دوره 15، شماره 4 - ( زمستان 1403 )
جلد 15 شماره 4 صفحات 82-70 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Ala Noshahr F, Seyedsharifi R, Seifdavati J, Hedayat-Evrigh N. (2024). Estimation of Genetic Parameters of the Feed Efficiency Trait using the Random Regression Model in Dairy Cows. Res Anim Prod. 15(4), 70-82. doi:10.61186/rap.15.4.70
URL: http://rap.sanru.ac.ir/article-1-1428-fa.html
URL: http://rap.sanru.ac.ir/article-1-1428-fa.html
علاء نوشهر فاطمه، سید شریفی رضا، سیف دواتی جمال، هدایت ایوریق نعمت. برآورد پارامترهای ژنتیکی صفت بازده خوراک با استفاده از مدل رگرسیون تصادفی در گاوهای شیری پژوهشهاي توليدات دامي 1403; 15 (4) :82-70 10.61186/rap.15.4.70
1- گروه علوم دامی، دانشکده کشاورزی، دانشگاه محقق اردبیلی، اردبیل، ایران
چکیده: (1102 مشاهده)
چکیده مبسوط
مقدمه و هدف: با افزایش هزینه‌های خوراک و آشکارتر شدن اثرات زیست محیطی، افزایش جمعیت جهانی و تمرکز بیشتر بر پایداری، روش‌های بهبود بازده تبدیل خوراک گاوهای شیری به شیر، اهمیت فزایندهای یافته است. گاو کارآمد گاوی است که بههمان میزان که شیر و مواد جامد شیر تولید میکند، غذای کمتری مصرف کرده و سالم و بارور میماند. بنابراین، امکان کاهش هزینهها بدون کاهش تولید فراهم میشود. از طریق پیشرفتهای فناوری، اندازهگیری دقیق صفات مربوط به بازده خوراک، مانند مصرف ماده خشک، وزن بدن، مصرف خوراک باقیمانده و ترکیبات شیر بهراحتی در دسترس قرار گرفته است. لذا این پژوهش با هدف برآورد پارامترهای ژنتیکی صفت بازده خوراک و استراتژی‌های انتخاب بالقوه برای گنجاندن این صفت اقتصادی در برنامههای اصلاح نژادی، انجام گرفت.
مواد و روشها: در مطالعه حاضر از 35478 رکورد مصرف ماده خشک (DMI)، 36353 رکورد شیر اصلاح شده با انرژی (ECM)، 27896 رکورد وزن متابولیک بدن (MBW) و 24508 رکورد مصرف خوراک باقیمانده (RFI) از 5123 گاو هلشتاین اولین دوره شیردهی طی سالهای 2008 تا 2018 مرکز اصلاح نژاد کشور استفاده شد. علاوه بر این، گاوهایی با اولین زایش بیش از 40 ماه از تجزیه و تحلیل حذف شدند. فایل شجره شامل اطلاعات تا 10 نسل برای گاوهای فنوتیپ شده بود که در نتیجه فایل شجرهای با 9471 حیوان ایجاد شد که از این تعداد 978 و 3577 حیوان بهترتیب پدر و مادر بودند. دادههای فنوتیپی ثبت شده از 5 تا 305 DIM برای ایجاد گروههای دوهفتهای شیردهی (Bi-WL) از تقسیم DMIبه 14 (در مجموع 21 کلاس Bi-WL) استفاده شد. دادههای اصلی در قالب رکوردهای روزانه (DMI و MBW)، هفتگی (ECM و MBW) و ماهانه (MBW) جمعآوری شدند. بنابراین، حیوانات باید حداقل دو رکورد برای DMI، ECM و MBW در Bi-WL معین داشته باشند. وراثتپذیری، مؤلفههای واریانس و همبستگی‌های ژنتیکی بین هفته‌های شیردهی در طول دوره شیردهی با استفاده از مدل رگرسیون تصادفی محاسبه شد. بهمنظور برآورد کوواریانس بین صفات از مدل حیوانی رگرسیون تصادفی دو صفتی استفاده شد. واریانسهای باقیمانده همگن برای تجزیه و تحلیل دو صفتی در نظر گرفته شد، تا همگرایی نتایج را ممکن کند. هر دو مدل تک و دو صفتی با استفاده از الگوریتم AIREML توسط WOMBAT تجزیه و تحلیل شدند. همچنین ارزشهای اصلاحی برای ضرایب رگرسیون تصادفی با استفاده از روش BLUP توسط BLUPF90 اجرا شد.
