A caprinocultura é uma atividade presente principalmente em países em desenvolvimento e poucas são as informações na literatura mundial a respeito da seleção genômica (SG) na espécie. Esse fato vem reforçar a importância desse trabalho, que teve como principal objetivo avaliar a extensão do desequilíbrio de ligação (DL) e dos modelos genômicos quanto às suas capacidades de predição dos valores genômicos para as características de produção, composição e contagem de células somáticas do leite de cabras.
Os resultados demonstraram informações relevantes quanto à aplicação da SG em cabras leiteiras da raça Saanen no Brasil. Pode-se verificar que os níveis de DL apresentaram valores de baixa magnitude, o que dificulta a implementação dos estudos genômicos. Todavia, com o constante desenvolvimento da tecnologia de sequenciamento e genotipagem, novos chips de marcadores de polimorfismo único (SNP) de maior densidade e específicos para determinada raça ou programa de melhoramento genético, e a custo mais acessível, poderão estar disponíveis em breve. Isso facilitará a popularização dos estudos genômicos em caprinos no país e permitirá a formação de maiores populações de referência e com melhores níveis de DL.
Além disso, parcerias entre institutos de pesquisa dentro dos países e entre eles podem ser formadas, com o intuito de partilhar os genótipos já coletados. Esta estratégia pode ser aplicada na raça Saanen, utilizando as informações de países como França, Reino Unido, Canadá, Itália e Brasil, que possuem grandes populações de referência para essa raça. Tal projeto, embora benéfico para a acurácia genômica de caprinos, requer o estabelecimento de um órgão como o Interbull (International Bull Evaluation Service), a fim de reunir e padronizar não apenas os genótipos, mas também os dados fenotípicos dos animais cujas medidas são necessárias e podem ser diferentes entre países.
No estudo de predição genômica, os resultados evidenciaram que mesmo não detectando diferenças significativas nas predições genômicas entre os diferentes modelos genômicos, o GBLUP é a melhor opção para ser utilizada para predição dos efeitos dos marcadores das características de produção, composição e contagem de células somáticas do leite de cabras, por apresentar uma menor demanda computacional em relação aos demais modelos genômicos. Tais resultados similares entre os modelos se devem, provavelmente, ao reduzido número de animais avaliados e à natureza complexa das características estudadas. Um incremento nas acurácias de predição é esperado com a adição de mais animais genotipados nos estudos de predição genômica das características leiterias. Contudo, o passo
inicial para aumentar as acurácias de predição seria a adoção de estratégias que visem ampliar e melhorar a estrutura do programa de melhoramento, com registro e escrituração zootécnica ampla e acurada dos animais, correção de possíveis falhas no pedigree e fenótipo, além de evitar tratamentos preferenciais que introduzem viés e reduzem as estimativas de acurácia de predição. Deste modo, dada a possibilidade da aplicação futura em caprinos da seleção assistida por marcadores moleculares, fazem-se necessários mais estudos com a espécie, para que assim esse tipo de estratégia possa ser utilizado no futuro como ferramenta para aumentar a produção dos rebanhos caprinos no Brasil.
REFERÊNCIAS
AGUILAR, I. et al. Hot topic: A unified approach to utilize phenotypic, full pedigree, and genomic information for genetic evaluation of Holstein final score. Journal of Dairy Science, Champaign, v. 93, n. 2, p. 743–752, fev. 2010.
ARIAS, J. A. et al. A high density linkage map of the bovine genome. BMC Genetics, London, v. 10, n. 1, p. 10–18, abr. 2009.
BARBATO, M. et al. SNeP: A tool to estimate trends in recent effective population size trajectories using genome-wide SNP data. Frontiers in Genetics, Lausanne, v. 6, n. 1, p. 1–6, mar. 2015.
BIEGELMEYER, P. et al. Linkage disequilibrium, persistence of phase and effective
population size estimates in Hereford and Braford cattle. BMC Genetics, London, v. 17, n. 1, p. 17–32, fev. 2016.
