Research on Animal Production

fa برآورد پارامترهای ژنتیکی صفت بازده خوراک با استفاده از مدل رگرسیون تصادفی در گاوهای شیری Estimation of Genetic Parameters of the Feed Efficiency Trait using the Random Regression Model in Dairy Cows ژنتیک و اصلاح نژاد دام ژنتیک و اصلاح نژاد دام پژوهشي Research <div style="text-align: justify;">چکیده مبسوط مقدمه و هدف: با افزایش هزینه&lrm;های 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 فزاینده&lrm;ای یافته است. گاو کارآمد گاوی است که به&lrm;همان میزان که شیر و مواد جامد شیر تولید می&lrm;کند، غذای کمتری مصرف کرده و سالم و بارور می&lrm;ماند. بنابراین، امکان کاهش هزینه&lrm;ها بدون کاهش تولید فراهم می&lrm;شود. از طریق پیشرفت&lrm;های فناوری، اندازه&lrm;گیری دقیق صفات مربوط به بازده خوراک، مانند مصرف ماده خشک، وزن بدن، مصرف خوراک باقیمانده و ترکیبات شیر به&lrm;راحتی 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 برنامه&lrm;های اصلاح نژادی، انجام گرفت. مواد و روش&lrm;ها: 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 سال&lrm;های 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 شجره&lrm;ای با 9471 حیوان ایجاد شد که از این تعداد 978 و 3577 حیوان به&lrm;ترتیب پدر و مادر بودند. داده&lrm;های فنوتیپی ثبت شده از 5 تا 305 DIM برای ایجاد گروه&lrm;های دوهفته&lrm;ای شیردهی (Bi-WL) از تقسیم  DMIبه 14 (در مجموع 21 کلاس Bi-WL) استفاده شد. داده&lrm;های اصلی در قالب رکوردهای روزانه (DMI و MBW)، هفتگی (ECM و MBW) و ماهانه (MBW) جمع&lrm;آوری شدند. بنابراین، حیوانات باید حداقل دو رکورد برای DMI، ECM  و MBW در Bi-WL معین داشته باشند. وراثت&lrm;پذیری، مؤلفه&lrm;های واریانس و همبستگی&lrm;های ژنتیکی بین هفته&lrm;های شیردهی در طول دوره شیردهی با استفاده از مدل رگرسیون تصادفی محاسبه شد. به‌&lrm;منظور برآورد کوواریانس بین صفات از مدل حیوانی رگرسیون تصادفی دو صفتی استفاده شد. واریانس&lrm;های 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 ارزش&lrm;های اصلاحی برای ضرایب رگرسیون تصادفی با استفاده از روش BLUP توسط BLUPF90 اجرا شد. یافته&lrm;ها: برآوردهای وراثت&lrm;پذیری 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 وراثت&lrm;پذیری برای RFI متوسط بود، از 0/2 در اولین کلاس Bi-WL تا 0/13 در آخرین کلاس Bi-WL با حداقل وراثت&lrm;پذیری در کلاس&lrm;های 14 و 15 Bi-WL (0/1). تغییرات بین مراحل مختلف شیردهی برای RFI نیز مشاهده شد. همبستگی&lrm;های 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 به&lrm;هم بودند، برای تمام صفات مورد مطالعه قوی&lrm;تر 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) می&lrm;تواند چارچوب خوبی برای انتخاب صفات بازده خوراک باشد. نتیجه&lrm;گیری: 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 می&lrm;دهد در صورت انتخاب این حیوانات، کاهش RFI  (افزایش کارایی) در جمعیت انتظار می&lrm;رود. انتخاب بر اساس RFI به&lrm;نفع حیوانات با مقادیر RFI پایین&lrm;تر است. مقادیر منفی RFI نشان می&lrm;دهد که حیوان بر اساس