یافتهها: برآوردهای وراثتپذیری از 0/17 تا 0/41 برای مصرف ماده خشک، 0/28 تا 0/45 برای شیر تصحیح شده با انرژی، 0/48 تا 0/78 برای وزن متابولیک بدن و 0/1 تا 0/2 برای مصرف خوراک باقیمانده متغیر بود. برآوردهای وراثتپذیری برای RFI متوسط بود، از 0/2 در اولین کلاس Bi-WL تا 0/13 در آخرین کلاس Bi-WL با حداقل وراثتپذیری در کلاسهای 14 و 15 Bi-WL (0/1). تغییرات بین مراحل مختلف شیردهی برای RFI نیز مشاهده شد. همبستگی‌های ژنتیکی برای RFI از 0/26 تا 0/99 متغیر بود. کمترین همبستگی بین اواسط شیردهی (کلاس 5 تا 11Bi-WL ؛ تقریباً 70 تا 154 DIM) و اواخر شیردهی (کلاس 12 تا 21Bi-WL ؛ تقریباً 168 تا 305 DIM) مشاهده شد. همبستگی‌های ژنتیکی درون صفتی بین هفته‌های شیردهی که نزدیک بههم بودند، برای تمام صفات مورد مطالعه قویتر بود. همبستگی ژنتیکی بین RFI و MBW از 0/64 در اوایل شیردهی تا 0/45- در اواخر شیردهی متغیر بود. آنالیز نسبت گاوهای نر مشترک برای 10 درصد بالا در طول شیردهی نشان داد که گاوهای نری که بالاترین رتبه را برای RFI در اواسط شیردهی دارند، احتمالاً در بین گاوهای نر برتر در سایر مقاطع شیردهی باقی بمانند. همچنین دوره بعد از اوج شیردهی یعنی روزهای 140 تا 226 شیردهی(کلاس 10 تا 19 Bi-WL) میتواند چارچوب خوبی برای انتخاب صفات بازده خوراک باشد.
نتیجهگیری: برای ارزیابی تأثیرات DMI، ECM و MBW هنگام انتخاب برای RFI، میانگین EBV برای همه صفات، بر اساس 10 درصد گاوهای نر برتر برای RFI استفاده شد. مقادیرEBV ها از 10 درصد گاوهای نر برتر برای RFI دارای 2/79 انحراف استاندارد کمتر از میانگین جمعیت بود، که نشان میدهد در صورت انتخاب این حیوانات، کاهش RFI (افزایش کارایی) در جمعیت انتظار میرود. انتخاب بر اساس RFI بهنفع حیوانات با مقادیر RFI پایینتر است. مقادیر منفی RFI نشان میدهد که حیوان بر اساس تولید و سایر عوامل تعدیل، خوراک کمتری از حد انتظار مصرف میکند. همبستگی‌های ژنتیکی برآورد شده بین صفات در طول زمان نشان میدهد که مکانیسمهای متابولیکی بالقوه متفاوتی بین مراحل شیردهی فعال هستند. با توجه به تغییرات این همبستگیها در طول دوره شیردهی، مهم است که مراحل مختلف شیردهی را بهطور جداگانه در نظر بگیریم و در یک برنامه انتخابی همه صفات را بهطور همزمان وارد مدل نمائیم. درک رابطه بین DMI، MBW، ECM، RFI و صفاتی مانند تعادل انرژی و امتیاز وضعیت بدن برای یک رویکرد یکپارچه و موفق، جهت اصلاح نژاد صفت FE مهم است. همچنین حیوانات با پتانسیل ژنتیکی بالا برای تولید، تمایل به مصرف غذای بیشتری برای برآوردن نیازهای تولیدی بالای خود دارند. هدف از توجه به ناکارآمدی استفاده از خوراک، یک روش بالقوه برای بهبود کارایی مزرعه و در عین حال کاهش هزینه‌های تولیدکننده است.
