Manejo y Alimentación

Original

 

Selección multicarácter en bovinos lecheros cubanos

Multicharacter selection in Cuban dairy cattle

 

Arelis Hernández Rodríguez *,  Raquel Ponce de León Sentí **

 

*Departamento de Rumiantes, Instituto de Ciencia Animal, Cuba.

**Departamento de Monogástricos, Instituto de Ciencia Animal, Cuba.

Correspondencia: arelishdez74@gmail.com

 

Recibido: Julio, 2024; Aceptado: Agosto, 2024; Publicado: Octubre, 2024.


Resumen

Objetivo. Realizar la selección multicarácter de rasgos de producción lechera, reproducción y longevidad, mediante la confección de índices de selección (IS) a través del análisis de componentes principales. Materiales y métodos: Se utilizaron los datos fenotípicos y genealógicos de hembras bovinas Mambí de Cuba (3/4 Holstein ¼ Cebú), Siboney de Cuba (5/8 Holstein 3/8 Cebú) y Holstein con el propósito de realizar la selección multicarácter de rasgos de producción lechera, reproducción y longevidad, mediante la confección de índices de selección (IS) a través del análisis de componentes principales (CP). Se utilizó un modelo animal multicarácter para estimar los parámetros y valores genéticos (VG) de 5 445 vacas Mambí de Cuba, 6 425 Siboney de Cuba y 1 571 Holstein, para la producción de leche acumulada hasta los 305 días (VGL305), duración de la lactancia (VGDL), edad al primer parto (VGEP1), intervalo parto gestación (VGIPG), leche acumulada por vida (VGLTV) y vida productiva (VGVP). Resultados: Las correlaciones lineales entre los VG en las vacas Mambí con cada componente principal mostraron que VGL305, VGLTV y VGDL están altamente relacionados con la CP1 mientras que VGIPG estuvo más asociado con la CP2. El VGVP y VGEP1 estuvieron relacionados con la CP3. En el Siboney de Cuba VGL305 y VGDL están altamente relacionados con la CP1 mientras que el VGIPG, VGLTV y VGEP1 estuvieron más asociados con la CP2. El VGVP estuvo relacionado con la CP3. En el Holstein VGL305, VGDL y VGLTV estuvieron relacionados con la CP1, y VGIPG y VGVP con la CP2. Conclusión: En bovinos lecheros es posible construir índices de selección basados ​​en los CP1-3. Estos mostraron variación genética, por lo que podrían utilizarse en un programa de selección multicarácter.

Palabras clave: components principales, índices de selección, mejora genética (Fuente: AGROVOC)

 

Abstract

Objective. To perform multi-trait selection for dairy production, reproduction and longevity traits by creating selection indices (SI) using principal component analysis. Materials and methods: Phenotypic and genealogical data from female Mambí de Cuba (3/4 Holstein ¼ Zebu), Siboney de Cuba (5/8 Holstein 3/8 Zebu) and Holstein bovine animals were used for the purpose of multi-trait selection for dairy production, reproduction and longevity traits by creating selection indices (SI) using principal component analysis (PC). A multi-trait animal model was used to estimate the genetic parameters and values ​​(GV) of 5 445 Mambí cows from Cuba, 6 425 Siboney cows from Cuba and 1 571 Holstein cows for cumulative milk production up to 305 days (VGL305), lactation duration (VGDL), age at first calving (VGEP1), calving-gestation interval (VGIPG), cumulative milk per lifetime (VGLTV) and productive life (VGVP). Results: Linear correlations between GVs in Mambí cows with each principal component showed that VGL305, VGLTV and VGDL are highly related to CP1 while VGIPG was more associated with CP2. VGVP and VGEP1 were related to CP3. In Siboney de Cuba VGL305 and VGDL are highly related to CP1 while VGIPG, VGLTV and VGEP1 were more associated with CP2. VGVP was related to CP3. In Holstein VGL305, VGDL and VGLTV were related to CP1, and VGIPG and VGVP to CP2. Conclusion: In dairy cattle it is possible to construct selection indices based on CP1-3. These showed genetic variation, so they could be used in a multi-trait selection program.

