تعداد نشریات | 43 |
تعداد شمارهها | 1,275 |
تعداد مقالات | 15,740 |
تعداد مشاهده مقاله | 51,839,515 |
تعداد دریافت فایل اصل مقاله | 14,674,293 |
کاربرد تجزیهی مؤلفههای اصلی در ارزیابی ژنتیکی گاوهای شیری ایران | ||
پژوهش های علوم دامی (دانش کشاورزی) | ||
مقاله 14، دوره 28، شماره 1، خرداد 1397، صفحه 213-228 اصل مقاله (1.37 M) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
اعظم اسمعیلی نوجهده؛ صادق علیجانی* ؛ کریم حسن پور؛ آرش جوانمرد | ||
گروه علوم دامی دانشگاه تبریز | ||
چکیده | ||
زمینه مطالعاتی: مدل رگرسیون تصادفی یکی از دقیقترین مدلها برای پیشبینی ارزش اصلاحی، با استفاده از رکوردهای روزآزمون میباشد. با این حال بهکار بردن این مدل از نظر محاسباتی دشوار و زمانبر است. هدف: تعیین اهمیت نسبی ارزشهای اصلاحی در روزهای مختلف شیردهی و برآورد مؤلفههای اصلی ژنتیکی برای ارزشهای اصلاحی صفات تولید شیر گاوهای هلشتاین ایران اهداف اصلی تحقیق حاضر میباشند. روش کار: از رکوردهای روزآزمون تولید شیر، درصد چربی و درصد پروتئین دوره شیردهی اول گاوهای شیری هلشتاین (متولد سالهای 1367 تا 1394) که توسط مرکز اصلاح نژاد کشور جمعآوری شده بود، استفاده شد. برای صفات تولید شیر، درصد چربی و درصد پروتئین بهترتیب از رکوردهای 73839، 65165 و 46881 رأس گاو، از 230 گله که در شجره خود دارای 176390 رأس گاو بود، استفاده شد. پارامترهای ژنتیکی این صفات با استفاده از مدل رگرسیون تصادفی و توسط GIBSS3F90 برآورد شد. سپس ماتریس همبستگی بین ارزشهای اصلاحی بهدستآمده در روزهای مختلف شیردهی محاسبه گردید. در ادامه، مؤلفههای اصلی ژنتیکی از ارزشهای اصلاحی توسط رویه PRINCOMP نرمافزار SAS بهدست آمد. نتایج: ماتریس همبستگی ژنتیکی بین ارزشهای اصلاحی پیشبینیشده در روزهای مختلف نشان میدهد که ارزشهای اصلاحی در اواسط دوره شیردهی برای تمامی صفات همبستگی بالایی دارند. با استفاده از تجزیهی مؤلفههای اصلی برای ارزشهای اصلاحی مشاهده شد که دو مؤلفهی اصلی اول درصد بالایی از واریانس ژنتیکی کل را تبیین میکنند. برای صفت تولید شیر اولین مؤلفهی اصلی 48/99 درصد و برای صفات درصد چربی و درصد پروتئین به ترتیب 19/98 درصد و 100 درصد از واریانس کل ژنتیکی توسط دو مولفه اصلی اول تبیین شد. نتیجهگیری نهایی: در جهت کاهش هزینههای رکوردبرداری و با در نظر گرفتن همبستگی بالای بین ارزشهای اصلاحی بهنظر میرسد، پیشبینی ارزشهای اصلاحی برای کل روزهای آزمون ضرورتی ندارد. بنابراین میتوان روی رکوردبرداری در روزهایی که با مؤلفههای اصلی ارتباط بالایی نشان میدهند، تمرکز نمود. | ||
کلیدواژهها | ||
رگرسیون تصادفی؛ ژنتیک؛ مؤلفه اصلی؛ همبستگی ژنتیکی | ||
مراجع | ||
Agudelo-Gómez D, Pineda-Sierra S and Cerón-Muñoz MF, 2015. Genetic evaluation of Dual-Purpose buffaloes (Bubalus bubalis) in Colombia using principal component analysis. PloS one 10(7): e0132811.
Aziz MA, Nishida S, Suzuki K and Nishida A, 2005. Estimation of direct and maternal genetic and permanent environmental effects for weights from birth to 356 days of age in a herd of Japanese Black cattle using random regression. Animal Science 83(3): 519-530.
Batista Pinto LF, Packer IU, de Melo CMR, Ledur MC and Coutinho LL, 2006. Principal components analysis applied to performance and carcass traits in the chicken. Animal Research 55(5): 419-425.