مقدمه و هدف: با افزایش هزینه‌های خوراک و آشکارتر شدن اثرات زیست محیطی، افزایش جمعیت جهانی و تمرکز بیشتر بر پایداری، روش‌های بهبود بازده تبدیل خوراک گاوهای شیری به شیر، اهمیت فزایندهای یافته است. گاو کارآمد گاوی است که بههمان میزان که شیر و مواد جامد شیر تولید میکند، غذای کمتری مصرف کرده و سالم و بارور میماند. بنابراین، امکان کاهش هزینهها بدون کاهش تولید فراهم میشود. از طریق پیشرفتهای فناوری، اندازهگیری دقیق صفات مربوط به بازده خوراک، مانند مصرف ماده خشک، وزن بدن، مصرف خوراک باقیمانده و ترکیبات شیر بهراحتی در دسترس قرار گرفته است. لذا این پژوهش با هدف برآورد پارامترهای ژنتیکی صفت بازده خوراک و استراتژی‌های انتخاب بالقوه برای گنجاندن این صفت اقتصادی در برنامههای اصلاح نژادی، انجام گرفت.
مواد و روشها: در مطالعه حاضر از 35478 رکورد مصرف ماده خشک (DMI)، 36353 رکورد شیر اصلاح شده با انرژی (ECM)، 27896 رکورد وزن متابولیک بدن (MBW) و 24508 رکورد مصرف خوراک باقیمانده (RFI) از 5123 گاو هلشتاین اولین دوره شیردهی طی سالهای 2008 تا 2018 مرکز اصلاح نژاد کشور استفاده شد. علاوه بر این، گاوهایی با اولین زایش بیش از 40 ماه از تجزیه و تحلیل حذف شدند. فایل شجره شامل اطلاعات تا 10 نسل برای گاوهای فنوتیپ شده بود که در نتیجه فایل شجرهای با 9471 حیوان ایجاد شد که از این تعداد 978 و 3577 حیوان بهترتیب پدر و مادر بودند. دادههای فنوتیپی ثبت شده از 5 تا 305 DIM برای ایجاد گروههای دوهفتهای شیردهی (Bi-WL) از تقسیم DMIبه 14 (در مجموع 21 کلاس Bi-WL) استفاده شد. دادههای اصلی در قالب رکوردهای روزانه (DMI و MBW)، هفتگی (ECM و MBW) و ماهانه (MBW) جمعآوری شدند. بنابراین، حیوانات باید حداقل دو رکورد برای DMI، ECM و MBW در Bi-WL معین داشته باشند. وراثتپذیری، مؤلفههای واریانس و همبستگی‌های ژنتیکی بین هفته‌های شیردهی در طول دوره شیردهی با استفاده از مدل رگرسیون تصادفی محاسبه شد. بهمنظور برآورد کوواریانس بین صفات از مدل حیوانی رگرسیون تصادفی دو صفتی استفاده شد. واریانسهای باقیمانده همگن برای تجزیه و تحلیل دو صفتی در نظر گرفته شد، تا همگرایی نتایج را ممکن کند. هر دو مدل تک و دو صفتی با استفاده از الگوریتم AIREML توسط WOMBAT تجزیه و تحلیل شدند. همچنین ارزشهای اصلاحی برای ضرایب رگرسیون تصادفی با استفاده از روش BLUP توسط BLUPF90 اجرا شد.