BOHMANOVA, J.; SARGOLZAEI, M.; SCHENKEL, F. S. Characteristics of linkage disequilibrium in North American Holsteins. BMC Genomics, London, v. 11, n. 1, p. 421– 432, jul. 2010.
BRITO, L. F. et al. Characterization of linkage disequilibrium, consistency of gametic phase and admixture in Australian and Canadian goats. BMC Genetics, London, v. 16, n. 1, p. 52– 67, jun. 2015.
BRITO, L. F. et al. Genetic diversity and signatures of selection in various goat breeds revealed by genome-wide SNP markers. BMC Genomics, London, v. 18, n. 1, p. 218–229, mar. 2017a.
BRITO, L. F. et al. Genetic diversity of a New Zealand multi-breed sheep population and composite breeds‟ history revealed by a high-density SNP chip. BMC Genetics, London, v. 18, n. 1, p. 25, mar. 2017b.
BRITO, L. F. et al. Prediction of genomic breeding values for growth, carcass and meat quality traits in a multi-breed sheep population using a HD SNP chip. BMC Genetics, London, v. 18, n. 1, p. 18–25, jan. 2017c.
BRITO, F. V. et al. Accuracy of genomic selection in simulated populations mimicking the extent of linkage disequilibrium in beef cattle. BMC Genetics, London, v. 12, n. 1, p. 68–80, set. 2011.
CALUS, M. P. L. et al. Accuracy of genomic selection using different methods to define haplotypes. Genetics, Bethesda, v. 178, n. 1, p. 553–561, jan. 2008.
CARILLIER, C. et al. A first step toward genomic selection in the multi-breed French dairy goat population. Journal of Dairy Science, Champaign, v. 96, n. 11, p. 7294–7305, nov. 2013.
CARILLIER, C.; LARROQUE, H.; ROBERT-GRANIÉ, C. Comparison of joint versus purebred genomic evaluation in the French multi-breed dairy goat population. Genetics Selection Evolution, London, v. 46, n. 1, p. 46–67, out. 2014.
CHANG, C. C. et al. Second-generation PLINK: Rising to the challenge of larger and richer datasets. GigaScience, London, v. 4, n. 1, p. 4–7, fev. 2015.
CLARK, S. A.; HICKEY, J. M.; VAN DER WERF, J. H. Different models of genetic variation and their effect on genomic evaluation. Genetics Selection Evolution, London, v. 43, n. 1, p. 43–52, maio 2011.
CLEVELAND, M. A.; HICKEY, J. M.; FORNI, S. A Common dataset for genomic analysis of livestock populations. G3: Genes|Genomes|Genetics, Bethesda, v. 2, n. 4, p. 429–435, abr. 2012.
COLLI, L. et al. Genome-wide SNP profiling of worldwide goat populations reveals strong partitioning of diversity and highlights post-domestication migration routes. Genetics Selection Evolution, London, v. 50, n. 1, p. 50–58, nov. 2018.
COLOMBANI, C. et al. Application of Bayesian least absolute shrinkage and selection operator (LASSO) and BayesCπ methods for genomic selection in French Holstein and Montbéliarde breeds. Journal of Dairy Science, Champaign, v. 96, n. 1, p. 575–591, jan. 2013.
CORBIN, L. J. et al. Linkage disequilibrium and historical effective population size in the Thoroughbred horse. Animal Genetics, Oxford, v. 41, n. 1, p. 8–15, dez. 2010.
CORBIN, L. J. et al. Estimation of historical effective population size using linkage
disequilibria with marker data. Journal of Animal Breeding and Genetics, Malden, v. 129, n. 4, p. 257–270, ago. 2012.
COSTA, R. B. et al. Prediction of genomic breeding values for reproductive traits in Nellore heifers. Theriogenology, Amsterdam, v. 125, n. 1, p. 12–17, fev. 2019.
COSTER, A. et al. Sensitivity of methods for estimating breeding values using genetic markers to the number of QTL and distribution of QTL variance. Genetics Selection Evolution, London, v. 42, n. 1, p. 42–51, mar. 2010.
