Genomic analysis for feed efficiency traits in beef cattle and algorithms to approximate accuracies for single-step genomic best linear unbiased predictor

Abstract

Feed efficiency plays a major role in the overall profitability and sustainability of the beef cattle industry, as it is directly related to the reduction of the animals' input requirements. Traditionally, the average daily feed intake and weight gain are used to calculate feed efficiency traits. The phenotypes are collected in feedlot systems with electronic feed bunks, requiring high financial costs, which limits the data collection. Therefore, new methodologies capable of predicting breeding values with high accuracy for these traits become crucial for selecting efficient animals. In this sense, feed efficiency traits can be analyzed longitudinally using random regression models (RRM), which allow fitting random genetic and environmental effects over time by considering the covariance pattern between the daily records. RRM can be a feasible alternative to evaluate genetic parameters as a function of the evaluation period and increase the accuracy of estimated breeding values (EBV) for feed efficiency. The accuracy of EBV is calculated to help make selection decisions, representing the correlation between the true breeding value and EBV. The theoretical accuracy can be calculated based on the prediction error variances obtained from the diagonal of the inverse of the left-hand side (LHS) of the mixed model equations (MME). However, inverting the LHS is not computationally feasible for an extensive system of equations, especially if genomic information is available. Thus, different algorithms to approximate accuracies have been proposed. Therefore, the first objective of this study was to propose genomic evaluations for dry matter intake (DMI), body weight gain (BWG), residual feed intake (RFI), and residual weight gain (RWG) data collected during an 84-day feedlot test period via random regression models and evaluate the genetic parameters behavior for feed efficiency traits and their implication for new selection strategies. Genetic parameters and genomic breeding values (GEBV) were estimated by random regression models under ssGBLUP for Nellore cattle using orthogonal Legendre polynomials and B-spline. The random regression model using linear B-splines proved a feasible alternative for the genomic evaluation of feed efficiency. Heritability estimates of DMI, RFI, BWG, and RWG indicate enough additive genetic variance to achieve a moderate response to selection. Based on genetic correlations and ranking comparisons between the test days, a new selection strategy can be adopted by reducing the performance test to 56 days for DMI and RFI selection and 77 days for BWG and RWG selection. The second objective of this study was to compare the approximated accuracies from two algorithms implemented in the BLUPF90 suite of programs and compare the approximated accuracies from the two algorithms against the exact accuracy based on the inversion of the LHS of MME. Algorithm 1 approximates accuracies based on the diagonal of the genomic relationship matrix (G). In turn, Algorithm 2 uses block sparse inversion of 𝐆−𝟏 . The Data were provided by the American Angus Association and included three datasets of growth, carcass, and marbling traits. For the genomic evaluations, a multi-trait model was applied to the datasets. To ensure the feasibility of inverting the LHS of the MME, a subset of data under single-trait models was used to compare approximated and exact accuracies. Accuracies from Algorithm 2 presented a higher correlation with the exact accuracies than from Algorithm 1. Additionally, Algorithm 2's accuracies were, in general, closer to the exact accuracies according to the mean square error and demonstrated similar changes in behavior when adding new genotyped animals to the analysis. In summary, the random regression model is a feasible alternative for the genomic evaluation of feed efficiency in Nellore cattle and the Algorithm 2 is more suitable for approximating accuracies of GEBV and should be used for routine ssGBLUP evaluations. Keywords: Feed intake; Longitudinal data; B-splines; Accuracy approximation; Genomic evaluation.A eficiência alimentar desempenha um papel fundamental na lucratividade e na sustentabilidade da indústria de gado de corte, pois está