یافتهها: برآوردهای وراثتپذیری از 0/17 تا 0/41 برای مصرف ماده خشک، 0/28 تا 0/45 برای شیر تصحیح شده با انرژی، 0/48 تا 0/78 برای وزن متابولیک بدن و 0/1 تا 0/2 برای مصرف خوراک باقیمانده متغیر بود. برآوردهای وراثتپذیری برای RFI متوسط بود، از 0/2 در اولین کلاس Bi-WL تا 0/13 در آخرین کلاس Bi-WL با حداقل وراثتپذیری در کلاسهای 14 و 15 Bi-WL (0/1). تغییرات بین مراحل مختلف شیردهی برای RFI نیز مشاهده شد. همبستگی‌های ژنتیکی برای RFI از 0/26 تا 0/99 متغیر بود. کمترین همبستگی بین اواسط شیردهی (کلاس 5 تا 11Bi-WL ؛ تقریباً 70 تا 154 DIM) و اواخر شیردهی (کلاس 12 تا 21Bi-WL ؛ تقریباً 168 تا 305 DIM) مشاهده شد. همبستگی‌های ژنتیکی درون صفتی بین هفته‌های شیردهی که نزدیک بههم بودند، برای تمام صفات مورد مطالعه قویتر بود. همبستگی ژنتیکی بین RFI و MBW از 0/64 در اوایل شیردهی تا 0/45- در اواخر شیردهی متغیر بود. آنالیز نسبت گاوهای نر مشترک برای 10 درصد بالا در طول شیردهی نشان داد که گاوهای نری که بالاترین رتبه را برای RFI در اواسط شیردهی دارند، احتمالاً در بین گاوهای نر برتر در سایر مقاطع شیردهی باقی بمانند. همچنین دوره بعد از اوج شیردهی یعنی روزهای 140 تا 226 شیردهی(کلاس 10 تا 19 Bi-WL) میتواند چارچوب خوبی برای انتخاب صفات بازده خوراک باشد.
نتیجهگیری: برای ارزیابی تأثیرات DMI، ECM و MBW هنگام انتخاب برای RFI، میانگین EBV برای همه صفات، بر اساس 10 درصد گاوهای نر برتر برای RFI استفاده شد. مقادیرEBV ها از 10 درصد گاوهای نر برتر برای RFI دارای 2/79 انحراف استاندارد کمتر از میانگین جمعیت بود، که نشان میدهد در صورت انتخاب این حیوانات، کاهش RFI (افزایش کارایی) در جمعیت انتظار میرود. انتخاب بر اساس RFI بهنفع حیوانات با مقادیر RFI پایینتر است. مقادیر منفی RFI نشان میدهد که حیوان بر اساس تولید و سایر عوامل تعدیل، خوراک کمتری از حد انتظار مصرف میکند. همبستگی‌های ژنتیکی برآورد شده بین صفات در طول زمان نشان میدهد که مکانیسمهای متابولیکی بالقوه متفاوتی بین مراحل شیردهی فعال هستند. با توجه به تغییرات این همبستگیها در طول دوره شیردهی، مهم است که مراحل مختلف شیردهی را بهطور جداگانه در نظر بگیریم و در یک برنامه انتخابی همه صفات را بهطور همزمان وارد مدل نمائیم. درک رابطه بین DMI، MBW، ECM، RFI و صفاتی مانند تعادل انرژی و امتیاز وضعیت بدن برای یک رویکرد یکپارچه و موفق، جهت اصلاح نژاد صفت FE مهم است. همچنین حیوانات با پتانسیل ژنتیکی بالا برای تولید، تمایل به مصرف غذای بیشتری برای برآوردن نیازهای تولیدی بالای خود دارند. هدف از توجه به ناکارآمدی استفاده از خوراک، یک روش بالقوه برای بهبود کارایی مزرعه و در عین حال کاهش هزینه‌های تولیدکننده است.
