دانشگاه علوم کشاورزی و منابع طبیعی گرگان

 آمار

تعداد نشریات13
تعداد شماره‌ها641
تعداد مقالات6,678
تعداد مشاهده مقاله9,120,904
تعداد دریافت فایل اصل مقاله8,580,026
احسانی نیا, جمشید, قوی حسین زاده, نوید. (1398). ناهمگنی مؤلفه های واریانس رکوردهای روزآزمون تولید شیر و تأثیر آن بر پارامترهای ژنتیکی و ارزش اصلاحی گاوهای هلشتاین ایران. , 7(4), 93-109. doi: 10.22069/ejrr.2019.16285.1679
جمشید احسانی نیا; نوید قوی حسین زاده. "ناهمگنی مؤلفه های واریانس رکوردهای روزآزمون تولید شیر و تأثیر آن بر پارامترهای ژنتیکی و ارزش اصلاحی گاوهای هلشتاین ایران". , 7, 4, 1398, 93-109. doi: 10.22069/ejrr.2019.16285.1679
احسانی نیا, جمشید, قوی حسین زاده, نوید. (1398). 'ناهمگنی مؤلفه های واریانس رکوردهای روزآزمون تولید شیر و تأثیر آن بر پارامترهای ژنتیکی و ارزش اصلاحی گاوهای هلشتاین ایران', , 7(4), pp. 93-109. doi: 10.22069/ejrr.2019.16285.1679
احسانی نیا, جمشید, قوی حسین زاده, نوید. ناهمگنی مؤلفه های واریانس رکوردهای روزآزمون تولید شیر و تأثیر آن بر پارامترهای ژنتیکی و ارزش اصلاحی گاوهای هلشتاین ایران. , 1398; 7(4): 93-109. doi: 10.22069/ejrr.2019.16285.1679

ناهمگنی مؤلفه های واریانس رکوردهای روزآزمون تولید شیر و تأثیر آن بر پارامترهای ژنتیکی و ارزش اصلاحی گاوهای هلشتاین ایران

نشریه پژوهش‌ در نشخوار کنندگان
مقاله 7، دوره 7، شماره 4، اسفند 1398، صفحه 93-109    اصل مقاله (1.8 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22069/ejrr.2019.16285.1679
نویسندگان
جمشید احسانی نیا* 1؛ نوید قوی حسین زاده2
1گروه کشاورزی، مجتمع آموزش عالی میناب، دانشگاه هرمزگان، بندرعباس، ایران
2گروه علوم دامی، دانشکده کشاورزی، دانشگاه گیلان، رشت، ایران
چکیده
سابقه و هدف: یک جزء مهم در طراحی برنامه های اصلاح نژادی برآورد صحیح ارزش های اصلاحی می باشد. در بسیاری از کشورها معمولاً تصمیمات انتخاب در اصلاح نژاد حیوانات براساس ارزش های اصلاحی حاصل از روش بهترین پیش بینی نااریب خطی (BLUP) انجام می شود. کاربردهای اولیه مدل های مختلط خطی و روشBLUP برای ارزیابی ژنتیکی گاو شیری با فرض همگن بودن مؤلفه های واریانس همراه بوده است. اما مطالعات مختلفی نشان داده اند که برای تولید شیر واریانس های ژنتیکی و باقیمانده بین گله ها و سطوح مختلف تولیدی ثابت نیستند. مشکل واریانس های ناهمگن در ارزیابی گاو شیری این است که حیوانات با میانگین تولید بالا ممکن است در گله های متغیرتر بالاتر از حد ارزیابی شوند و نسبت به حالتی که واریانس ها همگن هستند نسبت زیادتری از حیوانات از این گله ها انتخاب شوند. سطح تولید گله، اعمال مدیریتی و تغذیه ای و استراتژی های اصلاح نژادی از عوامل ناهمگنی واریانس ها هستند. وقتی که ناهمگنی وریانس به درستی محاسبه نشود، تفاوت ها در مؤلفه های واریانس می تواند منجر به برآوردهای اریب ارزش های اصلاحی، رتبه بندی نادرست گاوهای نر و ماده ممتاز و کاهش پیشرفت ژنتیکی شود. در ارزیابی گاو شیری، یک روش ساده برای کاهش ناهمگنی واریانس، پیش از برازش مدل حیوانی، پیش تصحیح داده ها بر اساس واریانس فنوتیپی است. اهداف پژوهش حاضر، بررسی ناهمگنی مؤلفه های واریانس رکوردهای روزآزمون تولید شیر و همچنین تأثیر روش پیش تصحیح داده ها بر پارامترهای ژنتیکی، ارزش های اصلاحی و رتبه بندی گاوهای نر و ماده برتر در جمعیت گاوهای هلشتاین ایران بودند.