DAETWYLER, H. D. et al. Accuracy of estimated genomic breeding values for wool and meat traits in a multi-breed sheep population. Animal Production Science, Melbourne, v. 50, n. 12, p. 1004–1010, nov. 2010a.
DAETWYLER, H. D. et al. The Impact of Genetic Architecture on Genome-Wide Evaluation Methods. Genetics, Bethesda, v. 185, n. 3, p. 1021–1031, jul. 2010b.
DAETWYLER, H. D. et al. Components of the accuracy of genomic prediction in a multi- breed sheep population. Journal of Animal Science, Champaign, v. 90, n. 10, p. 3375–3384, out. 2012a.
DAETWYLER, H. D. et al. Accuracy of pedigree and genomic predictions of carcass and novel meat quality traits in multi-breed sheep data assessed by cross-validation. Genetics Selection Evolution, London, v. 44, n. 1, p. 1–11, nov. 2012b.
DE LOS CAMPOS, G. et al. Whole-genome regression and prediction methods applied to plant and animal breeding. Genetics, Bethesda, v. 193, n. 2, p. 327–345, fev. 2013.
DOS SANTOS, L. H. et al. Breeding programs for dairy goats generate profits in Brazil. Livestock Science, Amsterdam, v. 178, n. 1, p. 27–34, ago. 2015.
FACÓ, O. et al. Breeding plan for commercial dairy goat production systems in southern Brazil. Small Ruminant Research, Amsterdam, v. 98, n. 1, p. 164–169, jun. 2011.
FAO. Secondary guidelines for development of national farm animal genetic resources management plans: management of small populations at risk. Rome: FAO, 1998.
FERNANDES JÚNIOR, G. A. et al. Genomic prediction of breeding values for carcass traits in Nellore cattle. Genetics Selection Evolution, London, v. 48, n. 1, p. 48–55, jan. 2016. FONSECA, J. F. et al. Produção de caprinos e ovinos de leite. 1. ed. Sobral: Embrapa Caprinos, 2011. 256 p. ISBN: 978-85-7835-024-6.
GARCÍA-GÁMEZ, E. et al. Linkage disequilibrium and inbreeding estimation in Spanish Churra sheep. BMC Genetics, London, v. 13, n. 1, p. 43–54, jun. 2012.
GARRICK, D. J.; TAYLOR, J. F.; FERNANDO, R. L. Deregressing estimated breeding values and weighting information for genomic regression analyses. Genetics Selection Evolution, London, v. 41, n. 1, p. 1–8, dez. 2009.
GEWEKE, J. Evaluating the accuracy of sampling-based approaches to the calculation of posterior moments. Bayesian Statistics, Durham, v. 1, n. 1, p. 169–193, mar. 1992. GIANOLA, D. Priors in Whole-Genome Regression: The Bayesian Alphabet Returns. Genetics, Bethesda, v. 194, n. 3, p. 573–596, jul. 2013.
GODDARD, M. E.; HAYES, B. J. Genomic selection. Journal of Animal Breeding and Genetics, Malden, v. 124, n. 6, p. 323–330, dez. 2007.
GODDARD, M. E.; HAYES, B. J. Mapping genes for complex traits in domestic animals and their use in breeding programmes. Nature Reviews Genetics, New York, v. 10, n. 6, p. 381– 391, jun. 2009.
HABIER, D. et al. Extension of the bayesian alphabet for genomic selection. BMC Bioinformatics, London, v. 12, n. 1, p. 186–198, maio 2011.
HABIER, D.; FERNANDO, R. L.; DEKKERS, J. C. M. The Impact of Genetic Relationship Information on Genome-Assisted Breeding Values. Genetics, Bethesda, v. 177, n. 4, p. 2389– 2397, dez. 2007.