تولید و سایر عوامل تعدیل، خوراک کمتری از حد انتظار مصرف می&lrm;کند. همبستگی&lrm;های ژنتیکی برآورد شده بین صفات در طول زمان نشان می&lrm;دهد که مکانیسم&lrm;های متابولیکی بالقوه متفاوتی بین مراحل شیردهی فعال هستند. با توجه به تغییرات این همبستگی&lrm;ها در طول دوره شیردهی، مهم است که مراحل مختلف شیردهی را به&lrm;طور جداگانه در نظر بگیریم و در یک برنامه انتخابی همه صفات را به&lrm;طور 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.</div> <div style="text-align: justify;">Extended Abstract Background: With the increase in feed costs and the environmental impacts becoming more apparent, the global population growing, and a greater focus on sustainability, methods for improving the efficiency of converting feed into milk in dairy cows have become increasingly important. An efficient cow is one that consumes less feed for the same amount of milk and milk solids it produces, and remains healthy and fertile. This makes it possible to reduce costs without reducing production. Through technological advances, accurate measurements of feed efficiency traits, such as dry matter intake, body weight, residual feed intake, and milk composition, have become readily available. Therefore, this study aimed to estimate the genetic parameters of the feed efficiency trait and potential selection strategies for incorporating this economic trait into breeding programs. Methods: In the present study, 35,478 records of dry matter intake (DMI), 36,353 records of energy-modified milk (ECM), 27,896 records of metabolic body weight (MBW), and 24,508 records of residual feed intake (RFI) from 5,123 first lactation Holstein cows from the National Breeding Center during 2008 to 2018 were used. In addition, cows with a first calving age greater than 40 months were excluded from the analysis. The pedigree file included information for up to 10 generations for the phenotyped cows, resulting in a pedigree file with 9,471 animals, of which 978 and 3,577 were sires and dams, respectively. Phenotypic data recorded from 5 to 305 DIM were used to create biweekly lactation (Bi-WL) groups by dividing DMI into 14 (total 21 Bi-WL classes). The main data were collected in the form of daily (DMI and MBW), weekly (ECM and MBW) and monthly (MBW) records. Therefore, animals should have at least two records for DMI, ECM and MBW in a given Bi-WL. Heritability, variance components and genetic correlations between lactation weeks were calculated during the lactation period using a random regression model. In order to estimate the covariance between traits, a two-trait random regression animal model was used. Homogeneous residual variances were considered for the two-trait analysis, to enable convergence of the results. Both