Avaliação genética de suínos utilizando abordagens freqüentistas e bayesianas

Abstract

Objetivou-se, neste estudo, estimar componentes de (co) variância e parâmetros genéticos em características de importância econômica em uma população de suínos da raça Large White. As características avaliadas foram idade para atingir 100 kg de peso vivo (IDA) e espessura de toucinho ajustada para 100 kg de peso vivo (ET) como características de desempenho e número de leitões nascidos (NLT) como característica reprodutiva. Para obtenção dos componentes de (co)variância foi utilizado o método da Máxima Verossimilhança Restrita, com o algoritmo Livre de Derivadas, por meio dos programas DFREML e MTDFREML, e o algoritmo Amostrador de Gibbs, por meio do programa MTGSAM. Este estudo foi organizado em quatro capítulos, em que os dois primeiros trataram das características IDA e ET e os dois últimos da característica NLT. No primeiro capítulo, foram utilizados quatro diferentes modelos mistos. Para a escolha do modelo que melhor se ajustou aos dados, foram utilizados o teste da razão de verossimilhança (LRT) e o critério de informação de Akaike (AIC). O modelo que incluiu os efeitos genético aditivo materno e comum de leitegada, além do genético aditivo direto, foi o que melhor se ajustou aos dados. As estimativas de herdabilidades aditiva direta foram médias (em torno de 0,28 e 0,45) e as herdabilidade aditiva materna foram baixas (em torno de 0,06 e 0,05) para IDA e ET, respectivamente. As correlações entre os efeitos genéticos aditivo direto e aditivo materno foram negativas, evidenciando antagonismo entre esses efeitos. As estimativas para efeito comum de leitegada foram em torno de 0,11 e 0,03 para IDA e ET, respectivamente. No segundo capítulo foi utilizado o algoritmo do Amostrador de Gibbs. O modelo misto utilizado continha efeito fixo de grupo contemporâneo e os seguintes efeitos aleatórios: efeito genético aditivo direto, efeito genético aditivo materno, efeito comum de leitegada e efeito residual. As médias das estimativas de herdabilidade aditiva direta foram de 0,33 e 0,44 para IDA e ET, respectivamente. As médias das estimativas do efeito comum de leitegada foram de 0,09 e 0,02 para IDA e ET, respectivamente. A estimativa de correlação genética aditiva entre as características foi próxima de zero (-0,015). No terceiro capítulo foram avaliados dois modelos mistos (modelo aditivo e modelo de repetibilidade) para a característica de tamanho de leitegada. O modelo aditivo foi utilizado para a primeira ordem de parto e continha efeito fixo de grupo contemporâneo e os seguintes efeitos aleatórios: efeito genético aditivo direto e efeito residual. O modelo de repetibilidade foi utilizado para a segunda, terceira e quarta ordens de parto e continha os mesmos efeitos do modelo aditivo mais o efeito fixo de ordem de parto e o efeito aleatório não correlacionado de ambiente permanente do animal. As estimativas de herdabilidades aditivas diretas foram de 0,15 e 0,20 para NLT nos modelos aditivo e de repetibilidade, respectivamente. A estimativa do efeito permanente de ambiente da porca (c2) foi de 0,09. As estimativas de tendências genéticas anuais obtidas nos modelos aditivos e de repetibilidade apresentaram comportamentos similares (em torno de 0,02 leitão/fêmea/ ano). No quarto capítulo, o modelo misto continha o efeito fixo de grupo contemporâneo e os seguintes efeitos aleatórios: efeito genético aditivo direto e efeito residual. Dados das primeiras quatro parições foram usados para NLT em duas análises, unicaracterísticas e multicaracterísticas separadas em séries de análises bicaracterísticas, com cada parição tratada como característica diferente. As estimativas de herdabilidades aditivas diretas para as diferentes parições variaram de 0,14 a 0,20 nas análises unicaracterísticas. As estimativas de herdabilidade aditiva direta nas análises multicaracterísticas entre as parições foram consistentes com as estimativas obtidas nas análises unicaracterísticas. Estimativas de correlações fenotípicas foram muito menores comparadas às correlações genéticas. As correlações genéticas foram menores que 0,75 em todas as parições, exceto entre a terceira e a quarta parição, que apresentou correlação alta (0,91). A menor correlação genética foi observada entre a primeira e a segunda ordem de parto (0,60).

This study aimed to estimate (co)variance components and genetic parameters for economically important traits of a Large White swine population. The following traits were evaluated: days to 100 kg (DAYS) and backfat thickness adjusted to 100 kg (BF) as performance traits, and total number of born piglets (TNPB) as reproductive trait. (Co)variance components and genetic parameters were estimated by restricted maximum likelihood, with a derivative-free algorithm using the DFREML and MTDFREML software, and by Gibbs Sampling algorithm using MTGSAM software. This study was structured in four chapters, first and second for performance traits and third and fourth for reproductive traits. In the first chapter, four different mixed models were used and Akaike s information criterion (AIC) was used to choose the model that better fits to data. The inclusion of additive maternal genetic and common litter effects, in addition to the additive direct genetic effect, was recommended. The estimative of additive direct heritability were medium (around 0.28 and 0.45) and the maternal heritability were low (around 0.07 and 0.05) for DAYS and BT, respectively. Correlations between additive direct and maternal genetic effects were negative, showing an antagonism between these effects. The estimates of common litter effects were around 0.03 and 0.11 for BF and DAYS, respectively. In the second chapter, the (co)variance components and genetic parameters were estimated by Gibbs Sampling using the MTGSAM software. A mixed model with contemporary group was used as a fixed effect, while additive direct genetic, additive maternal genetic, common litter and residual as random effects. The additive direct heritabilities for DAYS and BF were 0.33 and 0.44, respectively. The mean estimates of common litter effects for DAYS and BF were 0.09 and 0.02, respectively. The estimate of additive genetic correlation between DAYS and BF was very close to zero (-0.015). In the third chapter, two mixed models (additive and repeatability model) were used to evaluate TNPB using the MTDFREML software. In the additive model, contemporary group was used as a fixed effect, while additive direct genetic and residual as random effects. In the repeatability model, parity order and permanent environment were included as fixed and random effect, respectively. The estimates of additive direct heritabilities were 0.15 and 0.20, for additive and repeatability models, respectively. The fraction of variance due to permanent environmental effects (c2) was 0.09. The estimates of genetic trends for additive and repeatability models were similar (around of 0.02 piglets/sow/year). In the fourth chapter, a mixed model with contemporary group was used as fixed effects, while additive direct genetic and residual as random effects. Data of the first four parities for TNPB were used in single trait and multitrait analyses, using TNPB in each parity as a different trait. Heritabilities of TNPB in different parities in single trait analyses ranged from 0.14 to 0.20. Estimates of additive direct heritabilities in multitrait analyses were similar to the estimates of single trait analyses. Estimates of phenotypic correlations were lower than genetics correlations. The estimates of genetics correlations were lower than 0.75 for all parities, except between third and fourth parities, which showed high genetic correlation (0.91). The smallest genetic correlation was observed between first and second parities (0.60).