HAYES, B. J. et al. Novel Multilocus Measure of Linkage Disequilibrium to Estimate Past Effective Population Size. Genome Research, New York, v. 13, n. 4, p. 635–643, mar. 2003. HAYES, B. J. et al. Invited review: Genomic selection in dairy cattle: Progress and
challenges. Journal of Dairy Science, Champaign, v. 92, n. 2, p. 433–443, fev. 2009. HILL, W. G.; ROBERTSON, A. Linkage disequilibrium in finite populations. Theoretical and Applied Genetics, Berlin, v. 38, n. 6, p. 226–231, jun. 1968.
needs. Livestock Science, Amsterdam, v. 166, n. 1, p. 94–100, ago. 2014.
JOERG, H. et al. A genome-wide association study reveals a QTL influencing caudal
supernumerary teats in Holstein cattle. Animal Genetics, Oxford, v. 45, n. 6, p. 871–873, dez. 2014.
JONAS, E.; KONING, D.-J. DE. Genomic selection needs to be carefully assessed to meet specific requirements in livestock breeding programs. Frontiers in Genetics, Lausanne, v. 6, n. 49, p. 1–8, fev. 2015.
KARIUKI, C. M. et al. Economic evaluation of progeny-testing and genomic selection schemes for small-sized nucleus dairy cattle breeding programs in developing countries. Journal of Dairy Science, Champaign, v. 100, n. 3, p. 2258–2268, mar. 2017.
KASARDA, R. et al. Genetic Divergence of Cattle Populations Based on Genomic
Information. Scientia Agriculturae Bohemica, Prague, v. 47, n. 3, p. 113–117, set. 2016. KHATKAR, M. S. et al. Extent of genome-wide linkage disequilibrium in Australian
Holstein-Friesian cattle based on a high-density SNP panel. BMC Genomics, London, v. 9, n. 1, p. 179–187, abr. 2008.
KIJAS, J. W. et al. Genetic diversity and investigation of polledness in divergent goat
populations using 52 088 SNPs. Animal Genetics, Oxford, v. 44, n. 3, p. 325–335, jun. 2013. KOSGEY, I. S.; OKEYO, A. M. Genetic improvement of small ruminants in low-input, smallholder production systems: Technical and infrastructural issues. Small Ruminant Research, Amsterdam, v. 70, n. 1, p. 76–88, jun. 2007.
LARROQUE, H. et al. Toward genomic breeding programs in French dairy sheep and goats.
In: WORLD CONGRESS ON GENETICS APPLIED TO LIVESTOCK PRODUCTION, 10.,
2014, Vancouver, Canada. Anais [...].Vancouver: ASAS, 2014. p. 332-337. Disponível em: http://bit.ly/1OebpGS.
LEE, S. H. et al. Linkage disequilibrium and effective population size in Hanwoo Korean cattle. Asian-Australasian Journal of Animal Sciences, Seul, v. 24, n. 12, p. 1660–1665, dez. 2011.
LEGARRA, A. et al. Improved Lasso for genomic selection. Genetics Research, Cambridge, v. 93, n. 1, p. 77–87, dez. 2011.
LILLEHAMMER, M.; MEUWISSEN, T. H. E.; SONESSON, A. K. A comparison of dairy cattle breeding designs that use genomic selection. Journal of Dairy Science, Champaign, v. 94, n. 1, p. 493–500, jan. 2011.
LÔBO, A. M. B. O. et al. Programa de Melhoramento Genético de Caprinos Leiteiros Capragene® , 1º sumário de avaliação genética genômica, 2º sumário de avaliação genética, raça Saanen – Ano 2017. 2. ed. Brasília, DF: Embrapa, 2017. 50 p. ISBN: 978-85- 7035-687-1
LÔBO, A. M. B. O. et al. Characterization of milk production and composition of four exotic goat breeds in Brazil. Small Ruminant Research, Amsterdam, v. 153, n. 1, p. 9–16, maio 2017b.
LORENZ, A. J. et al. Genomic Selection in Plant Breeding. Advances in Agronomy, Amsterdam, v. 110, n. 1, p. 77–123, fev. 2011.
