کشف نحوه بکارگیری مدل‌های تابعیت تصادفی چند جمله‌ای لژاندر در تجزیه و تحلیل اندازه کلاچ

Subject Areas : Camel

ع. عبادی تبریزی ¹ , م. طهمورث‌پور ² , ع. نجاتی جوارمی ³

1 - Department of Animal Science, Faculty of Agriculture, Ferdowsi University of Mashhad, Mashhad, Iran
2 - Department of Animal Science, Faculty of Agriculture, Ferdowsi University of Mashhad, Mashhad, Iran
3 - Department of Animal Science, Faculty of Agriculture and Natural Resources, University of Tehran, Karaj, Iran

Received: 2014-06-07 Accepted : 2014-08-14 Published : 2015-06-01

Keywords: اندازه کلاچ, مرغ بومی ایران, چند جمله‌ای لژاندر, صفات مریستیک, تابعیت تصادفی,

Abstract :

در حال حاضر، مدل‌های تابعیت تصادفی (RRM) برای تجزیه و تحلیل داده‌های تکرار شونده در زمان، به عنوان مدل روتین مورد استفاده قرار گرفته است. هدف این مقاله کشف نحوه بکارگیری مدل‌های تابعیت تصادفی چند جمله‌ای لژاندر در تجزیه و تحلیل رکوردهای تکرار شونده جدیدی به نام طول کلاچ (CS) به عنوان یک صفت مریستیک برای مرغان بومی ایران بود. توابع چند جمله‌ای لژاندر با درجه صفر تا 4 برای سن بلوغ جنسی (ASM) و با درجه 1 تا 10 برای اثرات ژنتیکی افزایشی و محیط دائم برازش داده شد. روز تولید به عنوان متغیر زمان در نظر گرفته شد. واریانس باقیمانده در طی زمان همگن فرض شد. آنالیزها در چارچوب حداکثر درستنمایی محدود شده و با استفاده از نرم افزار WOMBAT اجرا گردید. کفایت مدل‌ها با معیار اطلاعات بیزی (BIC) مورد بررسی قرار گرفت. بر اساس معیار اطلاعات بیزی حاصل شده از آنالیزها، مدل چند جمله‌ای با درجه 2 برای ASM و درجه 8 برای اثرات ژنتیکی افزایشی و محیط دائم، بهترین برازش را برای رکوردهای حاضر داشت. بالاترین واریانس فنوتیپی و محیط دایم صفت CS در ابتدای دوره تولید بود. واریانس ژنتیک افزایشی طی سنین 210 تا 265 روزگی نسبتاً ثابت ماند. برآورد وراثت پذیری صفت CS در محدوده 033/0 و 199/0 به ترتیب در روزهای 161 و 242 از دوره اول تخمگذاری بود. نسبت واریانس محیط دائم به واریانس فنوتیپی در محدوده 01/0 تا 264/0 بود. محدوده برآورد همبستگی ژنتیک افزایشی و محیط دائم به ترتیب 18/0- تا 99/0 و 5/0- تا 99/0 بود. همبستگی‌ها بین سنین نزدیک بهم بالا و با افزایش فاصله بین سنین، کاهش یافت.

References:

Akbas Y., Takma Ç. and Yaylak E. (2004). Genetic parameters for quail body weights using a random regression model. Southern African J. Anim. Sci. 34(2), 104-109.
Akbas Y., Ünver Y., Oguz I. and Altan O. (2002). Estimation of genetic parameters for clutch traits in laying hens. Proc. 7^th World Cong. Genet. Appl. Livest. Prod., Montpellier, France.
Anang A., Mielenz N. and Schüler L. (2002). Monthly model for genetic evaluation of laying hens. II. Random regression. Br. Poult. Sci. 43(3), 384-390.
Anang A., Mielenz N., Schüler L. and Preisinger D.R. (2001). The use of monthly egg production records for genetic evaluation of laying hens. J. Ilmu. Ternak dan Vet. 6(4), 230-234.
Arango J., Cundiff L.V. and Van Vleck L.D. (2004). Covariance functions and random regression models for cow weight in beef cattle. J. Anim. Sci. 82(1), 54-67.
Crow F. and Dove W.F. (2000). Perspectives on Genetics: Anecdotal, Historical and Critical Commentaries. The University of Wisconsin Press. 2537 Daniels Street, Madison, Wisconsin.
Farzin N., Vaez Torshizi R., Kashan N. and Gerami A. (2010). Estimation of genetic and phenotypic correlations between monthly and cumulative egg productions in a commercial broiler female line. Glob. Vet. 5(3), 164-167.
Grossman M., Grossman T.N. and Koops W.J. (2000). A model for persistency of egg production. Poult. Sci. 79, 1715-1724.
Jensen J. (2001). Genetic evaluation of dairy cattle using test-day models. J. Dairy Sci. 84, 2803-2812.
Kirkpatrick M., Lofsvold D. and Bulmer M. (1990). Analysis of the inheritance, selection and evolution of growth trajectories. Genetics. 124, 979-993.
Komprej A., Malovrh Š., Gorjanc G., Kompan D. and KovacM. (2013). Genetic and environmental parameters estimation for milk traits in Slovenian dairy sheep using random regression mode. Czech J. Anim. Sci. 58(3), 125-135.
Koops W.J. and Grossman M. (1992). Characterization of poultry egg production using a multiphasic approach. Poult. Sci. 71, 399-405.
Kranis A., Su G., Sorensen D. and Woolliams J.A. (2007). The application of random regression models in the genetic analysis of monthly egg production in turkeys and a comparison with alternative longitudinal models. Poult. Sci. 86(3), 470-475.
Lukovic Z., Uremovic M., Konjacic M., Uremovic Z. and Vincek D. (2007). Genetic parameters for litter size in pigs using random regression model. Asian-australs J. Anim. Sci. 20(2), 160-165.
Lukovic Z., Malovrh S., Gorjanc G. and KovacM. (2004). A random regression model in analysis of litter size in pigs. Southern African J. Anim. Sci. 34(4), 241-248.
Lukovic Z., Malovrh S., Gorjanc G. and KovacM. (2003). Genetic parameters for number of piglets born alive using random regression model. Agric. Cons. Sci. 68(2), 105-108.
Meyer K. (2006). WOMBAT.University of New England. Australia.
Meyer K. (1998). Estimating covariance functions for longitudinal data using a random regression model. Genet. Sel. Evol. 30, 221-240.
Minvielle F., Kayang B.B., Inoue-Murayama M., Miwa M., Vignal A., Gourichon D., Neau A., Monvoisin L. and Ito S.I. (2006). Search for QTL affecting the shape of the egg laying curve of the Japanese quail. BMC Genet. 7, 26-31.
Miyoshi S., Luc K.M. and Kuchida K. (1996). Application of non-linear models to egg production curves in chickens. Japans Poult. Sci. 33, 178-184.
Pool M.H. and Meuwissen T.H.E. (1999). Prediction of daily milk yields from a limited number of test days using test day models. J. Dairy Sci. 82, 1555-1564.
Rawling J.O., Pantula S.G. and Dickey D.A. (1998). Applied Regression Analysis: A Research Tool. Springer Texts in Statisitcs. Springer-Verlag, Inc., New York.
Rowland H.D. and Weller S.G. (1996). The Gist of Genetics: Guide to Learning and Review. Jones and Barlett Publishers, London, UK.
Strabel T., Szyda J., Ptak E. and Jamrozik J. (2005). Comparison random regression test-day model for polish black and white cattle. J. Dairy Sci. 88, 3688-3699.
Van der Werf J. (2001). Random Regression in Animal Breeding. Course Notes. University of New England. Armindale. Australia.
Venturini G.C., Grossi D.A., Ramos S.B., Cruz V.A.R., Souza C.G., Ledur M.C., Faro L.El., Schmidt G.S. and Munari D.P. (2012). Estimation of genetic parameters for partial egg production periods by means of random regression models. Genet. Mol. Res. 11(3), 1819-1829.
Wolc A., Arango J., Settar P., Fulton J.E., O’Sullivan N.P., Preisinger R., Fernando R., Garrick D.J. and Dekkers J.C.M. (2013). Analysis of egg production in layer chickens using random regression model with genomic relationships. Poult. Sci. 92(6), 1486-1491.
Wolc A., Arango J., Settar P., O’Sullivan N.P. and Dekkers J.C.M. (2011). Evaluation of egg production in layers using random regression models. Poult. Sci. 90(1), 30-34.
Wolc A., Bednarczyk M., Lisowski M. and Szwaczkowski T. (2010). Genetic relationships among time of egg formation, clutch traits and traditional selection traits in laying hens. J. Anim. Feed Sci. 19, 452-459.
Wolc A. and Szwaczkowski T. (2009). Estimation of genetic parameters for monthly egg production in laying hens based on random regression models. J. Appl. Genet. 50(1), 41-46.
Wolc A., Lisowski M. and Szwaczkowski T. (2007). Heritability of egg production in laying hens under cumulative, multitrait and repeated measurement animal models. Czech J. Anim. Sci. 52(8), 254-259.