The Selection ModelThe model was de

The Selection Model
The model was developed to be flexible to include the various components of the selection strategies as observed in actual small ruminant breeding programs. It took into account overlapping generations and included single- and 2-stage selections for males and selection of females across age classes with a unique truncation point across multinormal distributions of their breeding values. Therefore, genetic variance changes after each selection step and generation, and this affects genetic response. In all conventional and genomic scenarios, the Bulmer effect was accounted for to avoid incorrect ranking of selection strategies. Indeed, selection intensities and accuracies varied among scenarios and the Bulmer effect was estimated as a function of selection accuracy and intensity (Bulmer, 1971). The GBV prediction accuracies (rGBV) used here were calculated as suggested by Daetwyler et al. (2008) and Goddard (2009). Using these methods, rGBV is greatest when Ne and genome size are small and the reference population size is big. Published studies on genetic diversity in sheep (Huby et al., 2003; Palhiere et al., 2008; Garcia-Gamez et al., 2012) and goat (Araújo et al., 2006; Ribeiro et al., 2012) breeds have shown that small ruminant populations are heterogeneous and display high effective population sizes compared with most selected cattle breeds. This is positive for the long term selection response but, with the methods used here, negatively affects the genomic prediction accuracies. Also, these methods (Daetwyler et al., 2008; Goddard, 2009) assume the reference and validation populations are not closely related, which could underestimate the genomic prediction accuracy. Indeed, genomic evaluation studies have shown that GBV are more accurate when selection candidates are closely related to the reference population (Habier et al., 2007, 2010).

The optimization procedures used here maximized the AGG by optimizing, within certain limits, the number of young male selection candidates, tested males, progeny group size, use of AI, numbers of selected males (elites and NS), and relative weights in the breeding goal. The results obtained here confirm the need to optimize designs; as compared with the expected level for current practices, AGG was greatly increased for all scenarios by optimization. The greatest increases were recorded for conventional selection methods, where AGG was increased by 50.6% in meat sheep, 18.4% in dairy sheep, and 52.5% in dairy goats. Indeed, in meat sheep the increase of AGG obtained by optimization was nearly equivalent to the increase that the use of genomic information can offer with current decisional variables. Our results highlight i) the suboptimality of current breeding programs and ii) the importance of using meat phenotypes recorded at an early age in the selection criteria. In principle, the model developed herein could be extended to include selection in finite populations, rate of inbreeding, and the economic aspects of breeding strategies.

ผลลัพธ์ (ไทย) 1:

แบบเลือก
แบบได้รับการพัฒนาให้มีความยืดหยุ่นรวมถึงส่วนประกอบต่าง ๆ ของกลยุทธ์เลือกในโปรแกรมจริงเล็ก ruminant พันธุ์ มันเอารุ่นทับซ้อนกันของบัญชีและรวม และ 2-ระยะเดียวเลือกสำหรับชายและหญิงเลือกข้ามจุดตัดเฉพาะเรียนอายุระหว่าง multinormal การกระจายของค่าปรับปรุงพันธุ์ ดังนั้น ความแปรปรวนทางพันธุกรรมที่เปลี่ยนแปลงหลังจากแต่ละขั้นตอนการเลือกและสร้าง และนี้มีผลต่อการตอบสนองทางพันธุกรรม ในทั้งหมดแบบดั้งเดิม และ genomic ผล Bulmer เป็นบัญชีสำหรับการหลีกเลี่ยงการจัดอันดับไม่ถูกต้องของการเลือกกลยุทธ์ แน่นอน เลือกปลดปล่อยก๊าซและ accuracies แตกต่างกันระหว่างสถานการณ์ และมีประเมินผล Bulmer เป็นฟังก์ชันของตัวเลือกความถูกต้องแม่นยำและความรุนแรง (Bulmer, 1971) มีคำนวณที่ GBV ทำนาย accuracies (rGBV) ใช้ที่นี่เป็นที่แนะนำ โดย Daetwyler et al. (2008) และก็อดเดิร์ด (2009) ใช้วิธีการเหล่านี้ rGBV ได้มากที่สุดเมื่อมุและกลุ่มขนาดเล็ก และขนาดประชากรอ้างอิงมีขนาดใหญ่ การศึกษาความหลากหลายทางพันธุกรรมในแกะ (Huby et al., 2003 เผยแพร่ Palhiere et al., 2008 Garcia-Gamez et al., 2012) แพะ (Araújo และ al., 2006 และ Ribeiro et al., สายพันธุ์ 2012) ได้แสดงว่า ruminant ประชากรขนาดเล็กจะแตกต่างกัน และแสดงขนาดประชากรที่มีประสิทธิภาพสูงเมื่อเทียบกับโคสายพันธุ์ที่เลือกมากที่สุด นี้เป็นค่าบวกสำหรับการตอบสนองระยะยาวเลือก ได้ มีวิธีใช้ที่นี่ ส่งผลเสียต่อ accuracies ทาย genomic ยัง วิธี (Daetwyler et al., 2008 ก็อดเดิร์ด 2009) สมมติว่า ประชากรอ้างอิงและตรวจสอบมีไม่ความสัมพันธ์ ที่สามารถดูถูกดูแคลนความแม่นยำทำนาย genomic แน่นอน genomic ประเมินศึกษาแสดงให้เห็นว่า GBV ถูกต้องมากขึ้นเมื่อเลือกผู้สมัครที่สัมพันธ์กับประชากรอ้างอิง (Habier และ al., 2007, 2010) .