LU, D. et al. Accuracy of genomic predictions for feed efficiency traits of beef cattle using 50K and imputed HD genotypes. Journal of Animal Science, Champaign, v. 94, n. 4, p. 1342–1353, abr. 2016.
LUAN, T. et al. The accuracy of genomic selection in Norwegian red cattle assessed by cross- validation. Genetics, Bethesda, v. 183, n. 3, p. 1119–1126, nov. 2009.
LUND, M. et al. Comparison of analyses of the QTLMAS XII common dataset. I: Genomic selection. BMC Proceedings, London, v. 3, n. 1, p. 1–8, fev. 2009.
LUND, M. S. et al. A common reference population from four European Holstein populations increases reliability of genomic predictions. Genetics Selection Evolution, London, v. 43, n. 1, p. 1–8, dez. 2011.
MANDAL, M. et al. Genomic insight to the disease resistance in goat. The Pharma Innovation Journal, New Delhi, v. 7, n. 2, p. 98–103, abr. 2018.
MARTIN, P. et al. Heritability and genome-wide association mapping for supernumerary teats in French Alpine and Saanen dairy goats. Journal of Dairy Science, Champaign, v. 99, n. 11, p. 8891–8900, nov. 2016a.
MARTIN, P. et al. A genome scan for milk production traits in dairy goats reveals two new mutations in Dgat1 reducing milk fat content. Scientific Reports, Harvard, v. 7, n. 1, p. 1872– 1885, maio 2017.
MARTIN, P. M. et al. Genome wide association study identifies new loci associated with undesired coat color phenotypes in Saanen goats. PLoS ONE, San Francisco, v. 11, n. 3, p. 1– 15, mar. 2016b.
MDLADLA, K. et al. Population genomic structure and linkage disequilibrium analysis of South African goat breeds using genome-wide SNP data. Animal Genetics, Oxford, v. 47, n. 4, p. 471–482, ago. 2016.
MEUWISSEN, T. H. E.; HAYES, B. J.; GODDARD, M. E. Prediction of total genetic value using genome-wide dense marker maps. Genetics, Bethesda, v. 157, n. 4, p. 1819–1829, abr. 2001.
MISZTAL, I. et al. BLUPF90 and related programs (BGF90). In: WORLD CONGRESS ON GENETICS APPLIED TO LIVESTOCK PRODUCTION, 7., 2002, Montpellier, France. Anais [...]. Montpellier :INRA;CIRAD, 2002. p. 467-468. Disponível em:
http://www.cabdirect.org/abstracts/20033053736.html.
MOLINA, A. et al. Goat genomic selection: Impact of the integration of genomic information in the genetic evaluations of the Spanish Florida goats. Small Ruminant Research,
Amsterdam, v. 163, n. 1, p. 72–75, jun. 2018.
MOSER, G. et al. A comparison of five methods to predict genomic breeding values of dairy bulls from genome-wide SNP markers. Genetics Selection Evolution, London, v. 41, n. 1, p. 41–56, dez. 2009.
MOSER, G. et al. Accuracy of direct genomic values in Holstein bulls and cows using subsets of SNP markers. Genetics Selection Evolution, London, v. 42, n. 1, p. 37–42, out. 2010. MUCHA, S. et al. Estimation of genomic breeding values for milk yield in UK dairy goats. Journal of Dairy Science, Champaign, v. 98, n. 11, p. 8201–8208, nov. 2015.
MUCHA, S. et al. Genome-wide association study of conformation and milk yield in mixed- breed dairy goats. Journal of Dairy Science, Champaign, v. 101, n. 3, p. 2213–2225, mar. 2017.
NEVES, H. H. et al. Accuracy of genomic predictions in Bos indicus (Nellore) cattle. Genetics Selection Evolution, London, v. 46, n. 1, p. 46–63, fev. 2014.
OGUTU, J. O.; SCHULZ-STREECK, T.; PIEPHO, H.-P. Genomic selection using regularized linear regression models: ridge regression, lasso, elastic net and their extensions. BMC
Proceedings, London, v. 6, n. 2, p. 1–6, maio 2012.
