das gerações F1 (298 animais) e F2 (831 animais) de suínos. Foram considerados os efeitos não-genéticos dia do abate, companhia de melhoramento, sexo e 10 classes de peso ao abate para GP e GIM. De forma similar à adotada por Sillanpää & Arjas (1998) e Bink et al (2002b), as seguintes distribuições a priori foram adotadas como sugestão: distribuição uniforme (0, 1), para a média, o sexo e a companhia de melhoramento, e normal e independentemente distribuída, com média zero e variância desconhecida, para dia do abate e as classes de peso consideradas nas análises. Os indicadores de segregação descrevem unicamente o fluxo gênico por meio do pedigree e a implementação foi similar à descrita por Uimari & Sillanpää (2001) e Bink et al (2002a) para o mapeamento de QTLs. Para a distribuição condicional das observações (Y), foi assumida a Normal e, quando combinada com as distribuições a priori, foi obtida a distribuição a posteriori conjunta de todos os parâmetros de interesse. Para o uso desta metodologia, foi empregado o pacote computacional FlexQTLTM, desenvolvido por Bink et al (2002a), pesquisador da Universidade de Wageningen, a partir dos estudos descritos por Uimari & Sillanpää (2001)

Resultados e Discussão

Densidade Density

Herdabilidade Heritability

Locos Loci

Literatura Citada