مواد و روشها: در این تحقیق، ناهمگنی مؤلفه های واریانس صفت تولید شیر با استفاده از 1843985 رکورد روزآزمون شیر گاوهای هلشتاین شکم زایش اول بررسی شد. بدین منظور از رکوردهای مربوط به 301197 رأس گاو شیری متعلق به 983 گله مختلف که طی سال های 1365 تا 1395 توسط مرکز اصلاح نژاد و بهبود تولیدات دامی کشور جمع آوری شده بود، استفاده گردید. داده ها براساس میانگین سطوح مختلف تولید گله-سال به سه گروه بالا، متوسط و پائین دسته بندی شدند. ناهمگنی واریانس ها با استفاده از آزمون لون بررسی شد. برای تصحیح ناهمگنی واریانس ها از روش پیش تصحیح داده ها استفاده شد. مؤلفه های واریانس، همبستگی های ژنتیکی، وراثت پذیری ها و همچنین ارزش های اصلاحی با استفاده از برنامه ASreml و تحت مدل حیوانی برآورد شدند. همبستگی های رتبه ای و تغییر رتبه حیوانات نر و ماده ممتاز قبل و بعد از پیش تصحیح داده ها بررسی شد.
یافته ها: نتایج آزمون لون برای رکوردهای روزآزمون تولید شیر معنی دار (0.001>p) بود که نشان دهنده ناهمگن بودن واریانس ها است. پیش تصحیح داده ها منجر به واریانس های همگن نشد اما مقدار ناهمگنی واریانس را تا 25 درصد کاهش داد. بکارگیری روش تصحیح باعث شد وراثت پذیری ها اندکی بالاتر باشند به طوریکه برآوردهای وراثت پذیری کل قبل و بعد از تصحیح ناهمگنی واریانس ها به ترتیب 0.007±0.319 و 0.009±0.351 بودند. تصحیح داده ها تاثیر قابل توجهی بر 1 درصد حیوانات ممتاز داشت و باعث شد به ترتیب 14 و 20 درصد گاوهای نر و ماده ممتاز در مقایسه با سناریوی واریانس همگن از لیست انتخاب خارج شوند. تفاوت قابل ملاحظه ای در تغییر رتبه حیوانات برتر اتفاق افتاد و بهترین گاوهای نر و ماده، به ترتیب رتبه های 8 و 23 را پس از تصحیح ناهمگنی واریانس داشتند.
نتیجه گیری: نتایج نشان دادند که مؤلفه های واریانس رکوردهای روزآزمون شیر در جمعیت گاوهای هلشتاین ایران بر اساس سطوح مختلف تولید گله-سال همگن هستند و ناهمگنی واریانس ممکن است ارزیابی ژنتیکی و تغییر رتبه گاوهای نر و ماده ممتاز را تحت تأثیر قرار دهد.
کلیدواژه‌ها
ارزیابی‌ ژنتیکی؛ پیش‌تصحیح؛ روزآزمون مقدار شیر؛ ناهمگنی واریانس
مراجع
  1. Aliloo, H., Miraie-Ashtiani, S.R., Moradi Shahrebabak, M., Urioste, J.I. and Sadeghi, M. 2014. Accounting for heterogeneity of variance in Iranian Holstein test-day milk yield records. Journal of Livestock 167: 25-32.
  2. Biassus, I.O., Cobuci, J.A., Costa, C.N., Rorato, P.R.N., Neto, J.B. and Cardoso, L.L. 2011. Genetic parameters for production traits in primiparous Holstein cows estimated by random regression models. Revista Brasileira de Zootecnia. 40: 85-94.
  3. Bignardi, A., Faro, L., Cardoso, V., Machado, P. and De Albuquerque, L. 2008. Random regression models to estimate test day milk yield genetic parameters of Holstein cows in southeastern Brazil. Journal of Livestock Production Science. 123: 1-7.
  4. Bignardi, A.B., El Faro, L., Cardoso, V.L., Machado, P.F. and Albuquerque, L.G. 2009. Random regression models to estimate test-day milk yield genetic parameters Holstein cows in Southeastern Brazil. Journal of Livestock 123: 1-7.
  5. Cho, C.I., Alam, M., Choi, T.J., Choy, Y.H., Choi, J.G., Lee, S.S. and Cho. K.H. 2016. Models for estimating genetic parameters of milk production traits using random regression models in Korean Holstein cattle. Asian-Australas. Journal of Animal Science. 29(5): 607-614.
  6. Cobuci, J.A., Costa, C.N., Netoand, J.B. and Freitas, A.F. 2011. Genetic parameters for milk production by using random regression models with different alternatives of fixed regression modeling. Revista Brasileira de Zootecnia. 40: 557-567.
