برآورد اجزای واریانس وزن بدن گوسفند مغانی با کمک مدل‌های رگرسیون تصادفی بی–اسپلاین

Subject Areas : Camel

پ. زمانی ¹ , م.ر. مرادی ² , د. علیپور ³ , ا. احمدی ⁴

1 - Department of Animal Science, Faculty of Agriculture, Bu Ali Sina University, Hamedan, Iran
2 - Department of Animal Science, Faculty of Agriculture, Bu Ali Sina University, Hamedan, Iran
3 - Department of Animal Science, Faculty of Agriculture, Bu Ali Sina University, Hamedan, Iran
4 - Department of Animal Science, Faculty of Agriculture, Bu Ali Sina University, Hamedan, Iran

Received: 2014-07-23 Accepted : 2014-11-30 Published : 2015-09-01

Keywords: وزن بدن, تابع بی‌–‌اسپلاین, مدل رگرسیون تصادفی, اجزای واریانس,

Abstract :

هدف از از پژوهش حاضر برآورد اجزای (کو) واریانس و پارامترهای ژنتیکی وزن بدن گوسفند مغانی، با کمک مدل­های رگرسیون تصادفی بر پایه توابع بی–‌اسپلاین بود. سری داده­ها شامل 9165 رکورد وزن بدن 60 تا 365 روزگی 2811 گوسفند مغانی، جمع‌آوری شده در سال­های 1373 تا 1392 در مؤسسه تحقیقات و اصلاح نژاد دام جعفر آباد استان اردبیل در ایران بود. داده­ها با کمک مدل­های رگرسیون تصادفی تجزیه شدند. گروه­های هم­دوره (سال‌–‌فصل تولد‌–‌جنس‌–‌نوع تولد‌–‌سن مادر هنگام تولد) و رگرسیون ثابت وزن بدن روی سن به عنوان بخش­های ثابت مدل­ها در نظر گرفته شدند. رگرسیون­های تصادفی اثرات ژنتیکی افزایشی مستقیم، محیطی دائمی، ژنتیکی افزایشی مادری و محیطی مادری بخش­های تصادفی مدل­ها بودند. توابع بی-‌اسپلاین خطی و درجه دو با دو یا سه ضریب برای رگرسیون­های ثابت و تصادفی مدل­ها برازش شدند. یک ساختار ناهم­گون واریانس باقی مانده در پنج کلاس سنی در نظر گرفته شد. اجزای واریانس با الگوریتم میانگین اطلاعات بیشترین درست‌ نمایی محدود شده (AI-REML) برآورد شدند. مدل­های مختلف بر اساس معیارهای اطلاعات آکایک (AIC) و بیزین (BIC) مقایسه شدند. بر اساس هر دو معیار، بهترین مدل، مدل دارای توابع بی–‌اسپلاین درجه دو با تعداد 3، 3، 3، 2 و 2 به­ ترتیب، برای رگرسیون ثابت و رگرسیون­های تصادفی اثرات ژنتیکی افزایشی مستقیم، محیطی دائمی، ژنتیکی افزایشی مادری و محیطی مادری بود. بر اساس این مدل، برآورد­های وراثت­پذیری مستقیم پایین تا متوسط (135/0 تا 330/0) و ضریب محیط دائمی متوسط تا بالا (229/0 تا 613/0) به دست آمدند، در حالی­که برآوردهای وراثت­پذیری مادری (05/0 تا 14/0) و ضریب محیط مادری (کمتر از 01/0) در همه سنین مقادیری پایین یا جزئی بودند.

References:

Akaike H. (1974). A new look at the statistical model identification. IEEE Trans. Automat. Control. 19, 716-723.

Baldi F., Alencar M.M. and Albuquerque L.G. (2010). Random regression analyses using B-Splines functions to model growth from birth to adult age in Canchim cattle. J. Anim. Breed. Genet. 127, 433-441.

