۱۴/۰

شیرگیری

جیهان

زندهمانی

تکسل

۰۵/۰

۰۶/۰

-

۱۲/۰-

-

۲۴ ساعت بعد از تولد

ماکسا و همکاران، ۲۰۰۹

زندهمانی

آکسفورد

۰۷/۰

۰۴/۰

-

۰۱/۰-

-

۲۴ ساعت بعد از تولد

ماکسا و همکاران، ۲۰۰۹

زندهمانی

نیوزیلند

۱۴/۰

۱۱/۰

-

۷۴/۰-

-

شیرگیری

اورت هینکز و همکاران، ۲۰۰۵

: واریانس فنوتیپی،  : وراثتپذیری مستقیم،  : وراثتپذیری مادری،  : همبستگی بین اثر ژنتیکی مستقیم و مادری،  : نسبت واریانس محیط دائمی مادری به واریانس فنوتیپی،
۱-۸- اهمیت برآورد پارامترهای ژنتیکی در اصلاح دام
دقت تخمین مؤلفه های واریانس اهمیت زیادی در اصلاح نژاد حیوانات دارد، زیرا با افزایش واریانس اشتباه پیش بینی تفاوت بین مقدار پیش بینی شده و واقعی افزایش مییابد . از مؤلفه های (کو) واریانس برای تخمین پارامترهای ژنتیکی مثل وارثتپذیری و همچنین برآورد همبستگیهای ژنتیکی استفاده میشود. این پارامترها برای طراحی استراتژیهای اصلاحی ضروری هستند. تخمین مؤلفه های (کو) واریانس استفاده وسیعی در اصلاح نژاد دام دارد که از آن جمله میتوان به تشکیل ساختار شاخص انتخاب، به دست آوردن پیش بینیهای BLUP (بهترین پیشبینی نااریب خطی) با بهره گرفتن از معادلات مختلط، تخمین وراثت پذیری و همبستگیهای فنوتیپی، ژنتیکی و محیطی درک بهتر تاثیرات ژنتیکی و عوامل محیطی بر صفات اشاره نمود. لذا این مؤلفه ها باید به طور دقیق برآورد گردند [Henderson, 1986].

