Zootecnia Ativa Conexão entre estudante, produtor e profissional agrário.MAIS ARTIGOS ZOOTECNIA ATIVA
No melhoramento genético dos animais de produção existem características chave para o sucesso dos diferentes sistemas de produção. Em melhoramento genético de animais para corte, geralmente as características relacionadas ao crescimento são consideradas de maior importância, sendo definidas como critérios de Seleção. Já em melhoramento genético de rebanhos leiteiros, as características relacionadas à produção e à qualidade do leite são priorizadas. Em se tratando de seleção para aves poedeiras, o número de ovos produzidos é uma importante característica a ser considerada.
Nos programas de melhoramento genético de animais de produção, seja qual for o objetivo de criação, o desempenho dos animais pode ser avaliado durante toda a vida de um indivíduo, gerando informações da mesma natureza, mensuradas em diferentes estágios da vida do mesmo. As medidas que podem ser mensuradas várias vezes durante a vida de um animal são chamadas de dados longitudinais. Exemplos de dados longitudinais são o tamanho e o peso corporal, produção de leite, consumo de matéria-seca, deposição de gordura, produção de ovos, tamanho do ovo, entre outras.
As características longitudinais, de interesse zootécnico, mais comumente avaliadas em programas de melhoramento genético são o crescimento, em animais de corte e a produção de leite, em animais leiteiros.
O crescimento pode ser descrito como uma mudança no peso vivo por unidade de tempo ou pela plotagem do peso corporal pela idade. A avaliação do crescimento, frequentemente, é feita considerando os pesos às diferentes idades (nascimento, desmama, pós-desmama, sobreano e peso adulto) como características separadas e independentes. No entanto, os melhoristas estão interessados nas relações genéticas e fenotípicas durante todas as fases do crescimento dos animais, uma vez que a análise do crescimento de um animal, através de seu ciclo de vida, é útil para estabelecer estratégias de alimentação adequadas e a melhor idade para o abate.
Já nos programas de melhoramento genético para a produção de leite, é importante o conhecimento da variação da produção ao longo da lactação, cuja representação gráfica é conhecida como curva de lactação.
Existem funções matemático-estatísticas que podem ser ajustadas para descrever o comportamento de uma variável, sendo as mais conhecidas as curvas de lactação, para o ajuste da produção de leite, e as curvas de crescimento, para o ajuste do desempenho ponderal, dos animais de corte. Essas funções, desenvolvidas para a análise de características longitudinais, utilizam as sucessivas informações para gerar inferências sobre as mudanças do desempenho ao longo do tempo.
De modo superficial, os dados longitudinais seriam medidas repetidas de uma mesma característica, avaliada em momentos sucessivos, durante a vida de um animal. Biologicamente, haveriam diferentes genes que estariam sendo ativados e desativados, em diferentes idades, causando mudanças na fisiologia e desempenho. Essas características também têm sido chamadas de características de dimensões infinitas, uma vez que, por exemplo, a idade de um animal pode ser mensurada em anos, meses, semanas, dias, horas, minutos ou segundos, havendo um intervalo contínuo de pontos, em que um animal pode ser observado para uma característica.
As medidas repetidas (dados longitudinais) de um mesmo indivíduo têm sido analisadas sob diferentes metodologias. Para a avaliação genética de curvas de crescimento, duas abordagens principais são recomendadas: ajuste de regressões não-lineares aos dados (por exemplo, modelos de regressão logística, exponencial, Gompertz ou Richards) ou a regressão aleatória. Em curvas de lactação, as abordagens usuais têm utilizado os modelos de repetibilidade e de dimensão finita (test-day models), em análises uni ou multicaracterísticas, sendo, mais recentemente, também propostos os modelos de regressão aleatória.
Os modelos de Regressão Aleatória (RA) diferem entre si por meio da função utilizada para descrever a curva de crescimento ou de lactação a ser ajustada. No entanto, qualquer modelo de RA ajustado permite a obtenção de curvas (crescimento/lactação) aleatórias para cada animal, como desvios de uma curva média da população, utilizando funções lineares.
De um ponto de vista extremamente simplista, a grande vantagem dos modelos de Regressão Aleatória, em relação aos demais modelos disponíveis, é a possibilidade de se obter estruturas de (co)variâncias, entre as diferentes medidas, para os efeitos aleatórios incluídos no modelo.
Neste ponto você pode se perguntar: Por que não utilizar um modelo linear multicaracterística?
Na verdade, os modelos de regressão aleatória são um tipo especial de análise multicaracterística. No entanto, em um modelo multicaracterística comum, as medidas repetidas são consideradas características independentes. Portanto, não é considerada a estrutura de (co)variâncias existente entre as medidas. Já em um modelo de Regressão Aleatória, as diferentes medidas são consideradas repetições de uma mesma característica, havendo, portanto, uma estrutura de covariâncias e correlações entre elas, de forma que, quanto mais próximas, no tempo, estas medidas forem tomadas, maior será a correlação entre elas.
Finalmente, existem diferentes metodologias e abordagens disponíveis para a análise de dados longitudinais, sendo a escolha do método mais adequado, a cada situação, passo fundamental para a obtenção de valores genéticos mais acurados, levando à seleção dos genótipos superiores e garantindo maiores ganhos genéticos nas características de importância econômica.