واژه‌های کلیدی: بازده خوراک، شیر اصلاح شده با انرژی، گاو شیری، مصرف ماده خشک، مصرف خوراک باقیمانده، وزن متابولیک بدن
فهرست منابع
1. Alijani, S. (2015). Comparison of Two Singles-and Multiple Trait Random Regression Models in Estimation of Genetic Parameters of Production Traits in Holstein Dairy Cattle. Research on Animal Production, 5(10), 179-189. [In Persian]
2. Banos, G., & Coffey, M. P. (2010). Genetic association between body energy measured throughout lactation and fertility in dairy cattle. Animal, 4(2), 189-199. [DOI:10.1017/S1751731109991182]
3. Berry, D. P., & Crowley, J. J. (2013). Cell biology symposium: genetics of feed efficiency in dairy and beef cattle. Journal of Animal Science, 91(4), 1594-1613. [DOI:10.2527/jas.2012-5862]
4. Brito, L. F., Oliveira, H. R., Houlahan, K., Fonseca, P. A., Lam, S., Butty, A. M., ... & Schenkel, F. S. (2020). Genetic mechanisms underlying feed utilization and implementation of genomic selection for improved feed efficiency in dairy cattle. Canadian Journal of Animal Science, 100(4), 587-604. [DOI:10.1139/cjas-2019-0193]
5. Connor, E. E. (2015). Invited review: Improving feed efficiency in dairy production: Challenges and possibilities. Animal, 9(3), 395-408. [DOI:10.1017/S1751731114002997]
6. Connor, E. E., Hutchison, J. L., Norman, H. D., Olson, K. M., Van Tassell, C. P., Leith, J. M., & Baldwin, R. (2013). Use of residual feed intake in Holsteins during early lactation shows potential to improve feed efficiency through genetic selection. Journal of Animal Science, 91(8), 3978-3988. [DOI:10.2527/jas.2012-5977]
7. Houlahan, K., Schenkel, F. S., Hailemariam, D., Lassen, J., Kargo, M., Cole, J. B., ... & Baes, C. F. (2021). Effects of incorporating dry matter intake and residual feed intake into a selection index for dairy cattle using deterministic modeling. Animals, 11(4), 1157. [DOI:10.3390/ani11041157]
8. Hüttmann, H., Stamer, E., Junge, W., Thaller, G., & Kalm, E. (2009). Analysis of feed intake and energy balance of high-yielding first lactating Holstein cows with fixed and random regression models. Animal, 3(2), 181-188. [DOI:10.1017/S175173110800325X]
9. Jamrozik, J., & Schaeffer, L. R. (1997). Estimates of genetic parameters for a test day model with random regressions for yield traits of first lactation Holsteins. Journal of Dairy Science, 80(4), 762-770. [DOI:10.3168/jds.S0022-0302(97)75996-4]
10. Kirkpatrick, M., Lofsvold, D., & Bulmer, M. (1990). Analysis of the inheritance, selection and evolution of growth trajectories. Genetics, 124(4), 979-993. [DOI:10.1093/genetics/124.4.979]
11. Koch, R. M., Swiger, L. A., Chambers, D., & Gregory, K. E. (1963). Efficiency of feed use in beef cattle. Journal of Animal science, 22(2), 486-494. [DOI:10.2527/jas1963.222486x]
12. Krattenmacher, N., Thaller, G., & Tetens, J. (2019). Analysis of the genetic architecture of energy balance and its major determinants dry matter intake and energy-corrected milk yield in primiparous Holstein cows. Journal of Dairy Science, 102(4), 3241-3253. [DOI:10.3168/jds.2018-15480]
13. Li, B., Berglund, B., Fikse, W. F., Lassen, J., Lidauer, M. H., Mäntysaari, P., & Løvendahl, P. (2017). Neglect of lactation stage leads to naive assessment of residual feed intake in dairy cattle. Journal of Dairy Science, 100(11), 9076-9084. [DOI:10.3168/jds.2017-12775]
14. Li, B., Fikse, W. F., Lassen, J., Lidauer, M. H., Løvendahl, P., & Berglund, B. (2016). Genetic parameters fo dry matter intake in primiparous Holstein, Nordic Red and Jersey. Annual Meeting of the European Federation of Animal Science, Wageningen Academic Publishers. [DOI:10.3168/jds.2015-10669]
15. Li, B., Fikse, W. F., Løvendahl, P., Lassen, J., Lidauer, M. H., Mäntysaari, P., & Berglund, B. (2018). Genetic heterogeneity of feed intake, energy-corrected milk, and body weight across lactation in primiparous Holstein, Nordic Red, and Jersey cows. Journal of Dairy Science, 101(11), 10011-10021. [DOI:10.3168/jds.2018-14611]