Keywords: principal components, selection indices, genetic improvement (Source: AGROVOC)

INTRODUCCIÓN

Las dos herramientas básicas con que cuenta el genetista y el ganadero para ayudar a incrementar la productividad de su hato en un programa de mejoramiento genético animal son la combinación de los sistemas de apareamiento y la selección (Ossa, 1998).

Los índices de selección tradicionales (Hazel, 1943) son utilizados para seleccionar los animales por combinaciones lineales de los valores genéticos con los pesos económicos. A pesar de que esta metodología se ha utilizado por diversos autores (Betancur-Zambrano et al., 2012; Peripolli et al., 2016), en ocasiones resulta difícil obtener los pesos económicos, por lo que recientemente se ha incorporado el uso del análisis de componentes principales (CP), en la construcción de índices de selección en en el ganado lechero (Bignardi et al., 2012; Khan et al., 2013). Se plantea que el análisis de CP permite reducir la dimensionalidad de las variables, facilita la interpretación de datos en unos pocos componentes principales e identifica el tipo de relación entre las variables originales.

Los índices de selección son ampliamente utilizados, variando en cada país el énfasis que se le da a cada una de las características incluidas; por lo general se combinan características de producción, reproducción, conformación, tipo, salud, longevidad y fertilidad (Betancur-Zambrano et al., 2012)

A pesar de que varios estudios demostraron que la selección solo por producción lechera causa efectos negativos en la salud de la ubre (Heringstad et al., 2003) y el comportamiento reproductivo (Haile-Mariam et al., 2003; Kadarmideen et al., 2003), en bovinos lecheros cubanos el criterio de selección utilizado es únicamente la producción de leche. Por ello, el objetivo del presente trabajo fue realizar la selección multicarácter de rasgos de producción lechera, reproducción y longevidad, mediante la confección de índices de selección (IS) a través del análisis de componentes principales.

MATERIALES Y MÉTODOS

Se utilizó la información de la producción lechera y la reproducción, que se registró en el Sistema de Control Pecuario (SISCOP), de las vacas Mambí de Cuba (¾ Holstein ¼ Cebú) que tuvieron sus partos entre los años 1986 al 2016, Siboney de Cuba (5/8 Hostein 3/8 Cebú) con partos entre los años 1984 al 2016 y Holstein con partos entre 1984 al 2016. Estas vacas se ubicaron en tres ganaderías (Empresa Pecuaria Genética de Matanzas en la provincia de Matanzas, Los Naranjos en Mayabeque y Camilo Cienfuegos de Pinar del Río) de la región occidental de la República de Cuba.

Se utilizaron los registros de los animales vivos y también los de aquellos que habían causado baja. A partir del fichero de datos de la producción lechera (vivas + bajas) se obtuvieron los rasgos: producción de leche acumulada hasta los 305 días (L305), duración de la lactancia (DL) y edad al primer parto (EP1). Mientras que, del fichero de datos de la reproducción (vivas + bajas) se calculó el intervalo parto gestación (IPG). Del fichero de bajas de la producción lechera se calculó la leche acumulada por vida (LTV); así como el rasgo de longevidad denominado vida productiva (VP) determinada como los meses del primer al último parto.

Edición de los datos y grupos de contemporáneos

Para garantizar una mayor precisión en la estimación de los parámetros genéticos, se eliminaron aquellos datos con bajas frecuencias, como las lactancias con menos de 30 días, las edades al primer parto inferiores a los 24 meses, las producciones de leche con menos de 100 kg, los IPS e IPG inferiores a los 24 días y los IPP inferiores a los 300 días. Las lactancias superiores a la décima se agruparon en esta última. El fichero de pedigrí quedo conformado por un total de 153 963 individuos.

Se utilizó el método de mínimos cuadrados en un modelo lineal general (GLM) mediante el paquete estadístico SAS (2010) versión 9.3 (SAS Institute, Cary, NC, USA) para definir los efectos fijos significativos (P<0.01) a incluir en el grupo de contemporáneos (GC). Se consideró la combinación de rebaño-año-época de parto, como GC y se eliminaron aquellos grupos conformados por menos de 3 animales. Se determinaron dos épocas de parto: la lluviosa (de mayo a octubre) y la poco lluviosa (de noviembre a abril).