single and two-trait models were analyzed using the AIREML algorithm by WOMBAT. Also, correction values for the random regression coefficients were implemented using the BLUP method by BLUPF90. Results: Heritability estimates ranged from 0.17 to 0.41 for dry matter intake, 0.28 to 0.45 for energy-corrected milk, 0.48 to 0.78 for metabolic body weight, and 0.1 to 0.2 for residual feed intake. Heritability estimates for RFI were moderate, ranging from 0.2 in the first Bi-WL class to 0.13 in the last Bi-WL class with minimal heritability in Bi-WL classes 14 and 15 (0.1). Variation between lactation stages for RFI was also observed. Genetic correlations for RFI ranged from 0.26 to 0.99. The lowest correlations were observed between mid-lactation (Bi-WL classes 5 to 11; approximately 70 to 154 DIM) and late lactation (Bi-WL classes 12 to 21; approximately 168 to 305 DIM). Intratrait genetic correlations were strongest between closely spaced weeks of lactation for all traits studied. Genetic correlations between RFI and MBW ranged from 0.64 in early lactation to -0.45 in late lactation. Analysis of the proportion of bulls sharing the top 10% throughout lactation indicated that bulls with the highest ranking for RFI in mid-lactation were likely to remain among the top bulls throughout the rest of lactation. Also, the post-peak lactation period, i.e. days 140 to 226 of lactation (Bi-WL class 10 to 19), could be a good framework for selecting for feed efficiency traits. <v:shape href="https://creativecommons.org/licenses/by-nc/2.0/" id="Picture_x0020_17" o:button="t" style="position:absolute; left:0; text-align:left; margin-left:5px; margin-top:56px; width:63.85pt; height:24.2pt; z-index:251659264" type="#_x0000_t75"> <v:fill o:detectmouseclick="t"> </v:fill></v:shape><v:shape filled="f" id="Text_x0020_Box_x0020_16" o:gfxdata="UEsDBBQABgAIAAAAIQC75UiUBQEAAB4CAAATAAAAW0NvbnRlbnRfVHlwZXNdLnhtbKSRvU7DMBSF dyTewfKKEqcMCKEmHfgZgaE8wMW+SSwc27JvS/v23KTJgkoXFsu+P+c7Ol5vDoMTe0zZBl/LVVlJ gV4HY31Xy4/tS3EvRSbwBlzwWMsjZrlprq/W22PELHjb51r2RPFBqax7HCCXIaLnThvSAMTP1KkI +gs6VLdVdad08ISeCho1ZLN+whZ2jsTzgcsnJwldluLxNDiyagkxOquB2Knae/OLUsyEkjenmdzb mG/YhlRnCWPnb8C898bRJGtQvEOiVxjYhtLOxs8AySiT4JuDystlVV4WPeM6tK3VaILeDZxIOSsu ti/jidNGNZ3/J08yC1dNv9v8AAAA//8DAFBLAwQUAAYACAAAACEArTA/8cEAAAAyAQAACwAAAF9y ZWxzLy5yZWxzhI/NCsIwEITvgu8Q9m7TehCRpr2I4FX0AdZk2wbbJGTj39ubi6AgeJtl2G9m6vYx jeJGka13CqqiBEFOe2Ndr+B03C3WIDihMzh6RwqexNA281l9oBFTfuLBBhaZ4ljBkFLYSMl6oAm5 8IFcdjofJ0z5jL0MqC/Yk1yW5UrGTwY0X0yxNwri3lQgjs+Qk/+zfddZTVuvrxO59CNCmoj3vCwj MfaUFOjRhrPHaN4Wv0VV5OYgm1p+LW1eAAAA//8DAFBLAwQUAAYACAAAACEAdW3iNVQEAADkDwAA HwAAAGNsaXBib2FyZC9kcmF3aW5ncy9kcmF3aW5nMS54bWzsV+tOIzcU/l+p73Dk30ACJAGiHVZp