BIBLIOGRAFIA
AZEVEDO JÚNIOR, J. Ajuste de curvas de lactação de vacas da raça Holandesa de rebanhos do estado de Minas Gerais. Tese de Doutorado. UFLA, 2014. 89 p.
ALBUQUERQUE, L.G. Modelos de dimensão infinita aplicados a características de crescimento de bovinos da raça Nelore. 2003. 83f. Tese (Livre-docente) – Faculdade de Ciências Agrárias e Veterinárias, Universidade Estadual Paulista, Jaboticabal.
BATHAEI, S.S.; LEROY, P.L. Growth and mature weight of Mehraban Iranian fat-tailed sheep. Small Ruminant Research, v.22, p.155- 162, 1996.
EL FARO, L.; ALBUQUERQUE, L.G. Utilização de Modelos de Regressão Aleatória para produção de leite no dia do controle, com diferentes estruturas de variância residuais. Revista Brasileira de Zootecnia, v.32, .n5, p.1104-1113, 2003.
FISCHER, T.M.; VAN DER WERF, J.H.J. Effect of data structure on the estimation of genetic parameters using random regression. In: Seventh World Congr. Genet. Appl. Livest. Prod. CD-ROM Communication, vol. 17-08. Montpellier, France. 2002.
FISCHER, T.M.; VAN DER WERF, J.H.J.; BANKS, R.G.; BALL, A.J. Description of lamb growth using random regression on field data. Livestock Production Science, v.89, p.175–185, 2004.
HENDERSON JR., C.R. Analysis of covariance in the mixed model: higher level, nonhomogeneous, and random regressions. Biometrics, v.38, p.623-640, 1982.
JANNOUNE, A.; BOUJENANE, I.; FALAKI, M.; DERQAOUI, L. Genetic analysis of live weight of Sardi sheep using random regression and multi-trait animal models. Small Ruminant Research, v.130, p.1–7, 2015.
KIRKPATRICK, M.; LOFSVOLD, D.; BULMER, M. Analysis of the inheritance, selection, and evolution of growth trajectories. Genetics, v.124, p.979-993, 1990.
JAMROZIK, J.; SCHAEFFER, L.R. Estimates of genetic parameters for a test day model with random regressions for yield traits of first lactation Holsteins. Journal of Dairy Science, v.80, p.762-770, 1997.
LAMBE, N.R.; NAVAJAS, E.A.; SIMM, G.; BUNGER, L. A genetic investigation of various growth models to describe growth of lambs of two contrasting breeds. Journal of Animal Science, v.84, p.2642–2654, 2006.
LAIRD, N. M.; WARE, J. H. Random effects models for longitudinal data. Biometrics, v.38, p.963-974, 1982.
LEWIS, R.M.; BROTHERSTONE, S. A genetic evaluation of growth in sheep using random regression techniques. Animal Science, v.74, p.63-70, 2002.
MALHADO, C.H.M.; CARNEIRO, P.L.S.; AFFONSO, P.R.A.M.; SOUZA JR., A.A.O.; SARMENTO, J.L.R. Growth curves in Dorper sheep crossed with the local Brazilian breeds, Morada Nova, Rabo Largo, and Santa Inês. Small Ruminant Research, v.84, p.16–2, 2009.
MEYER, K.; HILL, W.G. Estimates of genetic and phenotypic covariance functions for longitudinal or ‘repeated’ records by restricted maximum likelihood. Livestock Production Science, v.47, p.185-200, 1997.
MEYER, K., Scope for a random regression model in genetic evaluation of beef cattle for growth. Livestock Production Science, v.86, p.69-83, 2004.
MEYER, K. Estimating genetic covariance functions assuming a parametric correlation function structure for environmental effects. Genetics Selection Evolution, v.33, p.557– 585, 2001.
MOLINA, A.; MENENDEZ-BUXADERA, A.; VALERA, M.; SERRADILLA, J.M. Random regression model of growth during the first three months of age in Spanish Merino sheep. Animal Science, v.85, p.2830–2839, 2007.
OLIVEIRA, K.A.P.; LÔBO, R.N.B.; FACÓ, O. Genetic evaluation of partial growth trajectory of Santa Inês breed using random regression models. Revista Brasileira de Zootecnia, v.39, n.5, p.1029-1036, 2010.
SCHAEFFER, L.R.; JAMROZIK, J. Random regression models: a longitudinal perspective. Journal of Animal Breeding and Genetics, v.125, p.145-146, 2008.
TOPAL, M.; OZDEMIR, M.; AKSAKAL, V.; YILDIZ, N.; DOGRU, U. Determination of the best nonlinear function in order to estimate growth in Morkaraman and Awassi lambs. Small Ruminant Research, v.55, p.229–232, 2004.
VAN DER WERF, J.H.J.; GODDARD, M.E.; MEYER, K. The use of
covariance functions and random regressions for genetic evaluation of milk production based on test day records. Journal of Dairy Science, v.81, p.3300– 3308, 1998.
Best free WordPress theme