En la tabla 1 se muestra el número de observaciones utilizado en cada fichero de datos, la cantidad de animales, el número de grupos de contemporáneos (GC), los años de parto (AP), las medias y desviaciones estándar para cada rasgo.

Tabla 1. Número de observaciones (N), años de parto (AP), media y desviación estándar (DE) en rasgos de la producción de leche, la reproducción y la longevidad de vacas Mambí de Cuba, Siboney de Cuba y Holstein.

Rasgos

N

Vacas

Toros

GC

AP

Media

DE

Mambí de Cuba

L305 (kg)

46 260

13 945

249

4 410

1987-2016

1861,19

857,06

DL (días)

46 260

13 945

249

4 410

1987-2016

280,83

93,20

LTV (kg)

10 549

10 549

242

2 951

1984-2015

5591,95

4904,87

EP1(meses)

10 542

10 542

226

2 509

1987-2015

51,48

19,75

IPG (días)

54 113

15 339

271

6 104

1985-2016

201,80

150,12

VP (meses)

8 072

8 072

235

2 474

1984-2014

49,84

29,19

Siboney de Cuba

L305 (kg)

47 567

17 235

348

3 292

1987-2016

1545,55

805,62

DL (días)

47 567

17 235

348

3 292

1987-2016

271,89

83,07

LTV (kg)

13 171

13 171

339

2 553

1984-2015

3894,70

3741,95

EP1(meses)

14 383

14 383

332

1 899

1987-2016

45,10

15,07

IPG (días)

47 032

14 118

313

3 915

1986-2016

232,51

170,70

VP (meses)

8 437

8 437

228

1 586

1984-2014

47,46

26,77

Holstein

L305 (kg)

29 480

25 959

672

4 110

1987-2015

2415,99

1160,94

DL (días)

29 480

25 959

672

4 110

1987-2015

290,99

78,74

LTV (kg)

31 386

31 386

718

5 235

1984-2015

2833,75

1566,29

EP1(meses)

21 695

21 695

585

3 025

1987-2015

34,81

12,00

IPG (días)

12 060

3 721

353

2 786

1986-2015

262,25

187,79

VP (meses)

1 920

1 920

284

897

1984-2013

46,83

28,70

L305: Producción de leche acumulada hasta los 305 días; DL: Duración de la lactancia; LTV: Leche acumulada por vida; EP1: Edad al primer parto; IPG: Intervalo parto gestación; VP: Vida productiva

 

Se empleó el programa ASREML (Gilmour et al., 2003) para estimar los valores genéticos. Se empleó el siguiente modelo animal multicarácter:

+         

Donde:

yi = vector de las observaciones para el i-ésimo rasgo, bi = vector de los efectos fijos (rebaño-año-época de parto y la edad al parto como covariable lineal y cuadrática) para el i-ésimo rasgo, ai = vector de los efectos aleatorios del animal para el i-ésimo rasgo,

ei =vector de los efectos residuales aleatorios para el i-ésimo rasgo, xi y Zi = matrices de diseño que relacionan los datos con los efectos fijos y aleatorios, respectivamente

Los VG estimados se importaron al paquete estadístico SAS (2010) versión 9.3 (SAS Institute, Cary, NC, USA) y posteriormente se unieron todos los ficheros dejando solo aquellas vacas que tuvieron información de los VG para todos los rasgos estudiados. El fichero final presentó un total de 5 445 vacas Mambí de Cuba, 6 425 Siboney de Cuba y 1 571 Holstein.

El análisis de componentes principales se realizó mediante el paquete estadístico SPSS (2002) versión 11.5. Este análisis se realizó como una vía para condensar o resumir la información contenida en varias variables originales (en este caso los VG) en un conjunto más pequeño de nuevas dimensiones compuestas o variantes llamadas componentes principales, con una pérdida mínima de información, y para explorar las relaciones entre los VG obtenidos (VGL305, VGDL, VGLTV, VGEP1, VGIPG, VGVP,) para explicar la estructura de los datos (Hair et al., 2009).