Boligon A.A., Mercadante M.E.Z., Lôbo R.B., Baldi F. and Albuquerque L.G. (2012). Random regression analyses using B-spline functions to model growth of Nellore cattle. Animal. 6(2), 212-220.

de Boor C. (200(. A Practical Guide to Splines. Vol. 27 of Springer Series in Applied Mathematics, Springer Verlag, New York.

Fischer T.M., Van der Werf J.H.J., Banks R.G. and Ball A.J. (2004). Description of lamb growth using random regression on field data. Livest. Prod. Sci. 89, 175-185.

Ghafouri-Kesbi F., Eskandarinasab M. and Shahir M. (2008). Estimation of direct and maternal effects on body weight in Mehraban sheep using random regression models. Arch. Tierz. 51, 235-246.

Kariuki C.M., Ilatsia E.D., Wasike C.B., Kosgey I.S. and Kahi A.K. (2010). Genetic evaluation of growth of Dorper sheep in semi-arid Kenya using random regression models. Small Rumin. Res. 93, 126-134.

Lewis R.M. and Brotherstone S. (2002). A genetic evaluation of growth in sheep using random regression techniques. Anim. Sci. 74, 63-70.

Meyer K. (2000). Random regressions to model phenotypic variation in monthly weights of Australian beef cows. Livest. Prod. Sci. 65, 19-38.

Meyer K. (2005). Random regression analyses using B-Splines to model growth of Australian Angus cattle. Genet. Sel. Evol. 37, 473-500.

Meyer K. (2007). WOMBAT- A program for mixed model analyses by restricted maximum likelihood. User notes, Animal Genetics and Breeding Unit, Armidale, Australia.

Misztal I. (2006). Properties of random regression models using linear splines. J. Anim. Breed. Genet. 123, 74-80.

Molina A., Menéndez-Buxadera A., Valera M. and Serradilla J.M. (2007). Random regression model of growth during the first three months of agein Spanish Merino sheep. J. Anim. Sci. 85, 2830-2839.

Najafi M.J., Lavvaf A., Hemmati B., Farahvash T. and Abdollahpoor R. (2011). Estimation of genetic parameters for growth traits in Moghani sheep using random regression. Res. Opin. Anim. Vet. Sci. 1(10), 677-685.

Rice J.A. and Wu C.O. (2001). Nonparametric mixed effects models for unequally sampled noisy curves. Biometrics. 57, 253-259.

Safaei M., Eskandarinasab M.P. and Shearbaftoosy A. (2006). Estimates of genetic parameters for growth traits in Baluchi sheep using random regression models. J. Agric. Sci. Technol. 20, 93-102.

Sarmento J.L.R., Torres R.A., Pereira C.S., Sousa W.H., Lopes P.S., Araujo C.V. and Euclydes R.F. (2006). Genetic evaluation of growth traits of SantaInes hair sheep using random regression models. Arq. Bras. Med. Vet. Zootec. 58, 68-77.

SAS Institute. (2004). SAS^®/STAT Software, Release 9.1. SAS Institute, Inc., Cary, NC. USA.

Schwarz G. (1978). Estimating the dimension of a model. Ann. Stat. 6, 461-464.

Shodja J., Nosrati M., Alijani S. and Pirani N. (2006). Estimation of genetic and phenotypic parameters for body weight at different ages and yearly wool production in Moghani sheep. Knowl. Agric. 57, 153-162.

Vatankhah M. (2012). Genetic analysis of ewe body weight in Lori-Bakhtiari sheep using random regression models. J. Livest. Sci. Technol. 1(1), 48-53.

Vatankhah M., Moradi Sharebabak M., Nejati Javarami A., Miraei-Ashtiani S.R. and VaezTorshizi R. (2004). A review of sheep breeding in Iran. Pp. 591-597 in Proc. 1^st Iranian Cong. Anim. Aqua. Sci. Tehran, Iran.

Wolca B., Barczaka E., Wójtowski J., Slósarzc P. and Szwaczkowskia T. (2011). Genetic parameters of body weight in sheep estimated via random regression and multi-trait animal models. Small Rumin. Res. 100, 15-18.