tlmtRFlE4AEcjzPj4rGntieXfaN9jT5ZP3uSJUDF3qVWAqTM+Njz+fg7x+fy6vWq0rSQzitrMnZ4 0GUkjbC5MkXGbm8m+6eMfOAm59oambG19Oz1+a+/vOLDwvG6VIKAYPyQZ6wMoR52Ol6UsuL+wNbS YG5uXcUDhq7o5I4vgVzpzlG3O+hUXBl2fg/1hgdOjVPfAKWtuJP5mJsF94DUYrgr2eioxfcj86FZ vHX1tL5yUXNxubhypPKMgTnDK1DEOpuJzTIMO4++Ku4BVnNXxfV2PqdVxsBLb3DWZ7TO2Nmgd9Lv 91s8uQoksKDXP+2ddLGZwIrjwekx3tsNy/efgRDl78+DQM1WHbzsqOjrqKBZPD3z4WB76Juo3292 RRBtzx/XU1hBCs9Kdvb1BezkydhxyU0hR87ZZSl57uOKligw2m6USNvu6SPWbPmHzcEwb4JNeD+I vE/n5sPa+fBW2oriS8acFCHtxBcXPrQKbpckUuxEaZ0OrM0DATCjBI+oepwKq2kiMjKSr6NkhieO 5Sx2gkVxDcN7/My1XWZMaFUzKq378FgW18GRMcNoiUuYMf9Xw51kpN8ZMHl22OsBLqRBr39yhIHb nZntznAjAJWxwKh9HQeM8ElTO1WU2Km1nbEj0D5XGxZa3eMptA/TsNYysZBOGG3FdYGA8mfjQ+sP iQKHCQ3DZ0ya/dspQsuHjA3gwRHHW63ySGcauGI21o4WXEOZ9LfxjwfL5HwOC7WmgSY8KENhXcs5 F/CTMddq5hSjmhvrIegedSfdPn7jf697HH8xq4IoJ7xSOl4pCETJnZfJKOlQku+A3qhKerqUS7q2 FTcPwI+6A4D2AR03OX4Cfoho+hhc+F1wx3MVEIu5ppHjMyW+HX//5HRDGWiPnIbzsa3Xyaj090dQ 0KOR5nRpfclLRzLAaAd01cy08qXMabamKXeKRoVTotGhcdBqKhQSBBhATqBL3gqvpbeNi9Jbo1I2 CeuD6Psh3YC0uzT5FXf8+t9c4LC38YHn7fmjqf+/2/We0kRze/eipV8u4H/0At6UytPSujvCUysh jcdFa0wuETHp0Y15PmRSg7hvii8InZPJS+hEOP6K0LwJnXxYamXuxjDU3aaERGr8fJmLWg6mfWNF U0kT2lrXyZidrPGlqj3y8TDWjO5dvi177mO0k1i4kDS2VYX1NArBqVkTP96/tCaKpRMKsbh30EXA ra0LcKKL1pu+yode0m5bKNz83LRLS/RJJbIrCjtPjUe7RcESDJ3vkUBO3qNc+dbKMiXWit9JQlBQ i9YXYsjwhFYKpbPZF/cuUDeuRmmDOYeiNZSS0GzhO673iCPEWFPEZ5xA1YxCj+w8jSzqABXLjG00 Eip6Ue3Qtjn9kr1/flX2NHvHgulTcwA3mdbXqG7brqPtHlI7gWT/qL9N6X/Tj8cmend8/g8AAAD/ /wMAUEsDBBQABgAIAAAAIQCcTl4h4gYAADocAAAaAAAAY2xpcGJvYXJkL3RoZW1lL3RoZW1lMS54 bWzsWU9vG0UUvyPxHUZ7b+P/jaM6VezYDbRpo9gt6nG8Hu9OM7uzmhkn9Q21RyQkREEcqMSNAwIq tRKX8mkCRVCkfgXezOyud+I1SdsIKmgO8e7b37z/782b3ctX7kUMHRIhKY87XvVixUMk9vmExkHH uzUaXFj3kFQ4nmDGY9Lx5kR6Vzbff+8y3vAZTcYci8koJBFBwCiWG7jjhUolG2tr0gcylhd5QmJ4 NuUiwgpuRbA2EfgIBERsrVaptNYiTGNvEzgqzajP4F+spCb4TAw1G4JiHIH0m9Mp9YnBTg6qGiHn sscEOsSs4wHPCT8akXvKQwxLBQ86XsX8eWubl9fwRrqIqRVrC+sG5i9dly6YHNSMTBGMc6HVQaN9 aTvnbwBMLeP6/X6vX835GQD2fbDU6lLk2RisV7sZzwLIXi7z7lWalYaLL/CvL+nc7na7zXaqi2Vq QPaysYRfr7QaWzUHb0AW31zCN7pbvV7LwRuQxbeW8INL7VbDxRtQyGh8sITWAR0MUu45ZMrZTil8 HeDrlRS+QEE25NmlRUx5rFblWoTvcjEAgAYyrGiM1DwhU+xDTvZwNBYUawF4g+DCE0vy5RJJy0LS FzRRHe/DBMdeAfLy2fcvnz1Bx/efHt//6fjBg+P7P1pGzqodHAfFVS++/ezPRx+jP5588+LhF+V4 WcT/+sMnv/z8eTkQymdh3vMvH//29PHzrz79/buHJfAtgcdF+IhGRKIb5Ajt8wgMM15xNSdj8Wor RiGmxRVbcSBxjLWUEv59FTroG3PM0ug4enSJ68HbAtpHGfDq7K6j8DAUM0VLJF8LIwe4yznrclHq hWtaVsHNo1kclAsXsyJuH+PDMtk9HDvx7c8S6JtZWjqG90LiqLnHcKxwQGKikH7GDwgpse4OpY5f d6kvuORThe5Q1MW01CUjOnayabFoh0YQl3mZzRBvxze7t1GXszKrt8mhi4SqwKxE+RFhjhuv4pnC URnLEY5Y0eHXsQrLlBzOhV/E9aWCSAeEcdSfECnL1twUYG8h6NcwdKzSsO+yeeQihaIHZTyvY86L yG1+0AtxlJRhhzQOi9gP5AGkKEZ7XJXBd7lbIfoe4oDjleG+TYkT7tO7wS0aOCotEkQ/mYmSWF4l 3Mnf4ZxNMTGtBpq606sjGv9d42YUOreVcH6NG1rl868flej9trbsLdi9ympm50SjXoU72Z57XEzo 