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

یکی از مهمترین پارامترهایی که از طریق این مؤلفه ها به دست میآید وراثت پذیری میباشد. وراثت پذیری راه اجرا و عملی نمودن برنامههای اصلاح نژادی را نشان میدهد. در مجموع تخمین نااریب وراثت پذیری جهت نیل به نتاج قابل اعتماد و در نهایت پیشرفت سریع برنامههای اصلاح نژاد امری بدیهی است، که این امر بستگی نزدیکی به نوع مدل، تعداد رکورد و صحت و دقت آنها دارد. روش های مختلفی برای تخمین مؤلفه های (کو) واریانس استفاده میشود که از آن جمله میتوان به تجزیه واریانس، حداکثر درست نمایی و روش بیزی اشاره کرد. در اصلاح دام BLUP، به طور گستردهای برای پیش بینی ارزشهای اصلاحی به منظور انتخاب، مورد استفاده قرار گرفته است، که در این ارتباط تئوری بیزی برای تفسیر BLUP، مورد استفاده قرار میگیرد .
۱-۸-۱- مدل تجزیه
در روش انتخاب کلاسیک، ارزش اصلاحی حیوانات بر اساس اطلاعات فنوتیپی و روابط خویشاوندی بین افراد با بهره گرفتن از مدلهای حیوانی پیش بینی میگردید که با ارائه روش بهترین پیشبینی نااریب خطی^[۱] (BLUP)، در دهه ۷۰ توسط هندرسون نقطه عطفی در زمینه اصلاح نژاد حیوانات ایجاد شد اما در کل انتخاب بر این اساس پر هزینه و زمان بر میباشد [Henderson, 1986]. در این روش اثرات ثابت و تصادفی همراه با یکدیگر و به طور همزمان به ترتیب برآورد و پیشبینی میشود. در این روش همبستگی بین ارزش ارثی واقعی و پیش بینی شده حداکثر میشود و پیش بینی کنندهها توابع خطی از مشاهدات هستند. از طرفی برآورد صورت گرفته از مقدار واقعی یک متغیر تصادفی و توابع قابل برآورد اثرات ثابت نااریب میباشند و پیشبینی به دست آمده پیشبینی واقعی از حیوانات است، به همین دلیل این روش، بهترین پیشبینی نااریب خطی (BLUP) نامیده شد. این رویه به طور وسیعی برای پیشبینی ارزش اصلاحی دامها در صفاتی که دارای توزیع نرمال هستند، استفاده میشوند. این روش برآورد حداکثر درست نمایی از بهترین پیشبینی کننده خطی حاصل میکند و برای تجزیه صفات آستانهای نیز استفاده میشود، با این حال به لحاظ نظری، استفاده از مدل خطی شرایطی میطلبد، در واقع فرضهایی چون، توزیع طبیعی، واریانسهای اشتباه مساوی در زیر گروه ها و افزایشی اثرات باید مصداق داشته باشند که در مورد صفات چند ردهای غالب آنها برآورده نمیشوند. بنابراین یک مدل خطی مانند آنچه در روش BLUP به کار میرود، برای تجزیه و پیشبینی پاسخهای این صفات بهترین نمیباشد [Prins, 2003].
بعدها در دهه ۸۰ محققینی چون هاروی و می ، جیانولا و فولی مدل آستانه ای را ارائه دادند که برای تجزیه صفات چند ردهای تناسب بیشتری داشت. مدل آستانهای اساس غیرخطی دارد، که به دلیل غیر خطی بودن و اینکه توابع احتمال طبیعی را در بر میگیرند دارای پیچیدگی محاسباتی مخصوص به خود میباشد و به منابع محاسباتی بیشتری نیاز دارد ، با این وجود، پیشرفت در علم رایانه و برنامه نویسی سهولت استفاده از این مدل در ارزیابیها را بیشتر کرده است .
۱-۸-۲- صفات آستانهای یا دستهبندی شده
تعدادی از صفات وجود دارند که دارای تغییرات ناپیوسته ^[۲]میباشند و لذا آنها را صفات ناپیوسته مینامند. در تعدادی از صفات ناپیوسته فقط دو گروه متمایز فنوتیپی (نظیر سلامت و بیماری حیوانات) و در تعدادی دیگر چند گروه فنوتیپی^[۳] مشاهده میشود. مثلا جنس یک متغیر Categorical است که دو دسته (نر و ماده) دارد . بسیاری از صفات پر اهمیت در زیست شناسی که از لحاظ اقتصاد
ی نیز مهم میباشند در مقیاس ناپیوسته قابل مشاهده هستند . این صفات به صورت عینی قابل اندازه گیری نبوده بلکه به شکل غیرعینی دسته بندی میشوند. صفاتی مانند سخت زایی، مرده زایی، زندهمانی، بیماریها از این دسته به شمار میروند. این صفات دو ردهای یا چند ردهای میباشند. از منظری دیگر صفات ردهای دو نوع هستند:
۱- دسته اول آنهایی هستند که به صورت ساده به نسل بعد منتقل میشوند، این صفات کیفی تحت تاثیر یک یا تعداد محدودی ژن بوده و محیط بر بروز آنها تاثیر اندکی دارد. کار کردن با این صفات بسیار ساده بوده و مباحث ژنتیکی کمی شامل آنها نمیشود.
۲- دسته دوم آنهایی میباشند که از نظر سنجش و اندازه گیری مشابه صفات کیفی بوده اما صفات کمی یا چندین ژنی میباشند، به عبارتی این صفات تحت تأثیر تعداد بسیار زیادی ژن قرار داشته و محیط بر بروز آنها تأثیر بسیاری دارد [Bourdon, 1997]. کار کردن با این صفات به دلیل نوع اندازه گیری آنها مشکلتر از صفات کمی با توزیع پیوسته میباشد. با وجودی که این صفات تنها دارای چند رده میباشند اما در مقیاس بنیادی^[۴] از توزیع طبیعی برخوردارند هر چند که این توزیع غیر قابل مشاهده است.
صفاتی که در مقیاس قابل مشاهده، ردهای بوده اما در مقیاس بنیادی غیر قابل مشاهده، پیوسته هستند، صفات آستانهای یا شبه پیوسته نامیده میشوند .
۱-۸-۳- مدل آستانهای
در برآورد مؤلفه های واریانس صفات ناپیوسته از روشهایی استفاده میشود که بر اساس مدل آستانهای^[۵] طراحی میشود. به دست آوردن معادلات مختلط در مدل آستانهای بر پایه نظریه بیز^[۶] میباشد. اغلب ارزیابی های صفات آستانهای با کمک مدلهای خطی یک صفت، قابلیت اعتماد کمی دارند . تاکنون در کشور ما تجزیه اینگونه صفات بیشتر با نرم افزارهایی مانند DFREML و WOMBAT و ASREML صورت گرفته است . این نرم افزارها با این فرض که صفات مورد آنالیز از توزیع نرمال برخوردارند، تجزیه داده ها را انجام میدهند، در صورتی که صفات آستانهای از توزیع نرمال برخوردار نیستند. ممکن است صفات آستانهای در اثر انتخاب برای یک صفت پیوسته مرتبط با آن تحت تاثیر قرار گیرند، بنابراین انتظار میرود صحت انتخاب هنگام ارزیابی همزمان دو صفت پیوسته و آستانهای، حداقل برای صفات آستانهای افزایش یابد و بسیاری از مطالعات مربوط به برآورد پارامترهای ژنتیکی و پیشبینی ارزشهای اصلاحی در کشور برای صفاتی مانند زندهمانی با بهره گرفتن از مدلهای خطی چندصفتی انجام شده است.