16. Liinamo, A. E., Mäntysaari, P., Lidauer, M. H., & Mäntysaari, E. A. (2015). Genetic parameters for residual energy intake and energy conversion efficiency in Nordic Red dairy cattle. Acta Agriculturae Scandinavica, Animal Science, 65(2), 63-72. [DOI:10.1080/09064702.2015.1070897]
17. Liinamo, A. E., Mäntysaari, P., & Mäntysaari, E. A. (2012). Genetic parameters for feed intake, production, and extent of negative energy balance in Nordic Red dairy cattle. Journal of Dairy Science, 95(11), 6788-6794. [DOI:10.3168/jds.2012-5342]
18. Lu, Y., Vandehaar, M. J., Spurlock, D. M., Weigel, K. A., Armentano, L. E., Staples, C. R., ... & Tempelman, R. J. (2015). An alternative approach to modeling genetic merit of feed efficiency in dairy cattle. Journal of Dairy Science, 98(9), 6535-6551. [DOI:10.3168/jds.2015-9414]
19. Manzanilla-Pech, C. I. V., Veerkamp, R. F., Calus, M. P. L., Zom, R., Van Knegsel, A., Pryce, J. E., & De Haas, Y. (2014). Genetic parameters across lactation for feed intake, fat-and protein-corrected milk, and liveweight in first-parity Holstein cattle. Journal of Dairy Science, 97(9), 5851-5862. [DOI:10.3168/jds.2014-8165]
20. Manzanilla-Pech, C. I. V., Veerkamp, R. F., Tempelman, R. J., Van Pelt, M. L., Weigel, K. A., VandeHaar, M., & De Haas, Y. (2016). Genetic parameters between feed-intake-related traits and conformation in 2 separate dairy populations-the Netherlands and United States. Journal of Dairy Science, 99(1), 443-457. [DOI:10.3168/jds.2015-9727]
21. Meyer, K. (2007). WOMBAT-A tool for mixed model analyses in quantitative genetics by restricted maximum likelihood (REML). Journal of Zhejiang University Science, 8, 815-821. [DOI:10.1631/jzus.2007.B0815]
22. Mohammadi, A., Alijani, S., Rafat, S. A., Taghizadeh, A., & Buhloli, M. (2013). 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, 3(6), 46-63. [In Persian]
23. NRC (2001). Nutrient Requirements of Dairy Cattle. 7th Edn. Washington, DC: Natl. Acad. Press.
24. Oliveira, H. R., Brito, L. F., Lourenco, D. A. L., Silva, F. F., Jamrozik, J., Schaeffer, L. R., & Schenkel, F. S. (2019a). Invited review: Advances and applications of random regression models: From quantitative genetics to genomics. Journal of Dairy Science, 102(9), 7664-7683. [DOI:10.3168/jds.2019-16265]
25. Seymour, D. J., Cánovas, A., Chud, T. C. S., Cant, J. P., Osborne, V. R., Baes, C. F., ... & Miglior, F. (2020). The dynamic behavior of feed efficiency in primiparous dairy cattle. Journal of Dairy Science, 103(2), 1528-1540. [DOI:10.3168/jds.2019-17414]
26. Shadpour, S., Chud, T. C., Hailemariam, D., Oliveira, H. R., Plastow, G., Stothard, P., ... & Schenkel, F. S. (2022). Predicting dry matter intake in Canadian Holstein dairy cattle using milk mid-infrared reflectance spectroscopy and other commonly available predictors via artificial neural networks. Journal of Dairy Science, 105(10), 8257-8271. [DOI:10.3168/jds.2021-21297]
27. Sjaunja, L. O. (1990). A Nordic proposal for an energy-corrected milk (ECM) formula. 27th Session International Committee for Recording and Productivity of Milk Animals; 2-6 July 1990, Paris, France.
28. Tempelman, R. J., Spurlock, D. M., Coffey, M., Veerkamp, R. F., Armentano, L. E., Weigel, K. A., & VandeHaar, M. J. (2015). Heterogeneity in genetic and nongenetic variation and energy sink relationships for residual feed intake across research stations and countries. Journal of Dairy Science, 98(3), 2013-2026. [DOI:10.3168/jds.2014.8510]
29. VanRaden, P. M. (2008). Efficient methods to compute genomic predictions. Journal of Dairy Science, 91(11), 4414-4423. [DOI:10.3168/jds.2007-0980]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