diretamente relacionada à redução dos requisitos de insumos dos animais. Tradicionalmente, a média diária de consumo alimentar e ganho de peso são usados para calcular as características de eficiência alimentar. Os fenótipos são coletados em sistemas de confinamento com cochos de alimentação eletrônicos, o que demanda um alto custo financeiro e limita a coleta de dados. Portanto, novas metodologias capazes de predizer com alta acurácia os valores genéticos para essas características se tornam cruciais para selecionar animais eficientes. Nesse sentido, as características de eficiência alimentar podem ser analisadas longitudinalmente através de modelos de regressão aleatória (MRA), que permitem ajustar efeitos genéticos e ambientais aleatórios ao longo do tempo, considerando o padrão de covariância entre os registros diários. Assim, o MRA representa uma alternativa viável para avaliar os parâmetros genéticos em função do tempo e aumentar a acurácia das estimativas de valores genéticos (EBV) para eficiência alimentar. A acurácia dos EBV é calculada para auxiliar nas decisões de seleção, representando a correlação entre o valor genético verdadeiro e o estimado. A acurácia teórica pode ser calculada com base na variância do erro de predição obtidas através da diagonal da inversa da matriz de coeficientes das equações do modelo misto (EMM). No entanto, inverter a matriz de coeficientes não é computacionalmente viável para um sistema extenso de equações, especialmente se informações genômicas estiverem disponíveis. Desta forma, diferentes algoritmos foram propostos para aproximar acurácias. O primeiro objetivo deste estudo foi propor avaliações genômicas para dados de consumo de matéria seca (CMS), ganho de peso corporal (GPC), consumo alimentar residual (CAR) e ganho de peso residual (GPR) coletados durante um período de teste em confinamento de 84 dias por meio de modelos de regressão aleatória e avaliar o comportamento dos parâmetros genéticos destas características e suas implicações para novas estratégias de seleção. Parâmetros genéticos e valores genéticos genômicos (GEBV) foram estimados por meio de modelos de regressão aleatória via ssGBLUP para bovinos Nelore, utilizando polinômios ortogonais de Legendre e B-splines. O modelo de regressão aleatória usando B-splines lineares mostrou-se a alternativa mais viável para a avaliação genômica de eficiência alimentar, de acordo com a qualidade de ajuste. As estimativas de herdabilidade de CMS, CAR, GPC e GPR indicam variância genética aditiva suficiente para moderada resposta a seleção. Com base nas correlações genéticas e nas comparações de ranking entre os dias de teste, uma nova estratégia de seleção pode ser adotada, reduzindo o período de teste de desempenho para 56 dias para a seleção de CMS e CAR e 77 dias para a seleção de GPC e GPR. O segundo objetivo deste estudo foi comparar as acurácias aproximadas de dois algoritmos implementados no pacote de programas BLUPF90 e compará-las com a acurácia exata obtida com base na inversa da matriz de coeficientes da EMM. O Algoritmo 1 aproxima as acurácias com base na diagonal da matriz de parentesco genômico (G). Por sua vez, o Algoritmo 2 utiliza a inversão esparsa por blocos de 𝐆−𝟏 . Os dados foram fornecidos pela Associação Americana do Angus e incluíram de dados de características de crescimento, carcaça e marmoreio. Para as avaliações genômicas, um modelo multicaracterístico foi utilizado para os três conjuntos de dados. Para inversão da matriz de coeficientes da EMM, um modelo uni característico foi aplicado a um subconjunto de dados para comparar as acurácias aproximadas e exatas. As acurácias obtidas com o Algoritmo 2 apresentaram uma correlação superior com as acurácias exatas em comparação com as do Algoritmo 1. Além disso, as acurácias do Algoritmo 2 foram, no geral, mais próximas das acurácias exatas, conforme evidenciado pelo erro médio quadrático, e demonstraram comportamento semelhantes quando novos animais genotipados foram adicionados à análise. Em resumo, o modelo de regressão aleatória mostrou-se uma alternativa promissora para avaliação genômica de eficiência alimentar, e o Algoritmo 2 mostrou-se mais adequado para a aproximação de acurácias, portanto, é o mais indicado para avaliações genéticas de rotina Palavras-chave: Ingestão alimentar; Dados longitudinais; B-splines; Aproximação de acurácia; Avaliação genômica.