Debido a las diferencias en las unidades de medida, los VG para todos los rasgos se estandarizaron usando la distribución normal estándar (‘z’). Se utilizó el criterio de Kaiser (1960) para seleccionar el componente principal que explica la mayor variación genética de los datos. Este criterio toma en consideración solo aquellos componentes principales con valores propios por encima de la unidad. El valor propio de un componente principal está asociado con la varianza de todos los rasgos incluidos en el componente principal. Cada valor propio está asociado con un vector unitario llamado vector propio. Los vectores propios representan la fortaleza y dirección de la varianza de cada rasgo con el componente principal. En el presente trabajo se utilizó una matriz de correlación de variables para obtener los valores propios.

Al utilizar los VG estandarizados en este análisis, cada componente principal puede generar un nuevo valor denominado puntuación del componente principal, el cual es la suma de los VG estandarizados del peso de cada rasgo por su respectivo coeficiente de puntuación estandarizado (SSC). De esta forma, el componente principal puede ser usado como un índice para evaluar animales, para múltiples rasgos. Los coeficientes de puntuación estandarizados de cada VG en cada componente principal se obtuvieron utilizando la siguiente formula:

SSCij= 

Donde:

SSCij= Coeficientes de puntuación estandarizados de los VG de cada rasgo en el j-ésimo componente principal

La puntuación del componente principal (índice) se calculó como: CPjl=

Donde:

CPjl= Puntuación del componente principal (puntuación del índice) para el l-ésimo animal en el j-ésimo componente principal, SSCij= Coeficientes de puntuación estandarizados de los VG del i-ésimo rasgo en el j-ésimo componente principal,

VGil = Valor genético estimado estandarizado del i-ésimo rasgo en el l-ésimo animal

RESULTADOS Y DISCUSIÓN

La confección de los índices de selección tradicionales en ocasiones resulta difícil por no disponer de los pesos económicos, además estos están sujetos a constantes variaciones del mercado. Una alternativa fue incorporar el análisis de componentes principales en la construcción de índices de selección. Buzanskas et al. (2013) expusieron que el uso de los CP es una metodología para construir combinaciones lineales entre los valores genéticos de los rasgos disponibles en una base de datos, tomando en consideración los valores propios del componente principal y los vectores propios de los rasgos en cada componente principal, los cuales son medidas de variabilidad. Dentro de las ventajas de su uso se destaca que rasgos con bajos estimados de heredabilidad, que raramente son tomados en consideración en un proceso de selección directa, pueden incluirse en el componente principal.

En el Mambí de Cuba los componentes principales 1 y 2 (CP1, CP2) fueron los que obtuvieron el criterio de Kaiser (tabla 2) y el componente 3 (CP3) presentó un valor cercano a 1 por lo que también se seleccionó. De las 6 dimensiones originales (por ejemplo: VGL305, VGDL, VGLTV, VGEP1, VGIPG, VGVP), el 69.6 % de la varianza total de los VG fue explicada por los CP1 al CP3. El CP1 fue el de mayor aporte, este explicó el 33.5% de la varianza total. En el Siboney de Cuba los tres primeros componentes principales (CP1, CP2, CP3) fueron los que obtuvieron el criterio de Kaiser. El 70.8 % de la varianza total de los VG fue explicada por los CP1-3, siendo el CP1 el de mayor aporte pues explicó el 32.4 % de la varianza total. Mientras que, en el Holstein los dos primeros componentes principales (CP1, CP2) fueron los que obtuvieron el criterio de Kaiser. Estos explicaron el 53.7 % de la varianza total de los VG.

Tabla 2. Valores propios para cada componente principal, proporción total y acumulada de la varianza genético aditiva, del primer al sexto componente principal (CP1-6), en vacas Mambí de Cuba, Siboney de Cuba y Holstein.