Bignardi AB, El Faro L, Cardoso VL, Machado PF and de Albuquerque LG, 2009. Random regression models to estimate test-day milk yield genetic parameters Holstein cows in Southeastern Brazil. Livestock Science 123(1): 1-7.
Bohlouli M, Alijani S, Shodja J, Eghbal A and Pirani N, 2012. Genetic parameters and genotype by environment interaction in Iranian Holstein dairy cattle. Animal science researches 22(3): 149-159.
Bohlouli M, Shodja J, Alijani S, Eghbal A, 2013. The relationship between temperature-humidity index and test-day milk yield of Iranian Holstein dairy cattle using random regression model. Livestock Science 157(2): 414-420.
Boligon AA, Bignardi AB, Mercadante MEZ, Lobo RB and Albuquerque LG, 2013. Principal components and factor analytic models for birth to mature weights in Nellore cattle. Livestock Science 152(2): 135-142.
Buzanskas ME, Savegnago RP, Grossi DA, Venturing GC, Queiroz SA, Silva LOC, Torres Junior RAA, Munari DP and Alencar MM, 2013. Genetic parameter estimates and principal component analysis of breeding values of reproduction and growth traits in female Canchim cattle. Reproduction, Fertility and Development 25(5): 775-781.
Cobuci, JA, Costa CN, Neto JB and deFreitas AF, 2011. Genetic parameters for milk production by using random regression models with different alternatives of fixed regression modeling. Revista Brasileira de Zootecnia 40(3): 557-567.
Ibe SN, 1989. Measures of size and conformation in commercial broilers. Animal Breeding and Genetic 106(1-6): 461 – 469.
Jamrozik J, Schaeffer LR and Dekkers JCM, 1997. Genetic evaluation of dairy cattle using test day yields and random regression model. Dairy Science 80(6): 1217-1226.
Jensen J, 2001. Genetic evaluation of dairy cattle using test-day models1. Dairy Science 84(12): 2803-2812.
Kheirabadi K, Alijani S, Rafat SA and Moghaddam G, 2013. Estimation of genetic parameters of production traits and persistency of Iranian Holstein cows by random regression. Management system 1(3): 51-63.
Kranis ASG, Sorensen D and Wolliams JA, 2007. The application of random regression models in the genetic analysis of monthly egg production in turkeys and a comparison with alternative longitudinal models. Poultry Sciences 86(3):470-475.
Lewis RM and Brotherstone S, 2002. A genetic evaluation of growth in sheep using random regression techniques. Animal Science 74(1): 63-70.
Misztal I, 2002. Gibbs3f90. http://nce.ads.uga.edu/~ignacy/newprograms.html.
Mohammadi A, Alijani S, Rafat SA and Taghizadeh A, 2013. Comparison of fitting performance of random regression animal and sire models for yield traits of Iranian Holstein dairy cattle. Animal science researches 23(4): 159-178.
Mohammadi A, Alijani S, Rafat SA, Taghizadeh A and Bohlouli M, 2012. Comparison of Fitting Performance of Polynomial Functions in Random Regression Model for Test Day Milk Yield in of Iranian Holstein Dairy Cattle. Research on animal production (Scientific and Research) 3(6): 47-63.
Rencher AC, 2002. Methods of Multivariate Analysis. Wiley-Interscience, New York, NY.
SAS Institute Inc, 2003. SAS 9.1.3 Help and Documentation, Cary, NC: SAS Institute Inc.
Savegnago RP, Caetano SL, Ramos SB, Nascimento GB, Schmidt GS, Ledur MC and Munari DP, 2011. Estimates of genetic parameters, and cluster and principal components analyses of breeding values related to egg production traits in a White Leghorn population. Poultry Science 90(10): 2174 – 2188.
Schaeffer LR and Dekkers JCM, 1994. Random regressions in animal models for test-day production in dairy cattle. Proc. 5th World Congress of Genetics Applied to Livestock Production. Guelph Ontario Canada XVIII: 443-446.
Schaeffer LR, 2004. Application of random regression models in animal breeding. Livestock Production Science 86(1): 35-45.
Strabel T, Ptak E and Szyda J, 2004. Multiple-lactation random regression test-day model for Polish Black and White cattle. Interbull Bulletin 32: 133-136.
Takma C and Akbas Y, 2009. Comparison of fitting performance of random regression models to test day milk yields in Holstein Friesians. Kafkas University Veterinary Fakultesi Dergisi 15(2): 261-266. | ||
آمار تعداد مشاهده مقاله: 472 تعداد دریافت فایل اصل مقاله: 533 |