اثر مدیریت مسیر مادران پدر بر پارامترهای ژنتیکی و اقتصادی یک برنامه شبیه‪سازی شده انتخاب ژنوم

Subject Areas : Camel

س. عزیزیان ¹ , ع.ا. شادپرور ² , س. جوئزی-شکالگورابی ³ , ن. قوی حسین-زاده ⁴

1 - Department of Animal Science, Faculty of Agricultural Science, University of Guilan, Rasht, Iran
2 - Department of Animal Science, Faculty of Agricultural Science, University of Guilan, Rasht, Iran
3 - Department of Animal Science, Shahr-e-Qods Branch, Islamic Azad University, Tehran, Iran
4 - Department of Animal Science, Faculty of Agricultural Science, University of Guilan, Rasht, Iran

Received: 2015-02-23 Accepted : 2015-10-31 Published : 2016-06-01

Keywords: اقتصادی, کارآیی, ژنتیک, انتخاب ژنومی, هلشتین,

Abstract :

در این تحقیق یک مدل قطعی مبتنی بر جریان ژن با در نظر گرفتن مشخصات جمعیت گاو هلشتین ایران اجرا شد تا اثر تغییر تعداد گروه سنی مسیر مادران پدر آینده (DS) و تعداد ماده مورد نیاز برای تولید یک گاو نر جوان (YB) که قرار است به عنوان پدر آینده ارزیابی شود، بر رشد ژنتیکی و کارآیی اقتصادی حاصل از یک برنامه انتخاب ژنومی برای تولید شیر به عنوان یک هدف انتخاب بررسی شود. بر اساس شبیه سازی، تغییر تعداد گروه سنی از 10 به 1 منتج شد به نرخ جایگزینی بالاتر (از 22/0 به 1) و فاصله نسل کوتاهتر برای مسیر DS. متعاقب آن، کارآیی اقتصادی برنامه تا رسیدن به یک ماکزیمم افزایش یافت و پس از آن یک روند نزولی مشاهد گشت. حداکثر کارآیی اقتصادی (68/25) هنگامی حاصل شد که تعداد گروه سنی مسیر DS 7 فرض شد. با تغییر تعداد مادر مورد نیاز برای ایجاد یک YB از 7 به 1، رشد ژنتیکی در هدف انتخاب از 0232/0 به 0264/0 کیلوگرم به ازای هر رأس گاو شیری و در نتیجه کارآیی اقتصادی از 42/25 به 52/28 افزایش یافت. نتایج آشکار ساخت که کاهش فاصله نسل لزوما منتج به حداکثر کارآیی اقتصادی نشده و یک حد بهینه برای فاصله نسل وجود دارد. تعداد کمتر مورد نیاز به ازای هر YB می‪تواند به کارآیی اقتصادی بیشتر منجر شود و لذا به عنوان یک راهبرد مدیریتی مؤثر برای بهبود کارآیی اقتصادی برنامه انتخاب ژنومی برای تولید شیر باید مد نظر قرار بگیرد.

References:

Calus M.P.L., Bijma P. and Veerkamp R.F.J. (2015). Evaluation of genomic selection for replacement strategies using selection index theory. J. Dairy Sci. 98, 1-11.

Dickerson G.E. (1978). Animal size and efficiency: basic concepts. Anim. Prod. 27, 367-379.

Erbe M., Gredler B., Seefried F.R., Bapst B. and Simianer H. (2013). A function accounting for training set size and marker density to model the average accuracy of genomic prediction. PLoS ONE. 8(12), 1-9.

Falconer D.S. and Mackay T.F.C. (1996). Introduction to Quantitative Genetics. Longman Group, Ltd, Harlow, UK.  

Hill W.G. (1974). Prediction and evaluation of response to selection with overlapping generations. Anim. Prod. 18, 174-189.

Hjorto L., Ettema J.F., Kargo M. and Sorensen A.C. (2015). Genomic testing interacts with reproductive surplus in reducing genetic lag and increasing economic net return. J. Dairy Sci. 98, 646-658.

Hozé C., Fritz S., Phocas F., Boichard D., Ducrocq V. and Croiseau P. (2014). Efficiency of multi-breed genomic selection for dairy cattle breeds with different sizes of reference population. J. Dairy Sci. 97, 3918-3929.

Humblot P. (2011). Reproductive technologies and epigenetics: their implications for genomic selection in cattle. Acta Sci. Vet. 39, 253-262.

Joezy-Shekalgorabi S., Shadparvar A.A., Vaez Torshizi R. and Moradi Shahrebabak M. (2010a). Age distribution and generation interval corresponding to four pathways of Holstein cattle in Iran. Iranian J. Anim. Sci. 41, 223-229.

Joezy-Shekalgorabi S., Shadparvar A.A., Vaez Torshizi R., Moradi Shahrebabak M. and Jorjani H. (2010b). Investigation of asymptotic phase of genetic improvement in different selection pathways in Iranian Holstein. Pp. 23-28 in Proc. 4^th Cong. Anim. Sci. Karaj, Iran.

Jonas E. and Koning D.J. (2015). Genomic selection needs to be carefully assessed to meet specific requirements in livestock breeding programs. Front. Genet. 6, 1-8.

Kӧnig S., Simianer H. and Willam A. (2009). Economic evaluation of genomic breeding programs. J. Dairy Sci. 92, 382-391.

Kӧnig S. and Swalve H.H. (2009). Application of selection index calculations to determine selection strategies in genomic breeding programs. J. Dairy Sci. 92, 5292-5303.

Mc Hugh N., Meuwissen T.H., Cromie A.R. and Sonesson A.K. (2011). Use of female information in dairy cattle genomic breeding programs. J. Dairy Sci. 94, 4109-4118.

Meuwissen T.H.E., Hayes B. and GoddardM.E. (2001). Prediction of total genetic value using genome-wide dense marker maps. Genetics. 157, 1819-1829.

Ponsart C., Le Bourhis D., Knijn H., Fritz S., Guyader-Joly C., Otter T., Lacaze S., Charreaux F., Schibler L., Dupassieux D. and Mullaart E. (2014). Reproductive technologies and genomic selection in dairy cattle. Reprod. Fertil. Dev. 26, 12-21.

Schaeffer L.R. (2006). Strategy for applying genome-wide selection in dairy cattle. J. Anim. Breed. Genet. 123, 218-223.

Thomasen J.R., Egger-Danner C., Willam A., Guldbrandtsen B., Lund M.S. and Sørensen A.C. (2014). Genomic selection strategies in a small dairy cattle population evaluated for genetic gain and profit. J. Dairy Sci. 97, 458-470.