Componentes

Valores propios

Total

% de la varianza genético aditiva

% acumulado

Mambí de Cuba

CP1

2,015

33,5

33,5

CP2

1,173

19,5

53,1

CP3

0,988

16,4

69,6

CP4

0,869

14,4

84,0

CP5

0,589

9,82

93,9

CP6

0,366

6,09

100

Siboney de Cuba

CP1

1,945

32,414

32,414

CP2

1,252

20,862

53,276

CP3

1,055

17,585

70,861

CP4

0,765

12,743

83,604

CP5

0,662

11,038

94,642

CP6

0,321

5,358

100,000

Holstein

CP1

2,098

34,972

34,972

CP2

1,127

18,781

53,753

CP3

0,974

16,232

69,985

CP4

0,938

15,632

85,617

CP5

0,509

8,479

94,096

CP6

0,354

5,904

100,000

 

Khan et al. (2013) en el ganado Vrindavani (de 50 a 75% de Holstein-Friesian, Brown Swiss, Jersey - 25 a 50% de ganado Hariana) de la India, apreciaron que los 3 primeros componentes principales explicaron el 93.08% de la varianza total. En la raza Nelore, los tres primeros CP explicaron el 100% de la varianza genética aditiva de nueve rasgos relacionados con la producción de carne (Boligon et al., 2013). Estos resultados probablemente se deban a que, en el primer caso, sólo se utilizaron rasgos de la producción lechera (producciones de leche parciales a 100, 170 y 240 días en la primera lactancia, en la segunda lactancia y sus respectivas producciones totales), y en el segundo caso, solamente rasgos de la producción de carne.

Los resultados del presente trabajo se corresponden con otros donde también se demostró que con el uso del análisis de CP se puede reducir la dimensionalidad de los rasgos. De acuerdo a los estudios Bignardi et al. (2012) en vacas Holstein, solo se requerían dos CP para resumir la variación genética de los toros entre los 10 rasgos evaluados (10 producciones mensuales de leche). También en vacas Canchim, Buzanskas et al. (2013) reportaron que el 73.37% de la varianza total de los VG de tres rasgos reproductivos y uno de crecimiento era explicada por dos CP. Por su parte, Agudelo-Gómez et al. (2015) observaron que los tres primeros CP explicaron el 65.78% de la varianza original de los valores genéticos para la producción lechera a 270 días, la edad al primer parto, el peso al destete y el peso a diferentes edades (12, 18 y 24 meses).

Las correlaciones lineales entre los VG de los rasgos estudiados con cada componente principal (tabla 3) mostraron que en el Mambí de Cuba los rasgos relacionados con la producción de leche y la duración de la lactancia están altamente relacionados con la CP1 mientras que el rasgo reproductivo estuvo más asociado con la CP2. La VP y la EP1 estuvieron relacionadas con la CP3. Así el CP1 pudiera ser interpretado como un índice genético relacionado a los rasgos de producción lechera y duración de la lactancia, mientras que el CP3 pudiera ser un índice genético relacionado a la longevidad y la edad al primer parto. En este sentido, pudiera ser mejor seleccionar los animales para IPG considerando solo su VG en vez de usar el índice del CP2.

 
Tabla 3. Correlaciones lineales de los VG estandarizados con el componente principal 1 al 3 (CP1-3), en vacas Mambí de Cuba, Siboney de Cuba y Holstein.

VG

CP1

CP2

CP3

                                              Componentes en el Mambí de Cuba

VGL305

0,843

0,067

0,030

VGDL

0,842

0,189

-0,034

VGLTV

0,641

-0,457

0,027

VGIPG

0,368

0,633

0,066

VGVP

0,141

-0,572

0,635

VGEP1

-0,169

0,444

0,760

VG

Componentes en el Siboney de Cuba

CP1

CP2

CP3

VGL305

0,867

-0,100

0,004

VGDL

0,881

-0,005

-0,043

VGLTV

0,405

0,586

-0,320

VGIPG

0,448

-0,654

0,039

VGVP

0,083

-0,015

0,917

VGEP1

0,214

0,686

0,331

VG

Componentes en el Holstein

CP1

CP2

 

VGL305

0,842

-0,159

 

VGDL

0,717

0,337

 

VGLTV

0,728

-0,478

 

VGIPG

0,284

0,564

 

VGVP

0,255

0,639

 

VGEP1

-0,446

0,184

 

 