29+dt/Es3iNQEMtb1Lvm/K45e//55ryqns+/JS+6MDRoPYvYQduM3dHKqXtKGRuqOSPXpRm8Jew9 kwEQ9TpzuiT5KSwJ4VJXMghwcIHAZg0SXH1EVTgMcQJDe9XTTAKZsg4kSriEw6Ihl/LWeBj8lT1q NvUhxHYOidUun1hyXZOzs0bOxmgVmANtJqiuGZxVWP1SyhRsex1hVa3UmaVVjWqmKTrScpO1i82h HFyemwbE3Jsw1CAYhcDLLTjfa9Fw2MGMTLTfbYyysJgonGeIZIgnJI2Rtns5RlUTpCxXlgzRdthk 0AfHU7xWkNbWbN9A2lmCVBTXWCEui96bRCnL4EWUgNvJcmRxsThZjI46XrtZa3rIx0nHm8I5GS6j BKIu9RyJWQBvmHwlbNqfWsymyhfRbGeGuUVQhVcf1u9LBjt9IBFSbWMZ2tQwj9IUYLGWZPWvNcGt 52VASTc6mxb1dUiGf00L8KMbWjKdEl8Vg12gaN/Z27SV8pkiYhhOjtCYzcQ+hvDrVAV7JlTC6w7T EfQNvJvT3jaP3OacFl3xjZjBWTpmSYjTdqtLNKtkCzcNKdfB3BXUA9tKdTfGvboppuTPyZRiGv/P TNH7Cbx9qE90BHx40Ssw0pXS8bhQIYculITUHwgYHEzvgGyB97vwGJIK3kqbX0EO9a+tOcvDlDUc ItU+DZCgsB+pUBCyB23JZN8pzKrp3mVZspSRyaiCujKxao/JIWEj3QNbem/3UAipbrpJ2gYM7mT+ ufdpBY0DPeQU683pZPnea2vgn558bDGDUW4fNgNN5v9cxXw8WOyqdr1Znu29RUP0g8WY1ciqAoQV toJ2WvavqcIrbrW2Yy1ZXGtmykEUly0GYj4QJfAOCel/sP9R4TP7BUNvqCO+D70VwccLzQzSBrL6 gh08kG6QljiGwckSbTJpVta16eikvZZt1uc86eZyTzhba3aWeL+is/PhzBXn1OJ5Ojv1sONrS1vp aojsyRIF0jQ7yJjAlH3J2sUJGgfVjgdfkyDQ9+AKvkd5QKtpWk3T4Ao+MsGwZL8Mdbz0IqPAc0vJ MfWMUs8wjYzSyCjNjALDWfoNJqO0oFPpzybw2U7/eCj7QgITXPpFJWuqzue+zb8AAAD//wMAUEsD BBQABgAIAAAAIQDPt/zhBAEAAPABAAAqAAAAY2xpcGJvYXJkL2RyYXdpbmdzL19yZWxzL2RyYXdp bmcxLnhtbC5yZWxzrJHLasMwEEX3hf6Dmb0lO5RSSmRv0kIW3ZT0A1R5/CDWyGhUE/99J86iDQS6 6UYgCd0552pbn/yYzRh5CGSgVAVkSC40A3UGPg6v+RNknCw1dgyEBhZkqKv7u+07jjbJI+6HiTNJ ITbQpzQ9a82uR29ZhQlJbtoQvU2yjZ2erDvaDvWmKB51/J0B1VVmtm8MxH2zgeywTDL57+zQtoPD XXBfHindGKGTcKEE2thhMqDU5eSylkpYQd/GKP8ToxehOA50/EE527FU5yJKrTO64L2Uu3Y2ihUx sv5ccnL6QRW6jtga14fAGPP5DLcqvYVGmno5JYxkVxd99U/VNwAAAP//AwBQSwECLQAUAAYACAAA ACEAu+VIlAUBAAAeAgAAEwAAAAAAAAAAAAAAAAAAAAAAW0NvbnRlbnRfVHlwZXNdLnhtbFBLAQIt ABQABgAIAAAAIQCtMD/xwQAAADIBAAALAAAAAAAAAAAAAAAAADYBAABfcmVscy8ucmVsc1BLAQIt ABQABgAIAAAAIQB1beI1VAQAAOQPAAAfAAAAAAAAAAAAAAAAACACAABjbGlwYm9hcmQvZHJhd2lu Z3MvZHJhd2luZzEueG1sUEsBAi0AFAAGAAgAAAAhAJxOXiHiBgAAOhwAABoAAAAAAAAAAAAAAAAA sQYAAGNsaXBib2FyZC90aGVtZS90aGVtZTEueG1sUEsBAi0AFAAGAAgAAAAhAM+3/OEEAQAA8AEA ACoAAAAAAAAAAAAAAAAAyw0AAGNsaXBib2FyZC9kcmF3aW5ncy9fcmVscy9kcmF3aW5nMS54bWwu cmVsc1BLBQYAAAAABQAFAGcBAAAXDwAAAAA= " stroked="f" style="position:absolute; left:0; text-align:left; margin-left:97px; margin-top:51px; width:361pt; height:29pt; z-index:251661312; v-text-anchor:top" type="#_x0000_t202"> <v:textbox> </v:textbox> <w:wrap anchorx="margin"> </w:wrap></v:shape>Conclusion: To assess the effects of DMI, ECM, and MBW when selecting for RFI, the mean EBV for all traits was used, based on the top 10% of bulls for RFI. The EBV values from the top 10% of bulls for RFI were 2.79 standard deviations below the population mean, indicating that a <v:shape