OSTERSEN, T. et al. Deregressed EBV as the response variable yield more reliable genomic predictions than traditional EBV in pure-bred pigs. Genetics Selection Evolution, London, v. 43, n. 1, p. 38–43, nov. 2011.
PARK, T.; CASELLA, G. The Bayesian Lasso. Journal of the American Statistical Association, Alexandria, v. 103, n. 482, p. 681–686, jun. 2008.
PÉREZ-CABAL, M. A. et al. Accuracy of Genome-Enabled Prediction in a Dairy Cattle Population using Different Cross-Validation Layouts. Frontiers in Genetics, Lausanne, v. 3, n. 1, p. 1–7, fev. 2012.
PÉREZ, P.; DE LOS CAMPOS, G. Genome-Wide Regression and Prediction with the BGLR Statistical Package. Genetics, Bethesda, v. 198, n. 2, p. 483–495, jul. 2014.
PICCOLI, M. L. et al. Accuracy of genome-wide imputation in Braford and Hereford beef cattle. BMC Genetics, London, v. 15, n. 1, p. 157–172, dez. 2014.
QANBARI, S. et al. The pattern of linkage disequilibrium in German Holstein cattle. Animal Genetics, Oxford, v. 41, n. 4, p. 346–356, dez. 2009.
R DEVELOPMENT CORE TEAM. R: A language and environment for statistical computing. Vienna, Austria: R Foundation for Statistical Computing, 2018. Disponível em: http://www.r-project.org/.
REBER, I. et al. Wattles in goats are associated with the FMN1/GREM1 region on chromosome 10. Animal Genetics, Oxford, v. 46, n. 3, p. 316–320, jun. 2015.
RUPP, R. et al. Genomic application in sheep and goat breeding. Animal Frontiers, Oxford, v. 6, n. 1, p. 39–44, jan. 2016.
SOLBERG, T. R. et al. Genomic selection using different marker types and densities. Journal of Animal Science, Champaign, v. 86, n. 10, p. 2447–2454, fev. 2008.
SU, G. et al. Genomic prediction for Nordic Red Cattle using one-step and selection index blending. Journal of Dairy Science, Champaign, v. 95, n. 2, p. 909–917, fev. 2012.
TENESA, A. et al. Recent human effective population size estimated from linkage disequilibrium. Genome Research, New York, v. 17, n. 4, p. 520–526, mar. 2007.
TIBSHIRANI, R. Regression Shrinkage and Selection Via the Lasso. Journal of the Royal Statistical Society: Series B (Methodological), London, v. 58, n. 1, p. 267–288, jan. 1996. TOSSER-KLOPP, G. et al. Design and Characterization of a 52K SNP Chip for Goats. PLoS ONE, San Francisco, v. 9, n. 1, p. 1–8, jan. 2014.
USAI, M. G.; GODDARD, M. E.; HAYES, B. J. LASSO with cross-validation for genomic selection. Genetics Research, Cambridge, v. 91, n. 6, p. 427–436, dez. 2009.
VANRADEN, P. M. Efficient Methods to Compute Genomic Predictions. Journal of Dairy Science, Champaign, v. 91, n. 11, p. 4414–4423, nov. 2008.
VANRADEN, P. M. et al. Invited Review: Reliability of genomic predictions for North American Holstein bulls. Journal of Dairy Science, Champaign, v. 92, n. 1, p. 16–24, jan. 2009.
VISSER, C. et al. Genetic Diversity and Population Structure in South African, French and Argentinian Angora Goats from Genome-Wide SNP Data. PLOS ONE, San Francisco, v. 11, n. 5, p. 1–15, maio 2016.
WANG, X. et al. Evaluation of GBLUP, BayesB and elastic net for genomic prediction in Chinese Simmental beef cattle. PLOS ONE, San Francisco, v. 14, n. 2, p. 1–14, fev. 2019. WIMMER, V. et al. Synbreed: A framework for the analysis of genomic prediction data using R. Bioinformatics, Oxford, v. 28, n. 15, p. 2086–2087, ago. 2012.