Las correlaciones lineales entre los VG de los rasgos estudiados en las vacas Siboney de Cuba con cada componente principal mostraron que los rasgos relacionados con la producción de leche y la duración de la lactancia están altamente relacionados con la CP1 mientras que el IPG, LTV y EP1 estuvieron más asociados con la CP2. La VP estuvo relacionada con la CP3. Así el CP1 pudiera ser interpretado como un índice genético relacionado a los rasgos de producción lechera y duración de la lactancia, mientras que el CP2 pudiera ser un índice genético relacionado a la reproducción y la producción lechera por vida. En el caso del CP3 sería mejor seleccionar los animales considerando solo su VG para VP, en vez de usar un índice, dado que las correlaciones de los VG del resto de los rasgos con esta componente fueron bajas.

Las correlaciones lineales entre los VG de los rasgos estudiados en las vacas Holstein con cada componente principal mostraron que los rasgos relacionados con la producción de leche y la duración de la lactancia están altamente relacionados con la CP1 mientras que el IPG y VP estuvieron más asociados con la CP2.

Los pesos de estos índices son coeficientes de puntuación estandarizados (SSC) para cada VG estandarizado de las vacas de las tres razas estudiadas (tabla 4). El mayor de los valores absolutos del SSC es el de mayor importancia relativa de los VG estandarizados en el componente principal. Esta importancia es explicada por la mayor correlación lineal entre los rasgos con el componente principal (tabla 3).

La puntuación del componente principal (valor del índice) para cada animal Mambí de Cuba, en cada componente principal, fue calculada como:

CP1= 0.418 (VGL305) + 0.418 (VGDL) + 0.318 (VGLTV)

CP3= 0.643 (VGVP) + 0.770 (VGEP1)

La puntuación del componente principal (valor del índice) para cada animal Siboney de Cuba, en cada componente principal, fue calculada como:

CP1= 0.446 (VGL305) + 0.453 (VGDL)

CP2= 0.469 (VGLTV) - 0.522 (VGIPG) + 0.548 (VGEP1)

La puntuación del componente principal (valor del índice) para cada animal Holstein, en cada componente principal, fue calculada como:

CP1= 0.401 (VGL305) + 0.342 (VGDL) + 0.347 (VGLTV)

CP2= 0.500 (VGIPG) + 0.567 (VGVP)

Tabla 4. Coeficientes de puntuación estandarizados (SSC) de cada VG estimado estandarizado para todos los rasgos en cada componente principal (CP1-3), en vacas Mambí de Cuba Siboney de Cuba y Holstein.

VG

SSC (CP1)

SSC (CP2)

SSC (CP3)

 

Mambí de Cuba

VGL305

0,418

0,057

0,030

VGDL

0,418

0,161

-0,034

VGLTV

0,318

-0,389

0,028

VGIPG

0,183

0,539

0,067

VGVP

0,070

-0,487

0,643

VGEP1

-0,084

0,379

0,770

 

Siboney de Cuba

VGL305

0,446

-0,080

0,004

VGDL

0,453

-0,004

-0,041

VGLTV

0,208

0,469

-0,303

VGIPG

0,230

-0,522

0,037

VGVP

0,043

-0,012

0,869

VGEP1

0,110

0,548

0,313

 

Holstein

VGL305

0,401

-0,141

 

VGDL

0,342

0,299

 

VGLTV

0,347

-0,424

 

VGIPG

0,135

0,500

 

VGVP

0,122

0,567

 

VGEP1

-0,213

0,164

 

 

La selección de vacas Mambí de Cuba para VGL305, VGLTV y VGDL mediante la CP1 podría realizarse por separado de la selección para VGEP1 y VGVP a través de la CP3 considerando la correlación lineal entre los VG con cada componente principal (Tabla 3). La selección para IPG puede realizarse directamente por su valor genético. Estos resultados también se corresponden con las correlaciones genéticas entre los rasgos estudiados (Hernández et al., 2011), que revelaron una correlación genética media entre L305, LTV y DL (0.33 a 0.46) y entre EP1 y VP (-0.56); mientras que las correlaciones genéticas entre estos cinco rasgos y el IPG fueron bajas (entre 0.12 y 0.26) por lo que cambiarán casi independientemente.