filled="f" id="Text_x0020_Box_x0020_12" o:gfxdata="UEsDBBQABgAIAAAAIQC75UiUBQEAAB4CAAATAAAAW0NvbnRlbnRfVHlwZXNdLnhtbKSRvU7DMBSF dyTewfKKEqcMCKEmHfgZgaE8wMW+SSwc27JvS/v23KTJgkoXFsu+P+c7Ol5vDoMTe0zZBl/LVVlJ gV4HY31Xy4/tS3EvRSbwBlzwWMsjZrlprq/W22PELHjb51r2RPFBqax7HCCXIaLnThvSAMTP1KkI +gs6VLdVdad08ISeCho1ZLN+whZ2jsTzgcsnJwldluLxNDiyagkxOquB2Knae/OLUsyEkjenmdzb mG/YhlRnCWPnb8C898bRJGtQvEOiVxjYhtLOxs8AySiT4JuDystlVV4WPeM6tK3VaILeDZxIOSsu ti/jidNGNZ3/J08yC1dNv9v8AAAA//8DAFBLAwQUAAYACAAAACEArTA/8cEAAAAyAQAACwAAAF9y ZWxzLy5yZWxzhI/NCsIwEITvgu8Q9m7TehCRpr2I4FX0AdZk2wbbJGTj39ubi6AgeJtl2G9m6vYx jeJGka13CqqiBEFOe2Ndr+B03C3WIDihMzh6RwqexNA281l9oBFTfuLBBhaZ4ljBkFLYSMl6oAm5 8IFcdjofJ0z5jL0MqC/Yk1yW5UrGTwY0X0yxNwri3lQgjs+Qk/+zfddZTVuvrxO59CNCmoj3vCwj MfaUFOjRhrPHaN4Wv0VV5OYgm1p+LW1eAAAA//8DAFBLAwQUAAYACAAAACEA0pMOvGkDAAAACwAA HwAAAGNsaXBib2FyZC9kcmF3aW5ncy9kcmF3aW5nMS54bWzsVstu3DYU3RfIP1xwbXskRRqPB5ED 142DAHkYHqf7OxQ1IkKRKsl5ZZVP6aof0k/pl/SSkj2TaWAUSZxF0XmSvNThuec+pGfPN62ClbBO Gl2y9CRhIDQ3ldSLkr2/vTqeMHAedYXKaFGyrXDs+fmTn57hdGGxayQHQtBuiiVrvO+mo5HjjWjR nZhOaLLVxrboaWoXo8rimpBbNcqSZDxqUWp2voP6BT3C0sqvgFKGfxDVJeoVOoJUfLq/MnBU/NuR capXL203665tYM7frq4tyKpkpJzGliRio8EwbKPp6OCqxQ5gU9s27Dd1DZuSneVFkRYMtiWbJMWE hhFNbDxwMhfj8Vk2oaM4bcjG2eQsGY5r3j0IwJsXD0MQxZ4KDfbouS6Q06t/+ptmdw7fBnY/mw3Q 0p3vYT/4Da1SVsUYu+41xciBNpcN6oW4sNasG4GVCzt6kUjN/qAo2N2ZLmDN129MReri0puI912E u/cap511/qUwLYRByazgPp6Dq9fO9/TutkRJzJVUKrqrNKwpckVWxAv0ztJKLywo2YZohlevT/D6 ha7ixR6l6sfERemYK8HhcIbfzKL8QcdqG1bm9E9iWEMMKQuocP07+qmVIQZcyY5BY+zHw7Wwj1Kf LAzWVLYlc78t0QoG6pUm/c/SPCc4Hyd5cZrRxO5b5vsW1JygSuYZ9MNLT7NkcP6CAlTLQbGeb2Cu nJ/5rRLR6ehViCqqBbUdS6d5NaQBTqPvlqyK8qRkQh+/n1EX+hhFjKeIuqbw9HEhaPRSg992okZO KXIrW+HgrVjDjWlRM+hQG0eGJKP3OHmaFElO34xGOVml580VtlJRTaXU73iD1omocGQr8BHBuXs0 cEooUjEm0vmNcAItb8BouNCyRQXX1lRL7qnxH8GvRp1AWhzBK+eWAvIjIKly+OvTH4/xOYHTNPRE H7M9MhS6ukaLN1+KeppT4QQ3/rNht1jJEAiKyoXFueRfn7PHp5Ohme4kjTL3NRdkjIJ/sb7S9F8p fYlKzq38jORVLKhQYDmVFf0eFNZTWniwsL4X6GcFlQG8kd7iHtXQhimh9l8HVOnGds90J+d9Kf35 +/+5u9dsf1DuhnZxfxtcOjHrbugWQP05GsJ9kgbhaWV08OwXDcOzanjA3J+f/w0AAP//AwBQSwME FAAGAAgAAAAhAJxOXiHiBgAAOhwAABoAAABjbGlwYm9hcmQvdGhlbWUvdGhlbWUxLnhtbOxZT28b RRS/I/EdRntv4/+NozpV7NgNtGmj2C3qcbwe704zu7OaGSf1DbVHJCREQRyoxI0DAiq1EpfyaQJF UKR+Bd7M7K534jVJ2wgqaA7x7tvfvP/vzZvdy1fuRQwdEiEpjzte9WLFQyT2+YTGQce7NRpcWPeQ VDieYMZj0vHmRHpXNt9/7zLe8BlNxhyLySgkEUHAKJYbuOOFSiUba2vSBzKWF3lCYng25SLCCm5F sDYR+AgERGytVqm01iJMY28TOCrNqM/gX6ykJvhMDDUbgmIcgfSb0yn1icFODqoaIeeyxwQ6xKzj Ac8JPxqRe8pDDEsFDzpexfx5a5uX1/BGuoipFWsL6wbmL12XLpgc1IxMEYxzodVBo31pO+dvAEwt 4/r9fq9fzfkZAPZ9sNTqUuTZGKxXuxnPAsheLvPuVZqVhosv8K8v6dzudrvNdqqLZWpA9rKxhF+v tBpbNQdvQBbfXMI3ulu9XsvBG5DFt5bwg0vtVsPFG1DIaHywhNYBHQxS7jlkytlOKXwd4OuVFL5A QTbk2aVFTHmsVuVahO9yMQCABjKsaIzUPCFT7ENO9nA0FhRrAXiD4MITS/LlEknLQtIXNFEd78ME