برآورد پارامترهای ژنتیکی صفت بازده خوراک با استفاده از مدل رگرسیون تصادفی در گاوهای شیری

مقدمه و هدف: با افزایش هزینه‎های 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 فزاینده‎ای یافته است. گاو کارآمد گاوی است که به‎همان میزان که شیر و مواد جامد شیر تولید می‎کند، غذای کمتری مصرف کرده و سالم و بارور می‎ماند. بنابراین، امکان کاهش هزینه‎ها بدون کاهش تولید فراهم می‎شود. از طریق پیشرفت‎های فناوری، اندازه‎گیری دقیق صفات مربوط به بازده خوراک، مانند مصرف ماده خشک، وزن بدن، مصرف خوراک باقیمانده و ترکیبات شیر به‎راحتی 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 برنامه‎های اصلاح نژادی، انجام گرفت. مواد و روش‎ها: 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 سال‎های 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 شجره‎ای با 9471 حیوان ایجاد شد که از این تعداد 978 و 3577 حیوان به‎ترتیب پدر و مادر بودند. داده‎های فنوتیپی ثبت شده از 5 تا 305 dim برای ایجاد گروه‎های دوهفته‎ای شیردهی (bi-wl) از تقسیم  dmiبه 14 (در مجموع 21 کلاس bi-wl) استفاده شد. داده‎های اصلی در قالب رکوردهای روزانه (dmi و mbw)، هفتگی (ecm و mbw) و ماهانه (mbw) جمع‎آوری شدند. بنابراین، حیوانات باید حداقل دو رکورد برای dmi، ecm  و mbw در bi-wl معین داشته باشند. وراثت‎پذیری، مولفه‎های واریانس و همبستگی‎های ژنتیکی بین هفته‎های شیردهی در طول دوره شیردهی با استفاده از مدل رگرسیون تصادفی محاسبه شد. به‌‎منظور برآورد کوواریانس بین صفات از مدل حیوانی رگرسیون تصادفی دو صفتی استفاده شد. واریانس‎های 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 ارزش‎های اصلاحی برای ضرایب رگرسیون تصادفی با استفاده از روش blup توسط blupf90 اجرا شد. یافته‎ها: برآوردهای وراثت‎پذیری 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 وراثت‎پذیری برای rfi متوسط بود، از 0/2 در اولین کلاس bi-wl تا 0/13 در آخرین کلاس bi-wl با حداقل وراثت‎پذیری در کلاس‎های 14 و 15 bi-wl (0/1). تغییرات بین مراحل مختلف شیردهی برای rfi نیز مشاهده شد. همبستگی‎های 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 به‎هم بودند، برای تمام صفات مورد مطالعه قوی‎تر 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) می‎تواند چارچوب خوبی برای انتخاب صفات بازده خوراک باشد. نتیجه‎گیری: برای ارزیابی تاثیرات 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 می‎دهد در صورت انتخاب این حیوانات، کاهش rfi  (افزایش کارایی) در جمعیت انتظار می‎رود. انتخاب بر اساس rfi به‎نفع حیوانات با مقادیر rfi پایین‎تر است. مقادیر منفی rfi نشان می‎دهد که حیوان بر اساس تولید و سایر عوامل تعدیل، خوراک کمتری از حد انتظار مصرف می‎کند. همبستگی‎های ژنتیکی برآورد شده بین صفات در طول زمان نشان می‎دهد که مکانیسم‎های متابولیکی بالقوه متفاوتی بین مراحل شیردهی فعال هستند. با توجه به تغییرات این همبستگی‎ها در طول دوره شیردهی، مهم است که مراحل مختلف شیردهی را به‎طور جداگانه در نظر بگیریم و در یک برنامه انتخابی همه صفات را به‎طور 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 تولید کننده است.

estimation of genetic parameters of the feed efficiency trait using the random regression model in dairy cows

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.