Mientras que la selección de vacas Siboney de Cuba para VGL305 y VGDL mediante la CP1 podría realizarse por separado de la selección para VGIPG, VGEP1 y VGLTV a través de la CP2 considerando la correlación lineal entre los VG con cada componente principal (Tabla 3). La selección para VP puede realizarse directamente por su valor genético.

En el Holstein, la selección para VGL305, VGLTV y VGDL mediante la CP1 podría realizarse por separado de la selección para VGIPG y VGVP a través de la CP2 considerando la correlación lineal entre los VG con cada componente principal (Tabla 3).

Con el uso del análisis de componentes principales se pueden seleccionar los animales en base a solo dos puntajes generados (en el Mambí de Cuba por las CP1 y CP3; y en el Siboney de Cuba y el Holstein por las CP1 y CP2) en lugar de los seis valores genéticos. Según Buzanskas et al., (2013) cuando se utiliza este enfoque, los animales se pueden seleccionar de una manera equilibrada una vez que los puntajes de cada componente principal son combinaciones lineales de todos los valores genéticos de los rasgos evaluados, y no pesos empíricos típicamente utilizados en programas de mejora.

En vacas Mambí de Cuba, CP1 puede considerarse un índice genético de producción lechera porque favorece a los animales genéticamente superiores para VGL305, VGLTV y VGDL; mientras que el CP3 puede ser un índice genético relacionado a la longevidad y la edad al primer parto. La mayor variabilidad para VGL305, VGLTV y VGDL puede explicarse por el hecho de que actualmente solo se hace énfasis en la selección por VGL305 y no se aplica una alta intensidad de selección. Es importante tener en cuenta que los VGEP1 negativos en la CP1 son interesantes porque el objetivo es reducir la edad al primer parto pues este rasgo presenta una correlación genética media con la producción de leche acumulada por vida (-0.37) y la longevidad (-0.56), así que cambiarán juntos de alguna forma, pero en sentido contrario.

En vacas Siboney de Cuba la CP1 puede considerarse un índice genético de producción lechera porque favorece a los animales genéticamente superiores para VGL305 y VGDL; mientras que el CP2 puede ser un índice genético relacionado a la reproducción y producción lechera por vida. Por su parte, en el Holstein la CP1 puede considerarse un índice genético de producción lechera porque favorece a los animales genéticamente superiores para VGL305, VGLTV y VGDL; mientras que el CP2 puede ser un índice genético relacionado a la reproducción y la longevidad.

CONCLUSIÓN

Se concluye que en bovinos lecheros (Mambí de Cuba, Siboney de Cuba y Holstein) es posible construir índices de selección basados ​​en los CP1-3. Estos mostraron variación genética, por lo que podrían ser utilizados en un programa de selección multicarácter.

 

REFERENCIAS

Agudelo-Gómez, D., Pineda-Sierra, S., & Cerón-Muñoz, M. F. (2015). Genetic evaluation of dual-purpose buffaloes (Bubalus bubalis) in Colombia using principal component analysis. PloS one10(7), e0132811. http://journals.plos.org/plosone/article?id=10.1371/journal.pone.0132811

Betancur-Zambrano, M. F., Páez-Ordóñes, K. N., Solarte-Portilla, C., & Osejo-Rosero, E. (2012). Construction of selection indices for Holstein cattle in the high tropic of Nariño. Investigación Pecuaria. http://395 texto del artículo-1466-1-10-20121026.pdf

Bignardi, A. B., El Faro, L., Rosa, G. J. M., Cardoso, V. L., Machado, P. F., & Albuquerque, L. G. D. (2012). Principal components and factor analytic models for test-day milk yield in Brazilian Holstein cattle. Journal of Dairy Science95(4), 2157-2164. https://www.ncbi.nlm.nih.gov/pubmed/22459860

Boligon, A. A., Bignardi, A. B., Mercadante, M. E. Z., Lôbo, R. B., & Albuquerque, L. G. (2013). Principal components and factor analytic models for birth to mature weights in Nellore cattle. Livestock Science152(2-3), 135-142. http://agris.fao.org/agris-search/search.do?recordID=US201400055887