WOLC, A. et al. Response and inbreeding from a genomic selection experiment in layer chickens. Genetics Selection Evolution, London, v. 47, n. 1, p. 1–12, jul. 2015.
APÊNDICE A – LISTA DE FIGURAS Capítulo I
Figura 1 Proporção média de polimorfismos de nucleotídeo único (SNP) em diferentes classes do alelo de menor frequência (MAF) no genoma caprino de uma população da raça Saanen ... 27 Figura 2 Desequilíbrio de ligação (r2) estimado entre polimorfismos de nucleotídeo
único (SNP) separados por diferentes distâncias genéticas para cada cromossomo autossômico no genoma caprino de uma população da raça Saanen ... 29 Figura 3 Tamanho efetivo populacional (Ne) estimado ao longo de dezenove
gerações a partir de dados de desequilíbrio de ligação em uma população da raça Saanen ... 30
Capítulo II
Figura 1 Boxplot da acurácia de predição para variáveis de resposta (a) EBV e (b) dEBV para duração da lactação (DLAC), produção total de leite até 305 dias de lactação (PL305), produção média diária de leite até 305 dias de lactação (PLD305), produção total de gordura até 305 dias de lactação (PG305), produção total de proteína até 305 dias de lactação (PP305), produção total de extrato seco até 305 dias de lactação (PEX305), produção total de lactose até 305 dias de lactação (PLAC305) e contagem de células somáticas até 305 dias de lactação (CCS305), baseado em três diferentes modelos de predição: GBLUP, Bayes Cπ, Bayes Lasso. “NS” acima do boxplot indica que não houve diferença significativa (P<0,05) entre as acurácias de predição pelo teste de Tukey. ... 47
APÊNDICE B – LISTA DE TABELAS Capítulo I
Tabela 1 Critérios de controle de qualidade e número de marcadores descartados no genoma caprino de uma população da raça Saanen ... 25 Tabela 2 Estatística descritiva dos polimorfismos de nucleotídeo único (SNP),
desequilíbrio de ligação (r2) entre SNPs adjacentes e alelo de menor frequência (MAF) para cada cromossomo (CHI) no genoma caprino de uma população da raça Saanen ... 26 Tabela 3 Desequilíbrio de ligação (r2) estimado entre polimorfismos de nucleotídeo
único (SNP) separados por diferentes distâncias genéticas no genoma caprino de uma população da raça Saanen ... 28
Capítulo II
Tabela 1 Estatística descritiva e estrutura final dos dados das características de produção, composição e contagem de células somáticas de leite caprino da raça Saanen ... 40 Tabela 2 Acurácias de predição medidas pela correlação Pearson entre a variável de
resposta (EBV ou dEBV) e o DGV das características de produção, composição e contagem de células somáticas de leite caprino da raça Saanen baseado em três diferentes modelos de predição: GBLUP, Bayes Cπ, Bayes Lasso ... 46 Tabela 3 Coeficiente de regressão da variável de resposta (EBV ou dEBV) sobre o