AGG ขยายใหญ่สุดขั้นตอนการปรับใช้ที่นี่ โดยเพิ่มประสิทธิภาพ ภายใน หมายเลขผู้สมัครเลือกชายหนุ่ม ชายทดสอบ ขนาดของกลุ่มลูกหลาน ใช้ของ AI จำนวนชายที่เลือก (ที่ร่ำรวยและ NS), และน้ำหนักสัมพัทธ์ในเป้าหมายปรับปรุงพันธุ์ ผลได้รับที่นี่ยืนยันต้องปรับรูปแบบ เมื่อเทียบกับระดับที่คาดไว้สำหรับการปฏิบัติปัจจุบัน AGG ได้เพิ่มขึ้นอย่างมากในสถานการณ์ทั้งหมด โดยปรับให้เหมาะสม เพิ่มขึ้นมากที่สุดถูกบันทึกในวิธีการเลือกธรรมดา ที่ AGG ได้เพิ่มขึ้น 50.6% ในเนื้อแกะ 18.4% ในนมแกะ และ 52.5% ในนมแพะ แน่นอน ในเนื้อแกะ AGG ได้ โดยปรับเพิ่มขึ้นเกือบเท่ากับเพิ่มขึ้นให้ใช้ข้อมูล genomic สามารถ มีตัวแปร decisional ปัจจุบัน ผลของเราเน้น suboptimality i)ของโปรแกรมปรับปรุงพันธุ์ปัจจุบันและ ii) ความสำคัญของการใช้บันทึกเป็นตั้งแต่เด็กในเกณฑ์การเลือกฟีเนื้อ แบบจำลองที่พัฒนาขึ้นนี้สามารถขยายเพื่อรวมตัวเลือกจำกัดประชากร อัตราการ inbreeding และด้านเศรษฐกิจพันธุ์กลยุทธ์หลัก

ผลลัพธ์ (ไทย) 2:

เลือกรุ่น
รุ่นที่ได้รับการพัฒนาให้มีความยืดหยุ่นที่จะรวมองค์ประกอบต่างๆของกลยุทธ์การเลือกเป็นข้อสังเกตในที่เกิดขึ้นจริงโปรแกรมการปรับปรุงพันธุ์สัตว์เคี้ยวเอื้องขนาดเล็ก มันต้องใช้เวลาในการทับซ้อนกันรุ่นบัญชีและรวมถึงการเลือกเดียวและ 2 ขั้นตอนสำหรับเพศชายและการเลือกของผู้หญิงทั่ววัยเรียนที่มีจุดตัดที่ไม่ซ้ำกันทั่ว multinormal กระจายของค่าการผสมพันธุ์ของพวกเขา ดังนั้นความแปรปรวนทางพันธุกรรมที่มีการเปลี่ยนแปลงหลังจากที่แต่ละขั้นตอนการเลือกและการสร้างและนี้มีผลต่อการตอบสนองทางพันธุกรรม ในสถานการณ์ธรรมดาและจีโนมทั้งหมดมีผลบัลเมอร์ได้รับการคิดที่จะหลีกเลี่ยงการจัดอันดับไม่ถูกต้องของกลยุทธ์การเลือก อันที่จริงความเข้มของการเลือกและความถูกต้องแตกต่างกันในสถานการณ์และผลกระทบที่บัลเมอร์เป็นที่คาดกันว่าเป็นหน้าที่ของความถูกต้องเลือกและความรุนแรง (บัลเมอร์, 1971) GBV ความถูกต้องทำนาย (rGBV) ใช้ที่นี่จะถูกคำนวณตามที่แนะนำโดย Daetwyler และคณะ (2008) และก็อดดาร์ด (2009) โดยใช้วิธีการเหล่านี้เป็นที่ยิ่งใหญ่ที่สุด rGBV เมื่อ Ne และขนาดจีโนมมีขนาดเล็กและขนาดประชากรอ้างอิงมีขนาดใหญ่ การศึกษาที่ตีพิมพ์เกี่ยวกับความหลากหลายทางพันธุกรรมในแกะ (Huby et al, 2003. Palhiere et al, 2008.. การ์เซีย Gamez และคณะ, 2012) และแพะ (Araújo et al, 2006. Ribeiro. และคณะ, 2012) สายพันธุ์ที่มี แสดงให้เห็นว่าประชากรสัตว์เคี้ยวเอื้องขนาดเล็กที่มีความแตกต่างและแสดงสูงขนาดประชากรที่มีประสิทธิภาพเมื่อเทียบกับที่เลือกมากที่สุดสายพันธุ์วัว นี้เป็นบวกสำหรับการตอบสนองของตัวเลือกในระยะยาว แต่มีวิธีการใช้ที่นี่ส่งผลกระทบต่อความถูกต้องคาดการณ์จีโนม นอกจากนี้วิธีการเหล่านี้ (Daetwyler et al, 2008. ก็อดดาร์ด 2009) ถือว่าการอ้างอิงและการตรวจสอบประชากรที่ไม่เกี่ยวข้องอย่างใกล้ชิดซึ่งอาจประมาทความถูกต้องคาดการณ์จีโนม อันที่จริงการประเมินผลการศึกษาจีโนมได้แสดงให้เห็นว่ารุนแรงระหว่างเพศมีความถูกต้องมากขึ้นเมื่อผู้สมัครที่เลือกมีความสัมพันธ์อย่างใกล้ชิดกับประชากรอ้างอิง (Habier et al., 2007, 2010) ขั้นตอนการเพิ่มประสิทธิภาพการใช้ที่นี่ขยาย AGG โดยการเพิ่มประสิทธิภาพภายในขอบเขตที่กำหนดจำนวน ของหนุ่มสาวที่ผู้สมัครเลือกเพศชายเพศทดสอบขนาดของกลุ่มลูกหลานใช้ AI ตัวเลขของเพศชายที่เลือกไว้ (ชนชั้นสูงและ NS) และน้ำหนักสัมพัทธ์ในเป้าหมายของการปรับปรุงพันธุ์ ผลที่ได้รับที่นี่ยืนยันความจำเป็นในการเพิ่มประสิทธิภาพการออกแบบ; เมื่อเทียบกับระดับที่คาดหวังสำหรับการปฏิบัติในปัจจุบัน AGG ได้รับการเพิ่มขึ้นอย่างมากสำหรับสถานการณ์ที่ตอบโดยการเพิ่มประสิทธิภาพ เพิ่มขึ้นที่ยิ่งใหญ่ที่สุดที่ถูกบันทึกไว้สำหรับวิธีการคัดเลือกแบบเดิมที่ AGG เพิ่มขึ้น 50.6% ในเนื้อแกะ, 18.4% ในแกะนมและ 52.5% ในปีแพะนม ที่จริงในเนื้อแกะเพิ่มขึ้นของเอกที่ได้รับจากการเพิ่มประสิทธิภาพเกือบเทียบเท่ากับการเพิ่มขึ้นว่าการใช้ข้อมูลจีโนมสามารถนำเสนอกับตัวแปรการตัดสินใจในปัจจุบัน ผลของเราไฮไลท์ i) suboptimality ของโปรแกรมการปรับปรุงพันธุ์ในปัจจุบันและ ii) ความสำคัญของการใช้ phenotypes เนื้อบันทึกไว้ในวัยเด็กในเกณฑ์การคัดเลือก ในหลักการรูปแบบที่พัฒนาขึ้นนี้สามารถขยายไปยังรวมถึงการเลือกในประชากร จำกัด อัตราการเจริญเติบโตและด้านเศรษฐกิจของกลยุทธ์การปรับปรุงพันธุ์

ผลลัพธ์ (ไทย) 3:

เลือกแบบจำลอง
รูปแบบการพัฒนาจะมีความยืดหยุ่นรวมถึงส่วนประกอบต่างๆของการเลือกกลยุทธ์ที่พบในการผลิตสัตว์เคี้ยวเอื้องขนาดเล็กพันธุ์จริงโปรแกรมมันเอาเข้าบัญชีรุ่นที่ทับซ้อนกันและรวมเลือกเดี่ยวและพื้นที่สำหรับเพศชายและเพศหญิงในการเลือกชั้นอายุมีจุดตัดเฉพาะใน multinormal การแจกแจงของค่าการผสมพันธุ์ของพวกเขา ดังนั้น การเปลี่ยนแปลงทางพันธุกรรม ( หลังจากการเลือกแต่ละขั้นตอนการผลิตและนี้มีผลต่อการตอบสนองทางพันธุกรรม ในสถานการณ์ปกติ และจีโนมทั้งหมดที่บัลเมอร์ผลคือคิดเพื่อหลีกเลี่ยงการจัดอันดับกลยุทธ์การเลือกที่ไม่ถูกต้อง แน่นอน การเลือกความเข้มของความถูกต้องและแตกต่างกันระหว่างสถานการณ์และบัลเมอร์ผลประมาณเป็นฟังก์ชันของความถูกต้องและเลือกความเข้ม ( บัลเมอร์ 1971 ) ส่วนการคาดการณ์ความถูกต้อง gbv ( rgbv ) ใช้มาคำนวณเป็นข้อเสนอแนะจาก daetwyler et al . ( 2008 ) และกอดดาร์ด ( 2009 )การใช้วิธีการเหล่านี้ rgbv เป็นที่ยิ่งใหญ่ที่สุดเมื่อเน่และขนาดจีโนมมีขนาดเล็กและอ้างอิงประชากรขนาดใหญ่ เผยแพร่การศึกษาความหลากหลายทางพันธุกรรมในแกะ ( huby et al . , 2003 ; palhiere et al . , 2008 ; การ์เซีย กาเมซ et al . , 2012 ) และแพะ ( อาราúโจ et al . , 2006 ; Ribeiro et al . ,2012 ) สายพันธุ์ได้แสดงให้เห็นว่าการผลิตสัตว์เคี้ยวเอื้องขนาดเล็กประชากรต่างกันและแสดงผลที่มีประสิทธิภาพสูง เมื่อเทียบกับขนาดของประชากรส่วนใหญ่คัดเลือกวัวพันธุ์ . นี้เป็นบวกสำหรับระยะยาวการตอบสนองต่อการคัดเลือกแต่ ด้วยวิธีการที่ใช้นี้ ส่งผลกระทบต่อความถูกต้องทำนายจีโนม . นอกจากนี้ วิธีการเหล่านี้ ( daetwyler et al . , 2008 ; กอดดาร์ด ,2009 ) ถือว่ามีการอ้างอิงและการตรวจสอบจะเกี่ยวข้องอย่างใกล้ชิด ซึ่งจะประมาทความถูกต้องทำนายจีโนม . แน่นอน , การประเมินผลการศึกษาจีโนมพบว่ามีความถูกต้องมากขึ้นเมื่อผู้สมัครเลือก gbv เกี่ยวข้องอย่างใกล้ชิดกับอ้างอิงประชากร ( habier et al . , 2007 , 2010 ) .

เพิ่มประสิทธิภาพขั้นตอนที่ใช้ที่นี่ขยายใหญ่สุด agg โดยเพิ่มประสิทธิภาพ ,ภายในขอบเขตที่กําหนด , จํานวนของชายหนุ่มเลือกผู้สมัครทดสอบตัวผู้ ขนาดกลุ่มลูกหลาน ใช้ตัวเลขของอัยเลือกตัวผู้ ( ชนชั้นสูงและ NS ) และสัมพันธ์กับน้ำหนักในการทำประตู ผลการศึกษานี้ยืนยันต้องปรับรูปแบบ เมื่อเทียบกับระดับการปฏิบัติ คาดว่าปัจจุบัน agg ถูกเพิ่มขึ้นอย่างมากสำหรับสถานการณ์ทั้งหมด โดยการเพิ่มประสิทธิภาพเพิ่มขึ้นมากที่สุดที่ถูกบันทึกไว้สำหรับการเลือกวิธีการปกติที่ agg เพิ่มขึ้นจากร้อยละ 50.6 ในแกะเนื้อ 18.4 % ในนมแกะและ 52.5 % ในแพะนม ที่จริงแล้ว แกะเนื้อ เพิ่มได้โดยการเพิ่มประสิทธิภาพ agg เกือบเทียบเท่ากับการเพิ่มการใช้ข้อมูลพันธุกรรมสามารถให้กับตัวแปรการตัดสินใจในปัจจุบันผลของเราเน้นผม ) suboptimality โปรแกรมการปรับปรุงพันธุ์ในปัจจุบัน และ 2 ) ความสำคัญของการใช้เนื้อเกิดที่บันทึกในวัยเด็กในเกณฑ์การคัดเลือก . ในหลักการ แบบจำลองนี้สามารถขยายไปยังรวมถึงการเลือกในประชากรมีอัตราการและด้านเศรษฐกิจของกลยุทธ์การปรับปรุงพันธุ์