Buzanskas, M. E., Savegnago, R. P., Grossi, D. A., Venturini, G. C., Queiroz, S. A., Silva, L. O. C., ... & Alencar, M. M. (2013). Genetic parameter estimates and principal component analysis of breeding values of reproduction and growth traits in female Canchim cattle. Reproduction, Fertility and Development25(5), 775-781. http://dx.doi.org/10.1071/RD12132

Gilmour, A. R., Gogel, B. J., Cullis, B. R., & Thompson, R. (2009). ASReml user guide release 1.10. https://www.vsni.co.uk/downloads/asreml/release1/doc/UserGuide.pdf

Haile-Mariam, M., Bowman, P. J., & Goddard, M. E. (2003). Genetic and environmental relationship among calving interval, survival, persistency of milk yield and somatic cell count in dairy cattle. Livestock production science80(3), 189-200. https://doi.org/10.1016/S0301-6226(02)00188-4

Hair, J. F., Black, W. C., Babin, B. J., Anderson, R. E., & Tatham, R. L.  (2009). Multivariate data analysis. 7th Edition, Prentice Hall, Upper Saddle River, 761. https://www.pearson.com/us/higher-education/program/Hair-Multivariate-Data-Analysis-7th-Edition/PGM263675.html

Hazel, L. N. (1943). The genetic basis for constructing selection indexes. Genetics28(6), 476-490. http://www.genetics.org/content/28/6/476

Heringstad, B., Chang, Y. M., Gianola, D., & Klemetsdal, G. (2003). Genetic analysis of longitudinal trajectory of clinical mastitis in first-lactation Norwegian cattle. Journal of Dairy Science86(8), 2676-2683. https://www.researchgate.net/profile/Daniel_Gianola/publication/105977-40_Genetic_Analysis_of_Longitudinal_Trajectory_of_Clinical_Mastitis_in_FirstLactation_Norwegian_Cattle/links/00b7d52532f41e21c8000000.pdf

Hernández, A., Ponce de León, R., García, S. M., García, R., Mora, M., Gutiérrez, M., & Guzmán, G. (2011). Parámetros genéticos en rasgos de la producción lechera y la longevidad de vacas Mambí de Cuba. Archivos de zootecnia60(231), 513-520. https://dx.doi.org/10.4321/S0004-05922011000300040

Kadarmideen, H. N., Thompson, R., Coffey, M. P., & Kossaibati, M. A. (2003). Genetic parameters and evaluations from single-and multiple-trait analysis of dairy cow fertility and milk production. Livestock Production Science81(2-3), 183-195. https:// doi.org/10.1016/S0301-6226(02)00274-9

Kaiser, H. F. (1960). The application of electronic computers to factor analysis. Educational and psychological measurement20(1), 141-151. https://doi.org/10.1177/001316446002000116

Khan, T. A., Tomar, A. K. S., & Dutt, T. (2012). Prediction of lifetime milk production in synthetic crossbred cattle strain Vrindavani of North India. Indian Journal of Animal Sciences82(11), 1367. https://www.researchgate.net/publication/290530985

Khan, T. A., Tomar, A. K. S., Dutt, T., & Bhushan, B. (2013). Principal component regression analysis in lifetime milk yield prediction of crossbred cattle strain Vrindavani of North India. Indian Journal of Animal Sciences83(12), 1288-1291. https://www.researchgate.net/publication/265422056

Ossa, G. (1998). La selección herramienta del mejoramiento genético. Revista CORPOICA. https://agriperfiles.agri-d.net/display/AS-pub33D846B4BE39AA8B2689E021A49749CD

Peripolli, E., Oliveira, M. S. L., Baldi, F., Pereira, A. S. C., Vercesi, A. E., & Albuquerque, L. G. (2016). Valores econômicos para sistemas de recria e engorda de bovinos Nelore e cruzado. Archivos de zootecnia65(250), 145-154. https:// doi.org/10.21071/az. v65i250.481

 

Contribución de los autores

Concepción y diseño de la investigación: AHR, RPLS; análisis e interpretación de los datos: AHR, RPLS; redacción del artículo: AHR, RPLS.

Conflicto de intereses

Los autores declaran que no existen conflicto de intereses.