x14B8vLZ9y+fPUHH958e3//p+MGD4/s/WkbOqh0cB8VVL7797M9HH6M/nnzz4uEX5XhZxP/6wye/ /Px5ORDKZ2He8y8f//b08fOvPv39u4cl8C2Bx0X4iEZEohvkCO3zCAwzXnE1J2PxaitGIabFFVtx IHGMtZQS/n0VOugbc8zS6Dh6dInrwdsC2kcZ8OrsrqPwMBQzRUskXwsjB7jLOetyUeqFa1pWwc2j WRyUCxezIm4f48My2T0cO/HtzxLom1laOob3QuKoucdwrHBAYqKQfsYPCCmx7g6ljl93qS+45FOF 7lDUxbTUJSM6drJpsWiHRhCXeZnNEG/HN7u3UZezMqu3yaGLhKrArET5EWGOG6/imcJRGcsRjljR 4dexCsuUHM6FX8T1pYJIB4Rx1J8QKcvW3BRgbyHo1zB0rNKw77J55CKFogdlPK9jzovIbX7QC3GU lGGHNA6L2A/kAaQoRntclcF3uVsh+h7igOOV4b5NiRPu07vBLRo4Ki0SRD+ZiZJYXiXcyd/hnE0x Ma0GmrrTqyMa/13jZhQ6t5Vwfo0bWuXzrx+V6P22tuwt2L3KambnRKNehTvZnntcTOjb35238Sze I1AQy1vUu+b8rjl7//nmvKqez78lL7owNGg9i9hB24zd0cqpe0oZG6o5I9elGbwl7D2TARD1OnO6 JPkpLAnhUlcyCHBwgcBmDRJcfURVOAxxAkN71dNMApmyDiRKuITDoiGX8tZ4GPyVPWo29SHEdg6J 1S6fWHJdk7OzRs7GaBWYA20mqK4ZnFVY/VLKFGx7HWFVrdSZpVWNaqYpOtJyk7WLzaEcXJ6bBsTc mzDUIBiFwMstON9r0XDYwYxMtN9tjLKwmCicZ4hkiCckjZG2ezlGVROkLFeWDNF22GTQB8dTvFaQ 1tZs30DaWYJUFNdYIS6L3ptEKcvgRZSA28lyZHGxOFmMjjpeu1lresjHScebwjkZLqMEoi71HIlZ AG+YfCVs2p9azKbKF9FsZ4a5RVCFVx/W70sGO30gEVJtYxna1DCP0hRgsZZk9a81wa3nZUBJNzqb FvV1SIZ/TQvwoxtaMp0SXxWDXaBo39nbtJXymSJiGE6O0JjNxD6G8OtUBXsmVMLrDtMR9A28m9Pe No/c5pwWXfGNmMFZOmZJiNN2q0s0q2QLNw0p18HcFdQD20p1N8a9uimm5M/JlGIa/89M0fsJvH2o T3QEfHjRKzDSldLxuFAhhy6UhNQfCBgcTO+AbIH3u/AYkgreSptfQQ71r605y8OUNRwi1T4NkKCw H6lQELIHbclk3ynMquneZVmylJHJqIK6MrFqj8khYSPdA1t6b/dQCKluuknaBgzuZP6592kFjQM9 5BTrzelk+d5ra+CfnnxsMYNRbh82A03m/1zFfDxY7Kp2vVme7b1FQ/SDxZjVyKoChBW2gnZa9q+p witutbZjLVlca2bKQRSXLQZiPhAl8A4J6X+w/1HhM/sFQ2+oI74PvRXBxwvNDNIGsvqCHTyQbpCW OIbByRJtMmlW1rXp6KS9lm3W5zzp5nJPOFtrdpZ4v6Kz8+HMFefU4nk6O/Ww42tLW+lqiOzJEgXS NDvImMCUfcnaxQkaB9WOB1+TIND34Aq+R3lAq2laTdPgCj4ywbBkvwx1vPQio8BzS8kx9YxSzzCN jNLIKM2MAsNZ+g0mo7SgU+nPJvDZTv94KPtCAhNc+kUla6rO577NvwAAAP//AwBQSwMEFAAGAAgA AAAhAJxmRkG7AAAAJAEAACoAAABjbGlwYm9hcmQvZHJhd2luZ3MvX3JlbHMvZHJhd2luZzEueG1s LnJlbHOEj80KwjAQhO+C7xD2btJ6EJEmvYjQq9QHCMk2LTY/JFHs2xvoRUHwsjCz7DezTfuyM3li TJN3HGpaAUGnvJ6c4XDrL7sjkJSl03L2DjksmKAV201zxVnmcpTGKSRSKC5xGHMOJ8aSGtHKRH1A VzaDj1bmIqNhQaq7NMj2VXVg8ZMB4otJOs0hdroG0i+hJP9n+2GYFJ69elh0+UcEy6UXFqCMBjMH SldnnTUtXYGJhn39Jt4AAAD//wMAUEsBAi0AFAAGAAgAAAAhALvlSJQFAQAAHgIAABMAAAAAAAAA AAAAAAAAAAAAAFtDb250ZW50X1R5cGVzXS54bWxQSwECLQAUAAYACAAAACEArTA/8cEAAAAyAQAA CwAAAAAAAAAAAAAAAAA2AQAAX3JlbHMvLnJlbHNQSwECLQAUAAYACAAAACEA0pMOvGkDAAAACwAA HwAAAAAAAAAAAAAAAAAgAgAAY2xpcGJvYXJkL2RyYXdpbmdzL2RyYXdpbmcxLnhtbFBLAQItABQA BgAIAAAAIQCcTl4h4gYAADocAAAaAAAAAAAAAAAAAAAAAMYFAABjbGlwYm9hcmQvdGhlbWUvdGhl bWUxLnhtbFBLAQItABQABgAIAAAAIQCcZkZBuwAAACQBAAAqAAAAAAAAAAAAAAAAAOAMAABjbGlw Ym9hcmQvZHJhd2luZ3MvX3JlbHMvZHJhd2luZzEueG1sLnJlbHNQSwUGAAAAAAUABQBnAQAA4w0A AAAA " stroked="f" style="position:absolute; left:0; text-align:left; margin-top:-36px; width:446.4pt; height:20.7pt; z-index:251669504; v-text-anchor:top" type="#_x0000_t202"> <v:textbox> </v:textbox> <w:wrap