DGV e Quadrado Médio do Erro de Predição (MSE) das características de produção, composição e contagem de células somáticas de leite caprino da raça Saanen baseado em três diferentes modelos de predição: GBLUP, Bayes Cπ, Bayes Lasso ... 48
ANEXO A – ACURÁCIAS DE PREDIÇÃO MENSURADAS PELA CORRELAÇÃO PEARSON ENTRE A VARIÁVEL DE RESPOSTA (EBV OU DEBV) E O DGV, COEFICIENTE DE REGRESSÃO DA VARIÁVEL DE RESPOSTA (EBV OU DEBV)
SOBRE O DGV E QUADRADO MÉDIO DO ERRO DE PREDIÇÃO (MSE) DAS CINCO RÉPLICAS UTILIZANDO A METODOLOGIA DE VALIDAÇÃO CRUZADA,
AVALIADAS PELO MODELO DE PREDIÇÃO GENÔMICO GBLUP
Características Réplicas EBV dEBV
r(yi,DGV) b̂ MSE r(yi,DGV) b̂ MSE DLAC (dias) 1 0,608 1,01 40,36 0,496 1,05 4,38 2 0,646 1,11 37,58 0,509 1,07 4,34 3 0,640 1,07 38,05 0,499 1,03 4,34 4 0,608 1,01 40,11 0,514 1,07 4,27 5 0,636 1,07 38,35 0,494 1,02 4,38 r(yi,DGV) b̂ MSE r(yi,DGV) b̂ MSE PL305 (kg) 1 0,671 1,09 3379,20 0,490 1,05 0,82 2 0,674 1,13 3304,83 0,503 1,06 0,81 3 0,660 1,06 3445,74 0,491 1,03 0,81 4 0,655 1,08 3452,47 0,503 1,07 0,81 5 0,676 1,12 3339,80 0,490 1,04 0,82 r(yi,DGV) b̂ MSE r(yi,DGV) b̂ MSE PLD305 (kg/dia) 1 0,700 1,15 0,03 0,487 1,05 0,74 2 0,689 1,16 0,03 0,499 1,06 0,73 3 0,670 1,09 0,03 0,488 1,03 0,73 4 0,676 1,14 0,03 0,500 1,07 0,73 5 0,687 1,13 0,03 0,487 1,04 0,74 r(yi,DGV) b̂ MSE r(yi,DGV) b̂ MSE PG305 (kg) 1 0,699 1,08 2,52 0,502 1,03 1,21 2 0,689 1,06 2,56 0,518 1,08 1,19 3 0,694 1,04 2,56 0,507 1,02 1,19 4 0,687 1,04 2,64 0,526 1,08 1,17 5 0,706 1,07 2,48 0,513 1,04 1,19 r(yi,DGV) b̂ MSE r(yi,DGV) b̂ MSE PP305 (kg) 1 0,720 1,09 1,65 0,499 1,03 1,21 2 0,720 1,08 1,65 0,515 1,07 1,20 3 0,722 1,05 1,66 0,505 1,02 1,19 4 0,716 1,07 1,68 0,525 1,08 1,18 5 0,730 1,09 1,62 0,510 1,04 1,20 r(yi,DGV) b̂ MSE r(yi,DGV) b̂ MSE PEX305 (kg) 1 0,715 1,09 20,68 0,486 1,02 1,20 2 0,712 1,09 20,87 0,506 1,07 1,17 3 0,712 1,05 21,19 0,498 1,02 1,17 4 0,703 1,06 21,68 0,516 1,08 1,16 5 0,726 1,10 20,29 0,504 1,04 1,17 r(yi,DGV) b̂ MSE r(yi,DGV) b̂ MSE PLAC305 (kg) 1 0,714 1,09 2,37 0,480 1,02 1,33 2 0,710 1,10 2,40 0,496 1,07 1,32 3 0,707 1,06 2,45 0,489 1,02 1,31 4 0,696 1,08 2,51 0,509 1,09 1,29 5 0,723 1,11 2,33 0,496 1,04 1,31 r(yi,DGV) b̂ MSE r(yi,DGV) b̂ MSE CCS305 (cel/ml) 1 0,631 1,05 0,00 0,479 1,03 2,49 2 0,623 1,03 0,00 0,493 1,07 2,47 3 0,639 1,04 0,00 0,488 1,03 2,46 4 0,636 1,04 0,00 0,519 1,12 2,39 5 0,644 1,05 0,00 0,489 1,04 2,47
DLAC – duração da lactação; PL305 – produção total de leite na lactação até 305 dias de lactação; PLD305 – produção média diária de leite até 305 dias de lactação; PG305 – produção total de gordura na lactação até 305 dias de lactação; PP305 – produção total de proteína na lactação até 305 dias de lactação; PEX305 – produção total de extrato seco na lactação até 305 dias de lactação; PLAC305 – produção total de lactose na lactação até 305 dias de lactação; CCS305 – contagem de células somáticas na lactação até 305 dias de