  7. Cobuci, J.A., Euclydes, R.F., Lopes, P.S., Costa, C.N., Torres, R.D. and Pereira, C.S. 2005. Estimation of genetic parameters for test-day milk yield in Holstein cows using a random regression model. Journal of Genetics and Molecular Biology. 28: 75-83.
  8. Costa, C.N., Melo, D.E., Packer, I.U., Freitas, A., Teixeira, N. and Cobuci, J.A. 2008. Genetic parameters for test day milk yield of first lactation Holstein cows estimated by random regression using Legendre polynomials. Revista Brasileira de Zootecnica. 4: 602-608.
  9. De Roos, A.P.W., Harbers, A.G.F. and De Jong, G. 2004. Random herd curves in a test-day model for milk, fat, and protein production of dairy cattle in the Netherlands. Journal of Dairy Science. 87: 2693-2701.
  10. Dodenhoff, J. and Swalve, H.H. 1998. Heterogeneity of variances across regions of northern Germany and adjustment in genetic evaluation. Journal of Livestock Production Science. 53: 225-236.
  11. Ehsaninia, J., Ghavi Hossein-Zadeh, N. and Shadparvar, A.A. 2016. Homogeneity and heterogeneity of variance components for milk and protein yield at different cluster sizes in Iranian Holsteins. Journal of Livestock 188: 174-181.
  12. Ehsaninia, J., Ghavi Hossein-zadeh, N. and Shadparvar, A.A. 2016. The effect of heterogeneity of variance components on genetic evaluation of protein yield in Holstein top sires and dams. Animal Science Journal. 114: 101-114. (In Persian).
  13. Fujii, C. and Suzuki, M. 2006. Comparison of homogeneity and heterogeneity of residual variance using random regression test-day models for first lactation Japanese Holstein cows. Journal of Animal Science. 77: 28-32.
  14. Gengler, N., Dusseldorf, T., Wiggans, G.R., Wright, J.R. and Druet, T. 2001. Heterogeneity of (co)variance components for Jersey type traits. Journal of Dairy Science. 84: 1772 -1790.
  15. Gengler, N., Wiggans, G.R. and Gillon, A. 2005. Adjustment for heterogeneous covariance due to herd milk yield by transformation of test-day random regressions. Journal of Dairy Science. 88: 2981- 2990.
  16. Gengler, N., Wiggans, G.R. and Gillon, A. 2004. Estimated heterogeneity of phenotypic variance of test-day yield with a structural variance model. Journal of Dairy Science. 87(6): 1908-1916.
  17. Gilmour, A.R., Gogel, B.J., Cullis, B.R. and Thompson, R. 2009. ASReml User Guide Release. VSN International Ltd: Hemel Hempstead.
  18. Ibanez, M.A., Carabano, M.J. and Alenda, R. 1999. Identification of sources of heterogeneous residual and genetic variances in milk yield data from the Spanish Holstein-Friesian population and impact on genetic evaluation. Journal of Livestock Production Science. 59(1): 33-49.
  19. Ilatsia, E.D., Muasya, T.K., Muhuyi, W.B. and Kahi, A.K. 2007. Genetic and phenotypic parameters for test day milk yield of Sahiwal cattle in the semi-arid tropics. Animal. 1: 185-192.
  20. Jafari Torbaghan, M., Farhangfar, H., Bashtni, M., Mohammad Nazari, B. and Sarir, H. 2012. Genetic evaluation of cows for milk protein yield trait using fixed and random regression test day models. Animal Production Research. 2: 9-20. (In Persian).
  21. Jakobsen, J.H., Madsen, P., Jensen, J., Pedersen, J., Christensen, L.G. and Sorensen, D.A. 2002. Genetic parameters for milk production and persistency for Danish Holsteins estimated in random regression models using REML. Journal of Dairy Science. 85: 1607-1616.
  22. Kettunen, A., Mantysaari, E.A. and Poso, J. 2000. Estimation of genetic parameters for daily milk yield of primiparous Ayrshire cows by random regression test-day models. Journal of Livestock Production Science. 6: 251-261.
  23. Lidauer, M., Emmerling, R. and Mantysaari, E.A. 2008. Multiplicative random regression model for heterogeneous variance adjustment in genetic evaluation for milk yield in Simmental. Journal of Animal Breeding and Genetics. 125(3): 147-159.
  24. Markus, S., Mantysaari, E.A., Stranden, I., Eriksson, J.A. and Lidauer, M.H. 2014. Comparison of multiplicative heterogeneous variance adjustment models for genetic evaluations. Journal of Animal Breeding and Genetic. 131(3): 237-246.