anchorx="margin"> </w:wrap></v:shape>reduction in RFI (increase in efficiency) would be expected in the population if these animals were selected. Selection based on RFI favors animals with lower RFI values. Negative RFI values indicate that the animal is consuming less feed than expected based on production and other moderating factors. The estimated genetic correlations between traits over time suggest that potentially different metabolic mechanisms are active between lactation stages. Given the changes in these correlations over the lactation period, it is important to consider different lactation stages separately and to model all traits simultaneously in a selection program. Understanding the relationship between DMI, MBW, ECM, RFI and traits such as energy balance and body condition score is important for an integrated and successful approach to breeding for FE traits. Also, animals with high genetic potential for production tend to consume more feed to meet their high production needs. The aim of addressing feed use inefficiency is a potential way to improve farm efficiency while reducing producer costs.  </div> بازده خوراک, شیر اصلاح شده با انرژی, گاو شیری, مصرف ماده خشک, مصرف خوراک باقیمانده, وزن متابولیک بدن Dairy Cows, Dry Matter Intake, Energy Corrected Milk, Feed Efficiency, Metabolic Body Weight, Residual Feed Intake 70 82 http://rap.sanru.ac.ir/browse.php?a_code=A-10-1834-1&slc_lang=fa&sid=1 Fatemeh Ala Noshahr فاطمه علاء نوشهر f.alanoshahr@gmail.com 100319475328460023889 100319475328460023889 No Department of Animal Sciences, Faculty of Agriculture and Natural Resources, University of Mohaghegh Ardabili, Ardabi, Iran گروه علوم دامی، دانشکده کشاورزی، دانشگاه محقق اردبیلی، اردبیل، ایران Reza Seyedsharifi رضا سید شریفی reza_seyedsharifi@yahoo.com 100319475328460023890 100319475328460023890 Yes Department of Animal Sciences, Faculty of Agriculture and Natural Resources, University of Mohaghegh Ardabili, Ardabi, Iran گروه علوم دامی، دانشکده کشاورزی، دانشگاه محقق اردبیلی، اردبیل، ایران Jamal Seifdavati جمال سیف دواتی jseifdavati@yahoo.com 100319475328460023891 100319475328460023891 No Department of Animal Sciences, Faculty of Agriculture and Natural Resources, University of Mohaghegh Ardabili, Ardabil, Iran گروه علوم دامی، دانشکده کشاورزی، دانشگاه محقق اردبیلی، اردبیل، ایران Nemat Hedayat-Evrigh نعمت هدایت ایوریق hedayatuma@gmail.com 100319475328460023892 100319475328460023892 No Department of Animal Sciences, Faculty of Agriculture and Natural Resources, University of Mohaghegh Ardabili, Ardabil, Iran گروه علوم دامی، دانشکده کشاورزی، دانشگاه محقق اردبیلی، اردبیل، ایران