  25. Microsoft Visual FoxPro 9.0. Copyright 1988-2004. Microsoft Corporation.
  26. Miglior, F., Gong, W., Wang, Y., Kistemaker, G.J., Sewalem, A. and Jamrozik, J. 2009. Genetic parameters of production traits in Chinese Holsteins using a random regression test-day model. Journal of Dairy Science. 92: 4697-706.
  27. Muir, B.L., Kistemaker, G., Jamrozik, J. and Canavesi, F. 2007. Genetic parameters for a multiple-trait multiple- lactation random regression test-day model in Italian Holsteins. Journal of Dairy Science. 90: 1564-1574.
  28. Nikolaou, M., Kominakis, A.P., Rogdakis, E. and Zampitis, S. 2004. Effect of mean and variance heterogeneity on genetic evaluations of Lesbos dairy sheep. Journal of Livestock Production Science. 88: 107-115.
  29. Panetto, J.C.C., Val, E., Marcondes, C.R., Peixoto, M.G.C.D., Verneque, R.S., Ferraz, J.B.S. and Golden, B.L. 2012. Female fertility in a Guzerat dairy subpopulation: Heterogeneity of variance components for calving intervals. Journal of Livestock Science. 145: 87-94.
  30. Pool, M.H., Janss L.L.G. and Meuwissen, T.H.E. 2000. Genetic parameters of Legendre polynomials for first-parity lactation curves. Journal of Dairy Science. 83: 2640-2649.
  31. Reents, R., Dopp, L., Schmutz, M. and Reinhardt, F. 1998. Impact of application of a test-day model to dairy production traits on genetic evaluations of cows. Interbull Bull. 17: 49-54.
  32. Sargolzaei, M., Iwaisaki, H. and Colleau, J.J. 2006. CFC: A tool for monitoring genetic diversity. Proc. 8th World Congr. Genetic Applied Livestock Production. CD-ROM Communication 27-28. Belo Horizonte Brazil. Aug. 13-18.
  33. SAS Institute Inc. 2009. Statistical Analysis System (SAS) User's Guide. SAS Institute. Cary. N.C. USA.
  34. Savar sofla, S., Varkohi, S. and Karkhaneh, A. 2017. Investigation of genetic parameters for milk production trait of Holstein cows in Kermanshah province using random regression model. Journal of Animal Science. 114: 11-20. (In Persian).
  35. Shadparvar, A.A. and Yazdanshenas, M.S. 2005. Genetic parameters of milk yield and milk fat percentage test day records of Iranian Holstein cows. Asian-Australian Journal of Animal Science. 18: 1231-1236.
  36. Stanton, T.L. 1990. Genotype by environment interaction for Holstein milk yield in Colombia, Mexico and Puerto Rico. Journal of Dairy Science. 74(5): 1700-1714.
  37. Strabel, T. and Mistral, I. 1999. Genetic parameters for first and second lactation milk yield of Polish Black and White cattle with random regression test-day models. Journal of Dairy Science. 82: 2805-2810.
  38. Strabel, T., Jankowski, T. and Jamrozik, J. 2006. Adjustments for heterogeneous herd-year variances in a random regression model for genetic evaluations of polish Black-and-White cattle. Journal of Applied Genetics. 47(2): 125-130.
  39. Strabel, T., Szyda, J., Ptak, E. and Jamrozik, J. 2005. Comparison of random regression test-day models for Polish Black and White cattle. Journal of Dairy Science. 88(10): 3688-3699.
  40. Szydowski, M. and Szwaczkowski, T. 1993. The effect of grouping herds according to production level on the heritability of milk traits in cattle. Journal of Animal Science. 11: 295-300.
  41. Urioste, J.I., Gianola, D., Rekaya, R., Fikse, W.F. and Weigel, K.A. 2001. Evaluation of extent and amount of heterogeneous variance for milk yield in Uruguayan Holsteins. Journal of Animal Science. 72(2): 259-268.
  42. Urioste, J.I., Rekaya, R., Gianola, D., Fikse, F. and Weigel, K.A. 2003. Model comparison for genetic evaluation of milk yield in Uruguayan Holsteins. Journal of Livestock Production Science. 84: 63-73.
  43. Visscher, P.M. and Hill, G.H. 1992. Heterogeneity of variance and dairy cattle breeding. Journal of Animal Production. 55(3): 321-329.
  44. Zavadilová, L., Jamrozik, J. and Schaeffer, L.R. 2005. Genetic parameters for test-day model with random regressions for production traits of Czech Holstein cattle. Czech Journal of Animal Science 50: 142-154.
آمار
تعداد مشاهده مقاله: 449
تعداد دریافت فایل اصل مقاله: 340


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب