ads:
UNIVERSIDADE ESTADUAL DE MARINGÁ
CENTRO DE CIÊNCIAS AGRÁRIAS
ESTIMAÇÃO DE COMPONENTES DE (CO)VARIÂNCIA
E DE TENDÊNCIAS GENÉTICAS EM POPULAÇÕES
SIMULADAS
Autora: Daniela Andressa Lino
Orientador: Prof. Dr. Elias Nunes Martins
Dissertação apresentada, como parte das
exigências para obtenção do título de
MESTRE EM ZOOTECNIA, no Programa
de Pós-Graduação em Zootecnia da
Universidade Estadual de Maringá – Área
de Concentração: Produção Animal.
MARINGÁ
Estado do Paraná
Setembro – 2006
ads:
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
UNIVERSIDADE ESTADUAL DE MARINGÁ
CENTRO DE CIÊNCIAS AGRÁRIAS
ESTIMAÇÃO DE COMPONENTES DE (CO)VARIÂNCIA
E DE TENDÊNCIAS GENÉTICAS EM POPULAÇÕES
SIMULADAS
Autora: Daniela Andressa Lino
Orientador: Prof. Dr. Elias Nunes Martins
Dissertação apresentada, como parte das
exigências para obtenção do título de
MESTRE EM ZOOTECNIA, no Programa
de Pós-Graduação em Zootecnia da
Universidade Estadual de Maringá – Área
de Concentração: Produção Animal.
MARINGÁ
Estado do Paraná
Setembro – 2006
ads:
UNIVERSIDADE ESTADUAL DE MARINGÁ
CENTRO DE CIÊNCIAS AGRÁRIAS
ESTIMAÇÃO DE COMPONENTES DE (CO)VARIÂNCIA
E DE TENDÊNCIAS GENÉTICAS EM POPULAÇÕES
SIMULADAS
Autor: Daniela Andressa Lino
Orientador: Prof. Dr. Elias Nunes Martins
Co-Orientadora: Prof
a.
Dr
a.
Eliane Gasparino
TITULAÇÃO: Doutor em Zootecnia – Área de Concentração Produção
Animal
APROVADA em 02 de março de 2006.
_________________________ ___________________________
_________________________ _________________________
__________________________________________
ii
“Mas o caminho dos justos é como a luz do
amanhecer, que vai brilhando mais e mais
até ser dia perfeito”.
Provérbios, 4:18
iii
A Deus por permitir que tudo isso se tornasse real, pois o homem faz os seus projetos,
mas a resposta vem unicamente de Deus.
Aos meus pais David Lino e Vera Lúcia Lino, por todo o apoio e por acreditarem que
investir no estudo é a maior herança que os pais podem deixar aos filhos.
Ao meu namorado, companheiro, amigo, incentivador e ajudante Jeferson Menezes
Lourenço...
...DEDICO
iv
AGRADECIMENTOS
Agradeço de forma muito especial...
A Deus por permitir que este trabalho fosse realizado.
À Universidade Estadual de Maringá (UEM) e ao Programa de Pós-graduação em
Zootecnia (PPZ), por dar oportunidade para a realização deste trabalho.
À CAPES (Coordenação de Aperfeiçoamento do Pessoal de Nível Superior) pelo
financiamento e concessão da bolsa de estudos.
Ao Professor Dr. Elias Nunes Martins, pela orientação, pelo conhecimento
compartilhado, pela amizade, pelo incentivo, por lançar a cada dia um novo desafio e
por acreditar que uma Bióloga pode ser Mestre em Zootecnia.
Ao Professor Dr. Eduardo Shiguero Sakaguti, pela orientação inicial, pela
amizade e por ter me apresentado à linguagem de Programação Fortran.
À Professora Drª. Eliane Gasparino, pela co-orientação, pela amizade, pelas
conversas e risadas e pelo apoio.
Ao amigo e colega de pós-graduação Carlos Antonio Lopes de Oliveira, por
ceder gentilmente 10 dos seus 360 rebanhos para a realização deste trabalho, pela
amizade, pelos ensinamentos na área de melhoramento, pelas lições de vidas, por ser o
“debugger” de alguns programas e pela enorme paciência.
v
Ao Professor Dr. Luis Otávio Campos Silva, à amiga Andréa Gondo e ao Dr.
Roberto Torres Junior, ambos da EMPRAPA - gado de corte, pela ajuda nos
problemas de limitação computacional, pela amizade e pelo apoio.
Ao amigo Msc. Renato Elias, da UFRJ, ao professor Luis Guilherme Pereira
Lima e ao Professor Dr. Marcelo Lenzi pela ajuda e ensinamentos na área
computacional.
À amiga e colega de pós-graduação Alexandra Inês dos Santos, pela amizade,
pelos ensinamentos e por me mostrar que a vida tem diferentes valores.
À amiga Meiby Carneiro de Paula e colegas de pós-graduação, pela amizade e
pelos ensinamentos. Ao amigo Prof. Dr. Luis Daniel Giusti Bruno, pela amizade e
apoio.
Aos amigos e colegas de pós-graduação: Fabiana Martins Costa, Ana Paula
Ton, Ana Carolina Müller Conti, Emília de Paiva, Priscilla Georg e Alexandre
Leseur dos Santos, por trazerem harmonia ao grupo de Melhoramento Genético
Animal e pela amizade.
À CTO Construtora e seus proprietários Edinei e Neide Lourenço, por
emprestarem os computadores, e permitir que as análises fossem mais rápidas.
Às amigas de república Marcela Battilani, Denise Maistro e Géssica Lourenço,
pela amizade, companheirismo, lições de vida e alegrias compartilhadas.
Às grandes amigas Fernanda e Ana Theodora Della Rosa Rehbein, por fazerem
parte da minha vida.
Aos meus pais David Lino e Vera Lúcia Lino e à minha irmã Vanessa
Christina Lino, pelo enorme apoio.
Ao meu namorado Jeferson Menezes Lourenço, pelo amor, pela amizade, apoio,
ajuda e por estar sempre ao meu lado.
vi
BIOGRAFIA DO AUTOR
Daniela Andressa Lino, filha de David Lino e Vera Lúcia Lino, nasceu na cidade
de Astorga, Paraná, em 06 de março de 1982.
Em março de 2000, ingressou no Curso de Ciências Biológicas na Universidade
Estadual de Maringá, em Maringá, Paraná e concluiu o curso no ano letivo de 2003,
colou grau em maio de 2004 quando obteve o título de Bacharel e Licenciada em
Biologia.
Em março de 2004, matriculou-se no curso de Pós-graduação em Zootecnia, em
nível de Mestrado, na área de concentração em Produção Animal, na Universidade
Estadual de Maringá, realizando pesquisas na área de Melhoramento Genético Animal.
Foi, inicialmente, orientada pelo Professor Dr. Eduardo Shiguero Sakaguti, que se
ausentou e entregou a orientação ao Professor Dr. Elias Nunes Martins.
Em setembro de 2006, submeteu-se aos exames finais de defesa de dissertação,
para se habilitar ao título de Mestre em Zootecnia.
vii
ÍNDICE
Página
LISTA DE TABELAS.............................................................................................. ix
LISTA DE FIGURAS............................................................................................... x
TABELAS DO APÊNDICE..................................................................................... xi
RESUMO.................................................................................................................. xii
ABSTRACT.............................................................................................................. xiv
I – INTRODUÇÃO GERAL E REFERÊNCIAS BIBLIOGRÁFICAS .................. 1
II – OBJETIVOS GERAIS ...................................................................................... 8
Citação Bibliográfica ........................................................................................ 9
III – ESTIMAÇÃO DE (CO)VARIÂNCIAS GENÉTICAS HETEROGÊNEAS
EM REBANHOS FECHADOS SOB SELEÇÃO 11
Resumo ............................................................................................................ 11
Abstract ........................................................................................................... 12
Introdução ....................................................................................................... 13
Material e Métodos ......................................................................................... 14
Resultados e Discussão ................................................................................... 22
Conclusão ........................................................................................................ 32
Literatura Citada ............................................................................................. 32
viii
IV – MÉTODOS PARA ESTIMAÇÃO DE TENDÊNCIA GENÉTICA ............... 35
Resumo ............................................................................................................ 35
Abstract ........................................................................................................... 36
Introdução ....................................................................................................... 37
Material e Métodos ......................................................................................... 38
Resultados e Discussão ................................................................................... 49
Conclusão ........................................................................................................ 61
Literatura Citada ............................................................................................. 62
V – CONCLUSÕES GERAIS ................................................................................. 64
VI – APÊNDICE ...................................................................................................... 65
ix
LISTA DE TABELAS
Página
Tabela 1 – Componentes de variância genética aditiva estimados por geração
para P550 ........................................................................................... 24
Tabela 2 – Intervalos de Credibilidade (IC) para as variâncias genéticas de
geração de seleção.............................................................................. 26
Tabela 3 – Valores dos coeficientes da regressão estimados para cada rebanho e
coeficientes de determinação (R
2
) das equações ajustadas ............... 27
Tabela 1 – Média dos valores genéticos preditos por ano, para a condição 1
(C1)..................................................................................................... 50
Tabela 2 – Média dos valores genéticos preditos por ano, para a condição 2
(C2)..................................................................................................... 50
Tabela 3 – Mudança genética média em kg por ano, para valor genético real,
C1 e C2...............................................................................................
51
Tabela 4 – Componentes de variância genética aditiva estimados por ano para
P550 ................................................................................................... 53
Tabela 5 – Componentes de covariância genética aditiva estimados por ano
para P550 ...........................................................................................
53
Tabela 6 – Coeficientes de regressão linear e quadráticos para os métodos
TG1, TG2, TG3 e TG4 para a condição 1 (C1) .................................
54
Tabela 7 – Coeficientes de regressão linear e quadráticos para os métodos
TG1, TG2, TG3 e TG4 para a condição 2 (C2) ................................
55
x
LISTA DE FIGURAS
Página
Figura 1 – Superfície de resposta para (co)variâncias genéticas por ano de
nascimento, para P550, para o rebanho 1. O gradiente vermelho até
azul é traduzido por valores maiores até valores menores. 1a mostra
a redução das variâncias e covariâncias, 1b mostra a redução das
variâncias e em 1c a redução das covariâncias ............................... 29
Figura 2 – Comportamento das variâncias genéticas por geração de seleção e
por ano de nascimento, para P550 dias, para os rebanhos 1 ao 5....... 30
Figura 3 – Comportamento das variâncias genéticas por geração de seleção e
por ano de nascimento, para P550 dias, para os rebanhos 6 ao 10.....
31
Figura 1 – Curvas de regressão das médias dos valores genéticos reais,
preditos pela avaliação genética e pelos métodos TG1, TG2, TG3 e
TG4, em função do ano de nascimento do animal, para os rebanhos
de 1 a 5, na condição 1 (C1). Vg é o valor genético ..........................
56
Figura 2 – Curvas de regressão das médias dos valores genéticos reais,
preditos pela avaliação genética e pelos métodos TG1, TG2, TG3 e
TG4, em função do ano de nascimento do animal, para os rebanhos
de 6 a 10, na condição 1 (C1). Vg é o valor genético ........................
57
Figura 3 – Curvas de regressão das médias dos valores genéticos reais,
preditos pela avaliação genética e pelos métodos TG1, TG2, TG3 e
TG4, em função do ano de nascimento do animal, para os rebanhos
de 1 a 6, na condição 2 (C2). Vg é o valor genético ..........................
58
Figura 4 – Curvas de regressão das médias dos valores genéticos reais,
preditos pela avaliação genética e pelos métodos TG1, TG2, TG3 e
TG4, em função do ano de nascimento do animal, para os rebanhos
de 7 a 10, na condição 2 (C2). Vg é o valor genético ........................ 59
xi
TABELAS DO APÊNDICE
Página
Tabela 1A – Componentes de variância genética aditiva estimados por ano para
P550 .................................................................................................
66
Tabela 2A – Componentes de covariância genética aditiva estimados por ano
para P550, para os rebanho de 1 a 5 ................................................
67
Tabela 3A – Componentes de covariância genética aditiva estimados por ano
para P550, para os rebanho de 6 a 10 ..............................................
68
RESUMO
Foram estudados métodos alternativos para a estimação da tendência genética para peso
aos 550 dias em 10 rebanhos de bovinos de corte simulados, submetidos à 20 anos de
seleção, considerando a existência de parentesco entre os animais e contemplando a
heterogeneidade de (co)variância pela inclusão da estrutura de (co)variância genética
entre os anos de nascimento. Para a construção da estrutura de (co)variância, foi
utilizado um modelo de regressão múltipla, a partir dos componentes estimados para
cada geração de seleção, obtidos por análise multicarácter implementada para inferência
bayesiana. O modelo de regressão múltipla apresentou, em média, coeficiente de
determinação igual a 0,9027 com desvio-padrão de 0,0394, mostrando-se útil na
estimação de componentes de (co)variância ao longo dos anos de nascimento dos
animais, usados os componentes estimados em cada geração. As tendências genéticas
foram estimadas para 8 anos de seleção, com duas condições (C1 e C2) aplicadas à
avaliação genética; na C1 foi realizada a avaliação, considerando todos os animais até o
20º ano de seleção, e na C2, apenas os animais que participaram do conjunto de dados
utilizado para fazer a estimação da tendência genética, obtida por meio de equações de
regressão ajustadas, alternativamente, pelos métodos de quadrados mínimos ordinários
(OLS), quadrados mínimos ponderados (WLS) e quadrados mínimos generalizados
(GLS). Este último sob duas formas: uma considerando homogeneidade de variância, e
a outra, heterogeneidade de variância ao longo dos anos de seleção. Foi verificado
comportamento quadrático dos valores genéticos em função do ano de nascimento dos
animais, para os 10 rebanhos estudados na condição 1 e para os rebanhos 1, 4, 8 e 9 na
condição 2. Para a C1, os métodos WLS e GLS apesar de permitirem maior inclusão de
informações no modelo, não foram capazes de detectar as mudanças genéticas com
maior precisão, sendo o OLS o método que permitiu maior aproximação às médias
xiii
anuais dos valores genéticos reais e preditos. Para a C2, o método GLS, considerando
heterogeneidade de variância ao longo dos anos de nascimento do animal, foi o que
mais se aproximou das mudanças genéticas reais.
Palavras-chave: componentes de variância, regressão múltipla, heterogeneidade de
variância, inferência Bayesiana
ABSTRACT
Alternative methods for the estimation of genetic trends for weight at 550 days (P550)
in 10 herds, submitted to 20 years of selection were studied. The familiar relationship
between animals and the heterogeneity of (co)variance by the inclusion of genetic
(co)variance between the year of birth of the animals were contemplated. For the
construction of the (co)variance structure a model of multiple regression from the
estimated components for each generation of selection, obtained through multi-character
analysis for Bayesian inference, was used. The determination coefficient (R²) was high
with mean of 0.90272 and standard deviation of 0.03936. This indicates that genetic
(co)variance components among years can be estimated precisely by multiple regression
using the components estimated in each generation. The genetic trends were estimated
for 8 years of selection, with two conditions (C1 and C2) applied to the genetic
evaluation. In C1 the evaluation considered all the animals until 20
th
year of selection
and in C2 only the animals that were included on the data set used to make the
estimation of the genetic trend were considered. The genetic trend was obtained by the
adjustment of regression equations, alternatively, through the methods of Ordinary
Least Squares (OLS), Weighted Least Squares (WLS) and Generalized Least Squares
(GLS), this last one under two forms, one considering homogeneity of variance and
another considering heterogeneity of variance throughout the selection years. A
quadratic behavior of the genetic values as a function of the year of birth of the animals
was verified for the 10 herds studied in the first condition and for herds 1, 4, 8 and 9 in
the second condition. For C1 the WLS and GLS methods, although allowing greater
inclusion of information in the model, were not able to detect the genetic changes with
great precision, the OLS being the method that allowed a greater approach to the annual
averages of the real and predicted genetic values. For C2 the GLS method, considering
xv
heterogeneity of variance throughout the years of birth of the animals, was closer to the
real genetic changes.
Key words: variance components, multiple regression, heterogeneity of variance,
Bayesian inference
I – INTRODUÇÃO GERAL E REVISÃO BIBLIOGRÁFICA
Programas de melhoramento genético são fundamentais para alcançar melhorias
na genética dos rebanhos. Porém, depois do programa estar implantado, é necessário
que seja feita, periodicamente, a verificação e acompanhamento de sua eficiência
(Mello, 1999). Uma das maneiras de realizar um acompanhamento é por meio do
conhecimento de parâmetros genéticos e de estimativas de mudança genética,
imprescindíveis para o estabelecimento de diretrizes que guiem os programas de
melhoramento, para avaliar o progresso genético ao longo do tempo a fim de que os
resultados sirvam de elementos orientadores para ações futuras (Euclides Filho et al.,
1997).
A tendência genética é uma medida que permite avaliar a mudança ocasionada por
um processo de seleção, tornando possível a quantificação da porção genética
responsável pelas mudanças acumuladas ao longo dos anos, em determinado rebanho. A
estimativa da tendência genética é, até então, a melhor maneira de se observar o
progresso genético, visto que a melhora no desempenho não significa obrigatoriamente
melhoria genética (Zollinger & Nielsen, 1984; Euclides Filho et al., 1997).
Vários autores utilizam essa metodologia para estudar o comportamento do valor
genético ao longo dos anos, dentre eles: Euclides Filho et al. (1997) em rebanhos
2
Guzerá, Ferraz Filho et al. (1997) em animais da raça Nelore Mocha, Fernandes et al.
(2002) na raça Charolês, Silva et al. (1997) e Holanda et al. (2004) em rebanhos Nelore.
A tendência genética é obtida pela regressão dos valores genéticos ao longo do
tempo e os coeficientes da regressão são estimados por meio do método de quadrados
mínimos, que é baseado na obtenção de estimativas que minimizem a variância residual.
De acordo com Martins et al. (1997) e Oliveira (1998), o método dos quadrados
mínimos é dito ordinário (Ordinary Least Square - OLS) quando se considera que os
resíduos não são correlacionados e há homocedasticidade. Em casos em que existe
heterocedasticidade, porém com resíduos não-correlacionados, o método é dito de
quadrados mínimos ponderados (Weighted Least Square - WLS). Se existe correlação
entre os resíduos, havendo ou não homogeneidade de variância, pode-se estimar os
parâmetros pelo método dos quadrados mínimos generalizados (Generalized Least
Square - GLS).
Tendo em vista o modelo linear y=Xβ+e, em que y é o vetor de observações, X é a
matriz de incidência dos efeitos fixos, β é o vetor dos efeitos fixos e e é o vetor de erros
aleatórios, e conforme Searle (1971), os estimadores de quadrados mínimos ordinários
(OLS) são obtidos na forma: β=(X’X)
-1
X’y; o procedimento de quadrados mínimos
ponderados (WLS) é um caso especial de quadrados mínimos generalizados (GLS),
sendo estes obtidos por: β=(X’V
-1
X)
-1
X’V
-1
y, em que a definição para a utilização da
matriz V no melhoramento genético e no caso de WLS é V=I
2
i
e
σ
; e no GLS, V é uma
matriz não-diagonal, representada por V= ZGZ' + R, sendo Z a matriz de incidência dos
efeitos aleatórios, G a matriz de (co)variância dos efeitos aleatórios, R a matriz de
(co)variância residual; sendo G=A
2
a
σ
, em que A é a matriz de correlação entre os
efeitos aleatórios nas observações e
2
a
σ
é o componente de variância dos efeitos
3
aleatórios que compõem as observações; R=I
2
i
e
σ
é uma matriz identidade de ordem n, e
2
i
e
σ
é o componente de variância residual da característica que compõe as observações.
No caso da utilização de GLS, sabe-se que esse método considera a presença dos
efeitos aleatórios para a obtenção de estimadores dos efeitos fixos, pois tais efeitos são
considerados no modelo, através da matriz de variância e covariância dos efeitos
aleatórios que está incluída na matriz V, cuja inversa é utilizada na obtenção dos
estimadores (Martins, 1994), e, os estimadores GLS são BLUE (melhor estimador linear
não-viciados) e possuem variância mínima, já os estimadores OLS somente serão
BLUE quando V=I
2
e
σ
, e caso essa exigência não seja cumprida por causa da
heterogeneidade, os estimadores permanecem não-viciados, porém não são de variância
mínima, sendo viciadas as estimativas das variâncias dos parâmetros estimados.
Os componentes de variância e covariância, imprescindíveis na predição do
mérito genético dos indivíduos e utilizados na implementação dos métodos WLS e
GLS, têm sido estimados por métodos distintos, de acordo com a evolução de novas
teorias e técnicas computacionais. O método da Máxima Verossimilhança Restrita
(REML) tem sido muito utilizado na estimação dos componentes, produzindo
estimativas pontuais. No entanto, a metodologia Bayesiana vem ganhando espaço na
estimação por permitir análise descritiva completa para cada parâmetro, além de
permitir a construção de intervalos de credibilidade que levam em conta a incerteza
sobre todos os parâmetros do modelo, e por fazer uso de métodos de simulação de
Monte Carlo.
De acordo com Nogueira et al. (2003), a metodologia bayesiana é uma ferramenta
de grande potencial, pois leva em conta a incerteza existente sobre todos os parâmetros
do modelo, além de possibilitar a inclusão de informações passadas, pelo uso de
distribuições a priori informativas, uma vez que, combinando a verossimilhança com as
4
prioris, pelo teorema de Bayes, obtém-se a distribuição a posteriori conjunta de todos
os parâmetros simultaneamente.
Van Tassel & Van Vleck (1996) desenvolveram o software MTGSAM (Multiple
Trait Gibbs Sampling in Animal Model), que é um conjunto de programas em
linguagem Fortran, que utiliza o processo de amostragem de Gibbs em modelos
animais, para a estimação bayesiana das médias e distribuições posteriores dos
componentes de (co)variância, efeitos fixos e aleatórios e contrastes, em modelo uni e
multicarácter, que podem ser utilizado com dados perdidos, com efeitos aleatórios
adicionais, correlacionados (efeito genético materno) e não-correlacionados (efeito de
ambiente permanente). Além disso, permite a especificação dos efeitos fixos e
covariáveis separadamente para cada característica.
O amostrador de Gibbs faz parte de um conjunto de processos iterativos referentes
aos métodos de Monte Carlo, baseado em cadeias de Markov (Marcov Chain Monte
Carlo), os quais tornam aplicáveis à inferência bayesiana em melhoramento genético
animal (Magnabosco, 1997).
O uso da amostragem de Gibbs não requer soluções para as equações de modelos
mistos de Henderson, permite a análise de conjuntos de dados maiores que os
permitidos na metodologia REML, mesmo utilizando rotinas para a resolução de
matrizes esparsas, propicia estimativas diretas e acuradas dos componentes de
(co)variância e valores genéticos, e pode ser usado em microcomputadores e estações de
trabalho, em virtude da pequena quantidade de informação que mantém na memória
RAM (Random access memory). Tais características dão certa vantagem computacional
ao método de amostragem de Gibbs em relação ao método REML (Van Tassel & Van
Vleck, 1996).
5
O software MTGSAM permite, ainda, a implementação da abordagem que
contempla a heterogeneidade de variância, usando modelos multicaracterística em que a
característica que se pretende avaliar é tomada como diferentes características em cada
classe de heterogeneidade de variância. Assim, é considerado que um indivíduo só
possui observação para a característica referente à classe a que ele pertence,
apresentando dados perdidos nas características referentes às demais classes. É
necessário, no entanto, que haja suficiente conexão genética entre as classes de
heterogeneidade para que as estimativas de correlação genética entre as classes sejam
precisas, para garantir a confiabilidade das predições dos valores genéticos para uma
eficiente seleção dos animais.
Sabe-se que o processo de seleção promove alteração das freqüências gênicas e,
por conseqüência, também altera os parâmetros genéticos da população, o que ao longo
do tempo pode provocar heterogeneidade de variância e covariância. A não-
consideração da heterocedasticidade em diferentes rebanhos, de diferentes regiões,
diferentes níveis de manejo e produção e com graus de sangue variados, pode levar a
um processo de avaliação genética e seleção viesados, que poderá refletir na escolha de
animais que gerarão menor ganho genético, quando utilizados em programas de
melhoramento genético (Winkelman & Schaeffer, 1988).
Oliveira (1999), trabalhando com dados de peso aos 365 e 550 dias de idade dos
animais pertencentes aos grupos genéticos 1/2 Charolês + 1/2 Zebu, 3/4 Zebu + 1/4
Charolês, 5/8 Charolês + 3/8 Zebu, oriundos do processo de formação da raça Canchim,
encontrou diferentes variâncias genéticas e residuais para os diferentes grupos e sugeriu
que possivelmente a presença de heterogeneidade de variância teria impacto sobre a
avaliação genética dos animais atuais da raça Canchim. Engler (2002), também
6
trabalhando com animais da raça Canchim, encontrou (co)variâncias heterogêneas entre
gerações para peso aos 365 e 550 dias de idade.
A abordagem da avaliação genética, pressupondo heterogeneidade de variância e
usando métodos que a contemplem, permite a estimação dos efeitos fixos de ambiente e
predição dos valores genéticos, ponderando adequadamente as observações de acordo
com as diferentes variâncias em cada classe de heterogeneidade e, ainda, considerando a
estrutura de (co)variância entre si (Martins, 2002).
Segundo Martins (2002), quando existe heterogeneidade de variância genética, a
fonte de heterocedasticidade afeta a magnitude das diferenças entre os genótipos, mas
não afeta a magnitude dos resíduos.
Em programas de melhoramento, tem sido prática nas avaliações genéticas
admitir que as variâncias se mantenham constantes ao longo das gerações de seleção,
todavia, em rebanhos fechados espera-se que a seleção, além das médias, altere a
variância genética aditiva. A dificuldade de se admitir heterocedasticidade ao longo das
gerações reside na obtenção de estimativas precisas dos componentes de (co)variância,
visto que o número de observações em cada classe de heterocedasticidade se reduz com
o aumento do número de classes. Se o número de classes for muito grande, o esforço
computacional dispendido para estimar os componentes de (co)variância torna-se muito
grande, além do fato de que sendo as classes menos numerosas, as conexões genéticas
são mais fracas, levando a estimativas de componentes pouco precisas.
Rekaya et al. (2001) propuseram o uso de um modelo estrutural, em
procedimentos bayesianos, como forma de amenizar o problema da estimação de
componentes de (co)variância, estimando apenas três parâmetros para acessar 78
componentes de (co)variância. Martins et al. (2002) usaram, com sucesso, um modelo
7
de regressão polinomial para descrever a trajetória dos componentes de variância ao
longo do processo de seleção em gado de corte.
De posse de estimativas precisas das (co)variâncias genéticas heterogêneas, é
possível a implementação de métodos para a estimação da tendência genética que
busquem melhor avaliação do comportamento do valor genético ao longo das gerações
de seleção.
Oliveira (2006), ao trabalhar com tendências genéticas diretas e maternas de
características de desempenho em rebanhos de corte simulados, encontrou efeito
quadrático do ano de nascimento do animal sobre o valor genético, com incremento dos
valores genéticos e redução dos ganhos genéticos ao longo dos anos de seleção.
Alguns autores (Ferraz Filho et al., 1997, 2002; Fernandes et al., 2002; Holanda et
al., 2004), ao utilizarem o método de quadrados mínimos ordinários e fazendo o ajuste
linear dos valores genéticos em função do ano de nascimento do animal, encontraram
taxas de mudança genética anual aquém do potencial sugerido por Smith (1985), que é
de 1 a 3% da média da população. Todavia, o método de quadrados mínimos ordinários
apresenta propriedades ótimas somente quando os resíduos são não-correlacionados, a
distribuição residual é normal e as variâncias são homogêneas, o que nem sempre é a
realidade, em função do parentesco entre os animais e do impacto da seleção sobre os
parâmetros genéticos.
Em vista disso, o objetivo deste trabalho foi avaliar métodos para a estimação de
tendências genéticas, comparando métodos usuais e métodos que contemplem a
estrutura de (co)variância entre os valores genéticos ao longo das gerações e o
parentesco existente entre os animais.
II – OBJETIVOS GERAIS
Estudar a possibilidade do uso de regressão múltipla para estimar componentes de
(co)variância genética aditiva ao longo dos anos pertencentes aos ciclos de seleção em
um rebanho fechado, com superposição de gerações.
Avaliar métodos para a estimação de tendências genéticas, comparando métodos
usuais e métodos que contemplem a estrutura de (co)variância entre os valores genéticos
ao longo das gerações e o parentesco existente entre os animais.
Citações Bibliográficas
ENGLER, E.O. Heterogeneidade de variâncias entre gerações para peso aos 365 e
550 dias de idade para animais da raça Canchim. 2002. 51p. Dissertação
(Mestrado em Zootecnia) – Universidade Estadual de Maringá, 2002.
EUCLIDES FILHO, K.; NOBRE, P.R.C.; ROSA, A.N. Tendência genética na raça
Guzerá. In: REUNIÃO ANUAL DA SOCIEDADE BRASILEIRA DE
ZOOTECNIA, 34., 1997, Juiz de Fora. Anais...Juiz de Fora: Sociedade Brasileira de
Zootecnia, 1997. p. 175.
FERNANDES, H.D.; FERREIRA G.B.B.; RORATO, P.R.N. Tendências e parâmetros
genéticos para características pré-desmama em bovinos da raça Charolês criados no
Rio Grande do Sul. Revista Brasileira de Zootecnia, v.31, n.1, p.321-330, 2002.
FERRAZ FILHO, P.B.; BIANCHINI SOBRINHO, E.; SILVA, L.O.C. et al. Tendência
genética em pesos de bovinos da raça Nelore mocha no Brasil. In: REUNIÃO
ANUAL DA SOCIEDADE BRASILEIRA DE ZOOTECNIA, 34, 1997, Juiz de
Fora. Anais...Juiz de Fora: Sociedade Brasileira de Zootecnia, 1997.
FERRAZ FILHO, P.B.; RAMOS, A.A.; SILVA, L.O.C. et al. Tendência genética dos
efeitos direto e materno sobre os pesos à desmama e pós-desmama de bovinos da
raça Tabapuã no Brasil. Revista Brasileira de Zootecnia, v.31, n.2, p.635-640,
2002.
HOLANDA, M.C.R.; BARBOSA, S.B.P.; RIBEIRO, A.C. et al. Tendências genéticas
para crescimento em bovinos Nelore em Pernambuco, Brasil. Arch. Zootec., v.53,
p.185-194, 2004.
MAGNABOSCO, C.U. Estimativas de parâmetros genéticos em características de
crescimento de animais da raça nelore usando os métodos de máxima
verossimilhança restrita e amostragem de gibbs. 1997. 83p. Tese (Doutorado em
Ciências) – Universidade de São Paulo. Ribeirão Preto, SP, 1997.
MARTINS, E.N. Uso de modelos mistos no melhoramento animal. In: SIMPÓSIO
INTERNACIONAL DE PRODUÇÃO DE NÃO-RUMINANTES, REUNIÃO
ANUAL DA SOCIEDADE BRASILEIRA DE ZOOTECNIA, 31, Maringá.
Anais...Maringá: EDUEM, 1994
MARTINS, E.N. Uso de modelos mistos na avaliação genética animal. Viçosa: UFV,
121p. 1997.
10
MARTINS, E.N. Avaliação Genética e Heterogeneidade de Variância. In: REUNIÃO
ANUAL DA SOCIEDADE BRASILEIRA DE ZOOTECNIA, 39, 2002, Recife-PE.
Anais... Recife: Sociedade Brasileira de Zootecnia, [2002]. CD-ROM.
Melhoramento genético animal.
MARTINS, E.N.; ENGLER, E.O.; SAKAGUTI, E.S. et al. In: PROCEEDINGS OF
THE 7TH WORLD CONGRESS ON GENETICS APPLIED TO LIVESTOCK
PRODUCTION, 7, 2002, Montpellier. Anais...Montpellier, v.32, p.303-305, 2002.
MELLO, S.P. Tendência genética para pesos em um rebanho da raça Canchim.
Jaboticabal: Universidade Estadual Paulista, 1999. 78p. Dissertação (Mestrado em
Zootecnia) – Universidade Estadual Paulista, 1999.
NOGUEIRA, D.A.; SÁFADI, T.; BEARZOTI, E. et al. Análise clássica e bayesiana de
um modelo misto aplicado ao melhoramento animal: uma ilustração. Ciênc.
Agrotec. Lavras. Edição Especial, p.1614-1624, dez., 2003.
OLIVEIRA, C.A.L. Estimadores e preditores em um modelo linear misto,
utilizando-se minímos quadrados ordinários e mínimos quadrados
generalizados e a melhor predição linear não viesada. Maringá: Universidade
Estadual de Maringá, 1998. 21p. Monografia (Especialização em Estatística) –
Universidade Estadual de Maringá, 1998.
OLIVEIRA, C.A.L. Heterogeneidade de variâncias nos grupos genéticos
formadores da raça Canchim. 1999. 64p. Dissertação (Mestrado em Zootecnia) –
Universidade Estadual de Maringá, 1999.
OLIVEIRA, C.A.L. Efeito direto e materno em características de crescimento em
rebanhos de bovinos de corte sob seleção. 2006. 85p. Tese (Doutorado em
Zootecnia) – Universidade Estadual de Maringá, 2006.
REKAYA, R.; WEIGEL, K.A.; GIANOLA, D. Application of a structural model for
genetic covariances in international dairy sire evaluations. Journal of Dairy
Science, v. 84, p.1525-1530, 2001.
SEARLE, S.R. Linear models. Ithaca: John Wiley & Sons, Inc., 1971. 532p.
SILVA, L.O.C; FILHO, K.E.; NOBRE, P.R.C. et al. Tendências genéticas na raça
Nelore no Brasil. In: REUNIÃO ANUAL DA SOCIEDADE BRASILEIRA DE
ZOOTECNIA, 34, 1997, Juiz de Fora. Anais...Juiz de Fora: Sociedade Brasileira de
Zootecnia, 1997a. p.175-176.
SMITH, C. Rates of genetic change in farm livestock. Research Development
Agricultural, v.1, n.2, p.79-85; Animal Breeding Abstrcts, v.53, n.9, p.699, 1985.
VAN TASSEL, C.P.; VAN VLECK, L.D. Multiple trait Gibbs Sampler for animal
models: flexible programs for Bayesian and likelihood-based (co)variance
components inference. Journal of Animal Science, v.74, p.2586-2597, 1996.
WINKELMAN, A.; SCHAEFFER, L. R. Effect of hwetertogeneity of variance on dairy
sire evaluation. Journal of Dairy Science, v. 71, p.3033-3039, 1988.
ZOLLINGER, W.A.; NIELSEN, M.K. An evaluation of bias in estimated breeding
values for weaning weight in Angus beef cattle field records. I. Estimates of within
herd genetic trend. Journal of Animal Science, v.58, p.545-549, 1984.
III – Estimação de (co)variâncias genéticas heterogêneas em rebanhos fechados
sob seleção
RESUMO – Ao assumir que a seleção em rebanhos fechados pode promover a
redução da variância genética aditiva, foi estudada a possibilidade do uso de um modelo
de regressão múltipla para estimar os componentes de (co)variância genética aditiva, ao
longo dos anos em que a seleção foi praticada. Para tanto, foram usados dados
simulados de peso aos 550 dias em 10 rebanhos de bovinos de corte submetidos à
seleção por 20 anos. A cada 5 anos, o peso aos 550 dias era uma nova característica, por
meio de análises multicaráter envolvendo 4 características, usando Amostrador de
Gibbs, com um modelo animal, foram estimados componentes de (co)variância. A
convergência das cadeias de Gibbs foi testada pelos métodos de Heidelberg e Welch e
de Geweke. Em cada amostra gerada, formada por 10 componentes de (co)variância
genética aditiva, foi ajustada uma equação de regressão múltipla para estimar os 406
componentes de (co)variância genética aditiva durante os 20 anos de seleção. Os
coeficientes de determinação (R²) da regressão múltipla apresentaram-se altos e pouco
variáveis, com média 0,9027 e desvio-padrão de 0,0394. Observou-se que o modelo de
regressão múltipla pode ser usado na estimação dos componentes de (co)variância
genética quando se admite heterocedasticidade ao longo do tempo, causada pela
seleção, podendo ser implementado por procedimentos bayesianos.
Palavras-chave: componentes de (co)variância, heterocedasticidade, inferência Bayesiana,
regressão múltipla
III – Estimation of heterogeneous genetic (co)variances in closed herds under
selection
ABSTRACT – Assuming that the selection in closed herds can promote the
reduction of the additive genetic variance, the possibility of the use of a multiple
regression model was studied to estimate the additive genetic (co)variance components,
throughout the years when the selection was carried out. For that, weights at 550 days
(P550) were studied using simulated data of herds submitted to 20 years of selection.
The (co)variance components were estimated assuming that each 5 years the weight at
550 days was a new characteristic, by means of the multi-character analyses involving 4
characteristics, using the Gibbs sampler in an animal model. The convergence of the
Gibbs chains was tested by the Heidelberg and Welch and the Geweke methods. In each
sample generated, formed for 10 components of additive genetic (co)variance, an
equation of multiple regression was adjusted to estimate the 406 additive genetic
(co)variance components during the 20 years of selection. The determination
coefficients (R
2
) of the multiple regression were high and steady, with mean of 0.9027
and standard deviation of 0.0394. The results indicate that the multiple regression model
of (co)variance components as a function of generations under selection can be
introduced in Bayesian procedures for the estimation of (co)variance components, when
heteroscedasticity due to selection is assumed along time.
Key words: variance components, heteroscedasticity, Bayesian inference, multiple
regression
13
Introdução
A abordagem da avaliação genética, ao pressupor heterogeneidade de variância e
usando métodos que a contemple, permite a estimação dos efeitos fixos de ambiente e
predição dos valores genéticos, ponderando adequadamente as observações de acordo
com as diferentes variâncias em cada classe de heterogeneidade e, ainda, considerando a
estrutura de (co)variância entre si (Martins, 2002).
Em programas de melhoramento, tem sido prática nas avaliações genéticas
admitir que as variâncias se mantenham constantes ao longo das gerações de seleção,
todavia, em rebanhos fechados espera-se que a seleção, além das médias, altere a
variância genética aditiva. A dificuldade de se admitir heterocedasticidade ao longo das
gerações reside na obtenção de estimativas precisas dos componentes de (co)variância,
visto que o número de observações em cada classe de heterocedasticidade se reduz com
o aumento do número de classes. Se o número de classes for muito grande, o esforço
computacional dispendido para estimar os componentes de (co)variância torna-se muito
grande, além do fato de que sendo as classes menos numerosas, as conexões genéticas
são mais fracas, levando a estimativas de componentes pouco precisas.
Rekaya et al. (2001) propuseram o uso de um modelo estrutural, em
procedimentos bayesianos, como forma de amenizar o problema da estimação de
componentes de (co)variância, estimando apenas três parâmetros para acessar 78
componentes de (co)variância. Martins et al. (2002) usaram, com sucesso, um modelo
de regressão polinomial para descrever a trajetória dos componentes de variância ao
longo do processo de seleção em gado de corte.
Desta forma, este trabalho teve como objetivo estudar a possibilidade do uso de
regressão múltipla para estimar componentes de (co)variância genética aditiva ao longo
dos anos de seleção em um rebanho fechado, com superposição de gerações.
14
Material e Métodos
O conjunto de dados utilizado, formado por rebanhos de bovinos de corte
submetidos a 20 anos de seleção, foi simulado em linguagem de programação Fortran,
compilador F90.
Nesses rebanhos, o plantel de reprodução era formado de 1.500 vacas e 38 touros,
mantendo-se na monta natural uma relação touro-vaca de 1:40. A partir do segundo ano,
foi implementada inseminação artificial em 50% das vacas, sendo utilizados 10 touros
para inseminação artificial e 19 touros para monta natural. A taxa de natalidade
estabelecida foi de 90% e sobrevivência de 95% até o início da reprodução.
A taxa de descarte de vacas era variável e determinada pelo número de vacas
vazias ao final da estação-monta. Apenas as vacas primíparas poderiam permanecer no
plantel de reprodução se estivessem vazias. Os animais jovens poderiam ser incluídos
no plantel de reprodução a partir de 22 meses de idade.
Foram simulados dados de peso ao desmame (PD) e aos 550 dias (P550), assim
como os valores genéticos para efeito direto de peso ao desmame e peso aos 550 dias e
efeito materno de peso ao desmame.
A cada ano procedia-se a avaliação genética com o objetivo de orientar a seleção,
utilizando-se as equações de modelos mistos (Henderson, 1984) para predição dos
valores genéticos, por meio de análise bicaracter, no sistema computacional
MTDFREML (Multiple Trait Derivative Free Restricted Maximum Likelihood)
(Boldman et al. 1995). Os efeitos identificáveis de ambiente foram: sexo (macho ou
fêmea), época de nascimento (início, meio ou final da estação de nascimento), ano de
nascimento e idade (em meses) da mãe ao parto. Os valores dos componentes de
(co)variância genética inicialmente utilizados foram os seguintes,
15
⎥
⎥
⎥
⎦
⎤
⎢
⎢
⎢
⎣
⎡
−
−
=
⎥
⎥
⎥
⎥
⎦
⎤
⎢
⎢
⎢
⎢
⎣
⎡
=
2150135
09555
13555165
2
2
2
0
2
σσσ
σσσ
σσσ
a
ma
a
mamma
a
ma
a
SDS
SD
DS
D
D
G
em que:
σ
2
a
i
é a variância genética aditiva para característica i, i=PD(D) e P550(S);
σ
2
m
é a variância genética aditiva materna da característica PD;
σ
a
DS
é a covariância genética entre os efeitos diretos de PD e P550;
σ
ma
i
é a covariância genética entre os efeitos diretos das características i com os
efeitos maternos de PD, i=PD(D), P550(S);
As variâncias residuais adotadas foram 365 e 450 kg² para PD e P550,
respectivamente, e o valor da covariância residual foi de 150 kg².
Para classificação dos candidatos à seleção, utilizou-se um índice empírico de
seleção com pesos de 0,3; 0,3; 0,4, respectivamente, para os valores genéticos direto e
materno para PD e direto para P550.
Os acasalamentos dos animais selecionados foram realizados ao acaso, com
restrição para controlar o incremento dos níveis de endogamia, por meio de
impedimento do acasalamento entre pais e filhos e entre irmãos (meio-irmãos ou irmãos
completos).
Após o estabelecimento das condições de simulação e seleção, foram realizadas
10 repetições, totalizando 10 rebanhos com média de 31.198 animais, como descrito por
Oliveira (2006).
Para a obtenção das (co)variâncias genéticas entre os anos de nascimento, para a
característica peso aos 550 dias, primeiramente foi realizada a estimação dos
componentes de variância de P550 de cada geração de seleção (5 anos) e covariância de
16
P550 entre as gerações, por meio do software MTGSAM (Multiple Trait Gibbs
Sampling in Animal Model), em análise multicarácter em que o peso aos 550 dias foi
tratado como 4 características distintas de acordo com a geração em que o animal
nasceu, sendo P550-g1 o peso aos 550 dias para os animais nascidos do ano 1 ao ano 5,
P550-g2 para os nascidos entre 6 e 10, P550-g3 para 11 ao 15 e P550-g4 para os
nascidos entre os anos 16 e 20. Foi considerado que um animal só possui observação
para a característica referente à classe a que ele pertence, apresentando dados perdidos
nas características referentes às demais classes. Sexo, estação de nascimento e ano de
nascimento foram considerados efeitos fixos, e idade da mãe ao parto foi considerada
como covariável.
Embora o MTGSAM seja um programa flexível quanto aos modelos de análise
que podem ser utilizados, as distribuições a priori dos efeitos considerados no modelo
são definidas pelo programa, sendo necessário definir apenas alguns parâmetros da
distribuição dos componentes de variância (Lôbo et al., 1997).
Assim, foi assumido que para os efeitos de ambiente identificáveis não existe
nenhum conhecimento inicial, tendo uma distribuição inicial uniforme e que a
distribuição dos efeitos genéticos e dos resíduos é normal multivariada. Em se tratando
dos valores genéticos, foi considerada a estrutura de (co)variância conhecida pela matriz
de parentesco. As definições para os elementos do modelo animal e da distribuição
conjunta de Y, a e e são, respectivamente:
⎥
⎥
⎥
⎥
⎦
⎤
⎢
⎢
⎢
⎢
⎣
⎡
+
⎥
⎥
⎥
⎥
⎦
⎤
⎢
⎢
⎢
⎢
⎣
⎡
⋅
⎥
⎥
⎥
⎥
⎦
⎤
⎢
⎢
⎢
⎢
⎣
⎡
+
⎥
⎥
⎥
⎥
⎦
⎤
⎢
⎢
⎢
⎢
⎣
⎡
⋅
⎥
⎥
⎥
⎥
⎦
⎤
⎢
⎢
⎢
⎢
⎣
⎡
=
⎥
⎥
⎥
⎥
⎦
⎤
⎢
⎢
⎢
⎢
⎣
⎡
=
4
3
2
1
4
3
2
1
4
3
2
1
4
3
2
1
4
3
2
1
4
3
2
1
000
000
000
000
000
000
000
000
e
e
e
e
a
a
a
a
Z
Z
Z
Z
X
X
X
X
y
y
y
y
y
β
β
β
β
;
em que:
17
4321
,,, yyyy
são os vetores de observações, para peso aos 550 dias de idade,
referentes às gerações 1, 2, 3 e 4, respectivamente;
4321
,,, XXXX são as matrizes de incidência dos efeitos identificáveis de
ambiente, para peso aos 550 dias de idade, referentes às gerações 1, 2, 3 e 4,
respectivamente;
4321
,,,
β
β
β
β
são os vetores dos efeitos identificáveis de ambiente, para peso aos
550 dias de idade, referentes às gerações 1, 2, 3 e 4, respectivamente;
4321
,,, ZZZZ são as matrizes de incidência dos efeitos aleatórios, peso aos 550
dias de idade, referentes às gerações 1, 2, 3 e 4, respectivamente;
4321
,,, aaaa são os vetores dos efeitos genéticos diretos, para peso aos 550 dias
de idade, referentes às gerações 1, 2,3 e 4, respectivamente;
4321
,,, eeee são os vetores dos erros aleatórios, para peso aos 550 dias de idade,
referentes às gerações 1, 2, 3 e 4, respectivamente; com distribuição conjunta:
⎥
⎥
⎥
⎦
⎤
⎢
⎢
⎢
⎣
⎡
e
a
y
~ NMV
⎪
⎭
⎪
⎬
⎫
⎪
⎩
⎪
⎨
⎧
⎥
⎥
⎥
⎦
⎤
⎢
⎢
⎢
⎣
⎡
+
⎥
⎥
⎥
⎦
⎤
⎢
⎢
⎢
⎣
⎡
RR
GGZ
RZGRZGZX
0
0'
'
;
0
0
β
, em que:
AGG
⊗=
0
⊗ é o produto de Kronecker;
0
G é a matriz de (co)variância genética das i gerações, para peso aos 550 dias de
idade, dada a seguir:
⎥
⎥
⎥
⎥
⎥
⎦
⎤
⎢
⎢
⎢
⎢
⎢
⎣
⎡
=
2
2
2
2
0
4346464
4332313
4232221
4131211
aaaaaaa
aaaaaaa
aaaaaaa
aaaaaaa
G
σσσσ
σσσσ
σσσσ
σσσσ
, sendo:
2
i
a
σ
é a variância genética aditiva da geração i; i = 1, 2, 3 e 4
18
ji
aa
σ
é a covariância genética entre as gerações i e j;
i = 1, 2, 3 e 4 e j = 1, 2, 3 e 4
IRR
o
⊗=
em que:
I
é a matriz identidade de ordem igual ao número de animais;
0
R é a matriz de variância residual, das i gerações, para peso aos 550 dias de
idade, dada a seguir:
⎥
⎥
⎥
⎥
⎥
⎦
⎤
⎢
⎢
⎢
⎢
⎢
⎣
⎡
=
2
2
2
2
0
4
3
2
1
00
00
00
e
e
e
e
R
σ
σ
σ
σ
L
MMM
L
L
, em que:
2
i
e
σ
é a variância residual da geração i; i = 1, 2, 3 e 4.
Para os efeitos ambientais identificáveis foi assumida distribuição “uniforme”.
Para os componentes de (co)variância genética foi assumido que
G têm distribuição de
Wishart Invertida (
IW), na forma
G ~ IW(G
o
, v
g
),
tal que
11
0
1
1
1
2
2
0
-
gg
tr(G G )
-(v m )
g
f(G/G ,v ) G .e
−
−
++
∝
em que:
v
g
é o grau de liberdade da distribuição que equivale ao grau de crença que se tem
acerca do parâmetro,
m
g
é a ordem da matriz G,
G
0
é a matriz de parâmetro escala da distribuição de G.
19
Para os componentes de variância residual foi assumido que cada elemento
2
i
e
σ
de
R
0
, tem distribuição qui-quadrado invertida, na forma
2
i
e
σ
~ IX
2
(S
o
, v
r
)
tal que:
()
2
0
1
1
2
22
2
2
0
ri
e
ii
iii i
-(v )
(s )
er e
f( /s ,v ) .e
σ
σσ
−
+
−
∝
em que:
v
ri
é o grau de liberdade da distribuição que equivale ao grau de crença que se tem
acerca dos parâmetro,
s
0i
é o parâmetro escala da distribuição de
2
i
e
σ
.
São calculados como segue:
G
0
=
1)m(v
*G
v
*G
gg
*
g
−−
=
em que G* é a matriz de priors dos componentes de variância contidos em G.
s
0i
2)(v
v
i
i
i
i
r
*2
e
*
r
*2
e
−
==
σσ
,
em que
*2
e
i
σ
é o prior do componente de variância residual
2
i
e
σ
.
A função densidade de probabilidade conjunta posterior dos parâmetros, dados os
hiperparâmetros, foi obtida por meio do produto das distribuições
a priori pela função
de verossimilhança, conforme descrito por Van Tassel & Van Vleck (1995). Para
implementar a amostragem de Gibbs, foram obtidas as funções densidade de
probabilidade condicionais completas para cada parâmetro, por meio da derivação da
20
função de densidade posterior conjunta, considerando como constantes os valores dos
outros parâmetros contidos no modelo, sendo gerada a distribuição do parâmetro de
interesse:
(
)
()()
()
()()
[]
()
()
.
2
exp..
'
2
1
exp .||.
'
2
1
exp.
,,...,,,,|,,,
2
0
*
2
2
1
2
7
1
1
0
*11
1
2
1
1
2
1
000,
4411
⎥
⎥
⎦
⎤
⎢
⎢
⎣
⎡
⎪
⎭
⎪
⎬
⎫
⎪
⎩
⎪
⎨
⎧
−
⎭
⎬
⎫
⎩
⎨
⎧
+⊗−
⎭
⎬
⎫
⎩
⎨
⎧
−−−−−∝
−
++−
=
−−−
+++−
−
−
Π
i
i
i
ei
i
gg
e
i
r
vq
e
i
g
mvn
eeg
s
v
GGvtraAGaG
ZuXyRZuXyR
svsvGvyRGuf
σσ
ββ
β
As estimativas das médias
posteriores para os componentes de (co)variância
foram baseadas no valor esperado de suas distribuições condicionais completas.
Para cada uma das repetições (rebanhos) foi gerada uma cadeia de Gibbs de
1.000.000 de ciclos com amostras retiradas a cada 100 ciclos, após a eliminação de
50.000 ciclos iniciais, gerando cadeias de 9500 amostras dos componentes de
(co)variância. Foi diagnosticada a convergência das cadeias de amostragem de Gibbs ao
utilizar os métodos de Geweke (1992) que é um teste paramétrico simples que utiliza a
estatística
Z para comparar médias amostrais de dois lugares distintos ao longo da
cadeia, e o de Heidelberger & Welch (1983) que em primeira instância compara a
cadeia de Gibbs com uma cadeia hipotética de distribuição estacionária, para verificar
se as médias amostrais estão dentro de um limiar do intervalo de credibilidade,
estabelecido pelo teste. Ambos os testes estão disponíveis na biblioteca CODA
(Convergence Diagnosis and Output Analysis, versão 0.4), desenvolvida por Cowles et
al. (1995), e implementada no software R (2004).
Para a obtenção das (co)variâncias genéticas para P550 entre e para os anos em
que a seleção foi realizada, foi utilizado um modelo de regressão múltipla em que:
Y=b
0
+b
1
x
1
+b
2
x
2
+b
3
x
1
2
+b
4
x
2
2
+b
5
x
1
x
2
, em que:
21
Y é o componente de (co)variância que se pretende estimar;
b
0
é a constante geral;
b
1
,
b
2
,
b
3
,
b
4
e
b
5
são os coeficientes da regressão;
x
1
e x
2
são os anos de nascimento dos animais.
Por meio de programas desenvolvidos em linguagem Fortran, compilador F90, e
utilizada a amostragem dos componentes de (co)variância genética para geração de
seleção fornecidos pelo software MTGSAM, foi possível a estimação dos coeficientes
da regressão múltipla pelo método dos quadrados mínimos generalizados (GLS),
conforme:
β= (X’V
-1
X)
-1
X’V
-1
y, em que:
β é o vetor dos coeficientes da regressão;
X é a matriz de incidência dos efeitos fixos de ano;
V é a matriz de (co)variância entre os 10 componentes de (co)variância genética
entre gerações, estimados pelo software MTGSAM;
y é o vetor de médias posteriores dos componentes estimados pelo software
MTGSAM.
O modelo de regressão múltipla produz uma superfície de resposta, que permite, a
partir dos pontos existentes, fazer inferência sobre qualquer ponto dentro do limite
estudado.
Para cada rebanho, foi ajustada uma equação que permitiu a obtenção da matriz de
(co)variância genética de P550 entre os anos de nascimento dos animais, sendo que os
componentes de (co)variância de P550 para os animais nascidos anteriormente ao
primeiro ano de seleção e do primeiro ao quinto ano de seleção receberam os valores de
variância e covariância do primeiro ano de seleção.
22
Para a observação da dispersão dos componentes de (co)variância e para saber se
os valores estimados por meio da regressão eram condizentes com a realidade e se
estavam contidos no intervalo estipulado em 90% da probabilidade total, foi calculado o
intervalo de credibilidade a 90%, utilizando-se a biblioteca CODA (Convergence
Diagnosis and Output Analysis, versão 0.4), desenvolvida por Cowles et al. (1995), e
implementado no software R (2004).
Foi realizada a comparação entre os intervalos de credibilidade das variâncias
genéticas entre gerações para ver se, de fato, as variâncias poderiam ser consideradas
heterogêneas.
O poder de inferência sobre os componentes de variância genética para os anos de
nascimento e covariância genética entre os anos de nascimento dos animais, obtidos a
partir da regressão múltipla, foi testado pelo coeficiente de determinação, representado
pela razão entre a soma de quadrados dos valores de (co)variância estimados pela
regressão para as 4 gerações, e a soma de quadrados dos valores de (co)variância
fornecidos pelo MTGSAM, para as mesmas 4 gerações.
Resultados e Discussão
Para a convergência das cadeias de Gibbs, o método de Heidelberger & Welch
(1983) apontou falha na convergência do componente de covariância genética para
P550 dias entre a primeira e a quarta geração de seleção para os rebanhos 1 e 3 e falha
na convergência do componente de covariância genética de P550 entre a segunda e a
quarta geração para os rebanhos 5 e 8. O método de Geweke (1992) mostrou que a
convergência do componente de covariância genética para P550 entre a terceira e quarta
geração falhou para o rebanho 4 e o componente de covariância entre a segunda e a
23
quarta geração falhou para o rebanho 9, ao indicar que estes componentes não atingiram
a fase de estacionariedade. Todavia, o fato do teste de Heidelberger e Welch reprovar
cadeias aprovadas no teste de Geweke e vice-versa, é explicado pela consideração de
critérios distintos na verificação da convergência nos dois testes.
O alcance da convergência depende de alguns fatores, como o intervalo de
retirada das amostras e o tamanho da cadeia. Segundo Sorensen (1996), é difícil ter uma
garantia empírica positiva de que uma cadeia de Gibbs é longa o suficiente, uma vez
que o GS pode executar muitas iterações em uma certa região do espaço amostral,
dando a impressão da convergência, e posteriormente, mover-se para outra região.
Contudo, Simonelli (2004), ao estudar a heterogeneidade de variância para peso em
gado de corte verificou que, mesmo sem alcançar a convergência, as médias posteriores
obtidas a partir de cadeias longas foram adequadas para estimar componentes de
(co)variância, não sendo porém recomendado inferências quanto às distribuições
posteriores.
A dificuldade verificada para os componentes, acima citados, atingirem a
convergência, pode ser explicada pela distância existente entre as gerações, que resulta
em menor conexão entre elas.
Para os 10 rebanhos estudados, foi observada a diminuição das variâncias
genéticas para P550 dias à medida que as gerações de seleção avançaram, e redução das
covariâncias genéticas entre as gerações proporcional à distância entre as gerações, o
que pode ser verificado na Tabela 1.
24
Tabela 1 – Componentes de variância genética aditiva estimados por geração para P550
Table 1 – Components of additive genetic variance estimated for generation, for P550
Rebanhos
Herds
Componentes
Components
1 2 3 4 5
2
1
a
σ
148,699133 182,608436 139,619713 182,277422 159,451658
2
2
a
σ
132,764510 119,560177 127,189238 116,686398 137,023988
2
3
a
σ
66,596612 117,098940 63,083555 81,199387 59,467556
2
4
a
σ
66,009022 91,677928 56,199304 59,728454 48,656739
21
aa
σ
77,128814 78,921871 74,772510 77,252624 77,962332
31
aa
σ
28,683212 66,497432 19,077383 48,319568 27,029108
41
aa
σ
19,629580 26,727634 13,912283 21,472257 15,139163
32
aa
σ
26,415454 50,731095 19,031811 42,451648 24,083913
42
aa
σ
24,421595 25,157914 17,499574 19,855809 12,298283
43
aa
σ
12,019043 29,896309 17,673280 18,373771 8,160788
Componentes
Components
6 7 8 9 10
2
1
a
σ
144,403158 168,927513 151,083970 144,954762 168,395903
2
2
a
σ
112,123176 128,119851 116,139435 142,108701 139,612526
2
3
a
σ
78,282904 88,384501 71,953876 91,707890 94,702230
2
4
a
σ
61,867688 84,822042 55,492652 79,798405 70,681478
21
aa
σ
65,115592 91,864556 63,877775 98,822019 97,044499
31
aa
σ
36,360779 53,093465 22,702495 42,663531 53,180222
41
aa
σ
20,210127 31,401905 18,518415 27,084457 23,588824
32
aa
σ
25,164168 49,528593 16,544610 47,065025 50,939175
42
aa
σ
26,726232 32,608890 10,989712 24,915798 24,909425
43
aa
σ
17,559843 22,776102 10,206402 18,515839 13,601500
Para Gomez-Raya & Burnside (1990), quanto maior a acurácia de seleção maior é
a redução das variâncias, sendo a acurácia de seleção definida como a correlação
genética entre o valor genético verdadeiro e o predito. De acordo com Quinton & Smith
(1995) e Martins (2003), o decréscimo acentuado das variâncias genéticas está
relacionado com a utilização das informações de parentes na predição dos valores
genéticos, por meio da matriz de parentesco, que pode gerar co-seleção, aumentando a
25
probabilidade de seleção de animais aparentados, e as perdas, na variabilidade genética,
estão relacionadas com altos níveis de consangüinidade em populações sob seleção. No
presente caso, as perdas foram menos bruscas porque os níveis de consangüinidade
foram mantidos baixos pelo impedimento de acasalamentos entre pais e filhos e entre
irmãos.
Ferraz Filho et al. (2002) encontraram valor de 225,06 kg
2
para variância genética
aditiva para peso aos 550 dias, em animais da raça Tabapuã. Ao trabalhar com animais
da raça Canchim, Pereira (2003) encontrou variância genética de 420,371 kg
2
para peso
ao sobreano. Em animais da raça Nelore, Van Melis et al. (2003) encontraram, para
variância genética de peso aos 550 dias, valor de 205,60 kg
2
. Estes valores são
superiores aos aqui encontrados, no entanto, os autores citados consideraram
homogeneidade de variância ao longo dos anos.
Engler (2002), trabalhando com animais da raça Canchim, encontrou, para a
variância genética aditiva aos 365 dias, valores decrescentes da primeira à quinta
geração de seleção. Para peso aos 550 dias, os valores decresceram da primeira à
terceira geração e aumentaram da quarta à sexta geração. Para as covariâncias genéticas,
foram encontrados valores mais elevados para gerações mais próximas à medida que as
gerações eram mais afastadas, as covariâncias para peso aos 365 e 550 dias diminuíam,
da primeira à sexta e da primeira à quinta gerações, respectivamente.
Os intervalos de credibilidade (IC) para as estimativas de variância genética
aditiva para geração de seleção podem ser visualizados na Tabela 2.
26
Tabela 2 – Intervalos de Credibilidade (IC) para variâncias genéticas de geração de
seleção
Table 2 – Credibility intervals for genetic variances of the selection’s generation
Componentes
Components
Rebanhos
Herds
2
1
a
σ
2
2
a
σ
2
3
a
σ
2
4
a
σ
1 121,24 -- 178,91 106,48 -- 160,29 49,05 -- 86,32 47,50 -- 87,06
2 154,52 -- 211,47 97,40 -- 143,98 92,38 -- 143,36 67,71 -- 118,71
3 113,84 -- 166,80 102,60 -- 153,88 46,44 -- 83,33 40,00 -- 75,00
4 152,33 -- 214,14 94,53 -- 141,36 61,31 -- 102,65 42,07 -- 80,71
5 133,45 -- 187,71 109,36 -- 166,07 42,77 -- 78,21 33,09 -- 66,41
6 119,98 -- 170,87 88,57 -- 137,89 59,11 -- 99,33 44,47 -- 81,34
7 142,51 -- 196,55 104,73 -- 153,70 68,99 -- 109,96 63,30 -- 109,41
8 125,14 -- 178,32 92,74 -- 141,92 52,21 -- 95,10 38,47 -- 74,39
9 122,27 -- 169,38 119,38 -- 166,67 70,68 -- 114,83 58,69 -- 104,57
10 140,94 -- 196,98 114,93 -- 166,39 72,19 -- 120,87 51,76 -- 92,09
Observou-se que em relação aos rebanhos 1 e 7, os IC foram coincidentes para as
variâncias da geração 3 e 4, e no rebanho 2 coincidiram as variâncias para geração 2 e 3,
com a indicação de homocedasticidade nestes casos, e que no restante dos rebanhos
existe heterogeneidade de variâncias, pois os IC não foram coincidentes. Engler (2002)
verificou que a não-consideração da heterogeneidade de (co)variâncias causou impacto
na avaliação genética para a característica peso aos 550 dias.
Nuñez-Domingues et al. (1995), em experimento com 12 raças de reprodutores,
cruzados com fêmeas Aberdeen Angus e Hereford, encontraram melhor ajuste para o
modelo que considerava variâncias heterogêneas e verificaram alterações nas
classificações fornecidas pelos modelos homocedásticos e heterocedásticos.
De acordo com Winkelman & Schaeffer (1988), a não-consideração de
heterogeneidade de variância em diferentes rebanhos, de diferentes regiões, diferentes
níveis de manejo e produção e com graus de sangue variados, pode levar a um processo
de avaliação genética e seleção viesados que poderá refletir na escolha de animais que
gerarão menor ganho genético, quando utilizados em programas de melhoramento
genético.
27
Oliveira (2006) citando Ehlers (2003) expõe que o tamanho do intervalo de
credibilidade está associado à dispersão do parâmetro, de maneira que quanto menor o
intervalo mais concentrada é a distribuição a posterior dos parâmetros e que a definição
de intervalo de credibilidade expressa, por meio de probabilidade, a pertinência ou não
do parâmetro ao intervalo.
Os coeficientes lineares e quadráticos da regressão múltipla estimados para cada
rebanho podem ser vistos na Tabela 3. Calculados a partir dos componentes de
(co)variância para geração de seleção, eles permitiram um ajuste para cada rebanho, de
uma equação para a estimação dos componentes heterogêneos de (co)variância genética
por ano de nascimento do animal.
Tabela 3 – Valores dos coeficientes da regressão estimados para cada rebanho e
coeficientes de determinação (R²) das equações ajustadas
Table 3 – Values of regression coefficients estimated for each herd and determination coefficients
(R²) of the adjusted equations
Rebanhos
Herds
b
0
b
1
b
2
b
3
b
4
b
5
R²
1 211,55864 13,71237 -25,57581 0,39999 0,88612 -1,08491 0,874863
2 240,31653 3,20521 -19,32153 0,73711 0,59534 -0,88641 0,838414
3 194,10682 14,24208 -24,74680 0,34322 0,85045 -1,02171 0,871140
4 255,54433 5,80474 -23,99069 0,44112 0,71401 -0,73665 0,906774
5 231,17821 12,27233 -26,25605 0,42355 0,86808 -1,06398 0,919815
6 196,12719 10,89269 -22,41507 0,41593 0,78600 -0,97032 0,866785
7 230,71259 5,67336 -19,81298 0,53353 0,59789 -0,79931 0,915144
8 214,58662 13,34926 -26,60404 0,54575 0,95587 -1,23993 0,960663
9 157,69636 11,08293 -12,34808 0,55181 0,38810 -1,08897 0,919413
10 201,88020 9,48369 -16,11425 0,48423 0,45404 -0,95110 0,954173
b
0
é a constante geral; b
1
, b
2
, b
5
são coeficientes lineares; b
3
, b
4
são coeficientes quadráticos
b
0
is the general constant; b
1
, b
2
, b
5
are linear coefficients; b
3
, b
4
are quadratic coefficients
Quando foi testado o grau de ajuste e o poder de inferência da regressão múltipla
para a estimação dos componentes para ano, a partir dos componentes para geração,
foram obtidos altos coeficientes de determinação (R²), para todos os rebanhos, com
média de 0,9027 e desvio-padrão de 0,0394. Os coeficientes de determinação podem ser
vistos na Tabela 3.
28
Partindo dos 10 componentes de (co)variância para as 4 gerações de seleção, foi
possível a estimação de 28 componentes de variância e 378 componentes de
covariância, que totalizou 406 componentes. Os valores das variâncias genéticas para
cada ano de nascimento dos animais podem ser vistos na Tabela 1A do Apêndice. Para
os anos 1 ao 13, foi considerada a mesma variância porque a seleção foi iniciada a partir
do 9º ano, e deste até o 13º foi considerada a primeira geração de seleção. Os
componentes de covariância podem ser vistos nas Tabelas 2A e 3A do Apêndice. As
covariâncias entre os anos, do ano 1 ao 13 foram consideradas iguais pelo mesmo
motivo acima citado.
As variâncias genéticas estimadas para ano de nascimento não apresentaram o
mesmo comportamento das variâncias genéticas por geração de seleção, que foram
reduzidas à medida que as gerações se passaram, para todos os rebanhos. Foi verificada
a redução das variâncias, por ano, por completo, ou seja, do 1º ao 28º ano, para os
rebanhos 1, 3, 5, 9 e 10. Para o rebanho 2, foi diminuída do ano 1 ao 18, e aumentada do
19 ao 28. No rebanho 4, a redução foi do ano 1 ao 23, elevando-se do 24 ao 28. Nos
rebanhos 6 e 8 foi reduzida do 1º ao 25º ano e aumentada do 26º ao 28º. Para o rebanho
7, o decréscimo foi do 1º ao 21º ano, aumentando do 22º ao 28º. Esse comportamento de
redução e posterior acréscimo das variâncias, observado em alguns rebanhos, pode ser
explicado pela utilização de um critério de acasalamento de animais não-aparentados, o
uso de diferentes técnicas de reprodução, taxa de descarte dos animais, que pode ter
deixado de favorecer determinados reprodutores e pela taxa de reposição.
De maneira geral, foi constatada a redução das covariâncias genéticas entre os
anos dentro da mesma geração, à medida que os anos se distanciaram; fato que pode ser
explicado pela diminuição da conexão entre os animais nascidos em anos mais
distanciados. A redução das covariâncias, uma vez que foi observada a redução nas
29
variâncias, é também um indício de que, segundo Gianola et al. (1992), quando há
heterogeneidade de variância, certamente também deve haver heterogeneidade de
covariância.
O comportamento da superfície de resposta produzida pelo modelo de regressão
múltipla pode ser visualizado na Figura 1, para o rebanho 1.
Figura 1 – Superfície de resposta para (co)variâncias genéticas por ano de nascimento,
para P550, para o rebanho 1. O gradiente vermelho até azul é traduzido por
valores maiores até valores menores. 1a mostra a redução das variâncias e
covariâncias, 1b mostra a redução das variâncias e em 1c a redução das
covariâncias.
Figure 2 – Response surface of genetic (co)variances for year of birth, for P550, for the first herd. The
red-to-blue gradient is translated by greater values until lower values.1a shows the
variance and covariance reduction, 1b shows the variance reduction, and 1c the covariance
reduction.
A Figura 1a permite a visualização do decréscimo tanto das variâncias como das
covariâncias, conforme indicado pelas setas, a 1b mostra claramente a redução das
variâncias e na Figura 1c está indicada a redução das covariâncias.
Comparando-se o comportamento das variâncias genéticas ao longo das gerações
com as variâncias ao longo dos anos, pôde-se observar que as últimas mostraram-se
subestimadas em relação às primeiras, o que pode ser visto nas Figuras 2 e 3.
30
Quando foi verificado se os intervalos de credibilidade para variância genética de
geração de seleção continham as estimativas das variâncias genéticas para ano de
nascimento do animal, observou-se que a maioria dos componentes encontravam-se fora
dos ICs, sendo apenas 17,40%, em média, das estimativas contidas nos respectivos ICs;
isso fornece indícios de que as estimativas para o ano podem não ser condizentes com
seus valores reais.
Figura 2 – Comportamento das variâncias genéticas por geração de seleção e por ano de
nascimento, para P550 dias, para os rebanhos 1 ao 5.
Figure 2 – Behavior of the genetic variances for selection’s generation and year of birth, for P550, for
herds 1 to 5.
31
Figura 3 – Comportamento das variâncias genéticas por geração de seleção e por ano de
nascimento, para P550 dias, para os rebanhos 6 ao 10.
Figure 3 – Behavior of genetic variances for selection’s generation and year of birth, for P550, for
herds 6 to 10.
Com o objetivo de descrever a trajetória dos componentes de variância ao longo
do processo de seleção em gado de corte, Martins et al. (2002) obtiveram sucesso no
uso de um modelo de regressão polinomial.
Rekaya et al. (2003) apresentaram o desenvolvimento metodológico de um modelo
estrutural (ME), para estimação das (co)variâncias genéticas para produção de leite em
bovinos da raça Holandesa em cinco regiões dos Estados Unidos. Neste estudo, o ME
mostrou-se vantajoso nas situações em que existia número limitado de informações para
estimação das (co)variâncias genéticas, principalmente, em razão dos fracos laços genéticos
entre as regiões. Outra vantagem que encontraram para essa modelagem foi a possibilidade
32
de informações externas serem incorporadas como condições climáticas e como
similaridade genética e de manejo entre as regiões, para exploração de padrões nas
(co)variâncias genéticas. As estimativas de (co)variâncias genéticas e de herdabilidade,
obtidas pelo ME foram muito mais precisas que as estimadas pelo modelo multicarácter,
pelo primeiro modelo conter menor quantidade de parâmetros.
Falcão et al. (2006), utilizando um modelo multicarácter para a estimação de
componentes de (co)variância para produção de leite em vacas da raça Holandesa em
diferentes estados, usando métodos bayesianos, encontraram baixa precisão das
estimativas de (co)variâncias genéticas e relacionaram isso com a escassez de
informação genética disponível e grande quantidade de parâmetros a serem estimados.
Os altos valores de R², aqui obtidos, apontam que a regressão foi eficientemente
ajustada, e indica que os componentes de variância em cada ano e de covariância
genética entre os anos podem ser estimados de forma precisa por meio da regressão
múltipla, para serem usados em situações em que a heterogeneidade de (co)variância
existe e deve ser contemplada.
Conclusão
Os resultados indicam que o modelo de regressão múltipla dos componentes de
(co)variância em função das gerações sob seleção pode ser implementado em
procedimentos bayesianos para estimação de componentes de (co)variância quando se
admite heterocedasticidade ao longo do tempo, por efeito da seleção.
Literatura Citada
BOLDMAN, K.G.; KRIESE, L.A.; VAN VLECK, L.D. et al.
A manual fo use of
MTDFREML. A set of programs to obtain estimates of variances and
covariances[Draft]. USDA-ARS, Lincoln, NE, 1995.
33
COWLES, K.; BEST, N.; VINES, K. Convergence diagnosis andoutput analysis.
Cambridge: MRC Biostatistics Unit, UK.Version 0.40. 1995.
ENGLER, E. O.
Heterogeneidade de variâncias entre gerações para peso aos 365 e
550 dias de idade para animais da raça Canchim. 2002. 51p. Dissertação
(Mestrado em Zootecnia) – Universidade Estadual de Maringá, 2002.
FALCÃO, A. J. S.; MARTINS, E. N.; COSTA, C. N. et al. Heterocedasticidade entre
estados para produção de leite em vacas da raça Holandesa, usando métodos
bayesianos via amostrador de Gibbs.
Revista Brasileira de Zootecnia, v.35, n.2,
p.405-414, 2006.
FERRAZ FILHO, P.B.; RAMOS, A.A.; SILVA, L.O.C. et al. Tendência genética dos
efeitos direto e materno sobre os pesos à desmama e pós-desmama de bovinos da
raça Tabapuã no Brasil.
Revista Brasileira de Zootecnia, v.31, n.2, p.635-640,
2002.
GEWEKE, J.
Evaluating the accuracy of sampling-based approaches to the calculation
of posterior moments. In: BERNARDO, J.M.; BERGER, J.O.; DAWID, A.P.;
SMITH, A.F.M.(Ed.)
Bayesian Statistics 4. Oxford: University Press, 1992. p.625-
631.
GIANOLA, D.; FOULLEY, J.L.; FERNANDO, R.L. et al. Estimation of
Heterogeneous Variances Using Empirical Bayes Methods: Theorical
Considerations.
Journal of Dairy Science, v.75, p.2805-2823, 1992.
GOMEZ-RAYA, L.; BURNSIDE, E. B. The effect of repeated cycles of selection on
genetic variance, heritability, and response.
Theoretical Applied Genetics, v. 79, p.
568-574, 1990.
HEIDELBERGER, P.; WELCH, P.D. Simulation run length control in the presence of
an initial transient.
Operations Research, Landing, v.31, n.6, p.1109-1144, 1983.
HENDERSON, C. R.
Applications of linear models in animal breeding. University
of Guelph, Ontario, Canadá, 1984.
LÔBO, R.B.; OLIVEIRA, H.N.; BEZERRA, L.F. et al. Estimativa de componentes de
(co)variância herdabilidade para o peso aos 120 dias de idade na raça Nelore usando
estatística bayesiana. In: REUNIÃO ANUAL DA SOCIEDADE BRASILEIRA DE
ZOOTECNIA, 34, 1997, Juiz de Fora – MG.
Anais... Juiz de Fora: SBZ, 1997. p.
186 – 189.
MARTINS, E.N. Avaliação Genética e Heterogeneidade de Variância. In: REUNIÃO
ANUAL DA SOCIEDADE BRASILEIRA DE ZOOTECNIA, 39, 2002, Recife-PE.
Anais... Recife: Sociedade Brasileira de Zootecnia, [2002]. CD-ROM.
Melhoramento genético animal.
MARTINS, E.N. ; ENGLER, E.O.; SAKAGUTI, E.S. et al. In: PROCEEDINGS OF
THE 7TH WORLD CONGRESS ON GENETICS APPLIED TO LIVESTOCK
PRODUCTION, 7, 2002, Montpellier.
Anais... Montpellier, v.32, p.303-305, 2002.
MARTINS, E. N. Estratégias de manutenção de pequenas populações sob seleção. In:
SIMPÓSIO DE PRODUÇÃO DE PERDIZES (
Rhyncatus rufescens) EM
CATIVEIRO, 1, 2003. Jaboticabal.
Anais... Jaboticabal: FCAV-UNESP, [2003] 7
p. CD-ROM. Palestras.
34
NUÑEZ-DOMINGUEZ, R.; VAN VLECK, L. D.; CUNDIFF, L. V. 1995. Prediction of
genetic values of sires for growth traits of crossbred cattle using a multivariate
animal model with heterogeneous variances.
J. Anim. Sci. 73(10): 2940-2950.
OLIVEIRA, C.A.L.
Efeito direto e materno em características de crescimento em
rebanhos de bovinos de corte sob seleção. 2006. 85p. Tese (Doutorado em
Zootecnia) – Universidade Estadual de Maringá, 2006.
PEREIRA, V. M. C.
Estudo genético de critérios de seleção ligados à eficiência
reprodutiva e ao crescimento de machos e fêmeas da raça Canchim. 2003. 70p.
Dissertação (Mestrado em Zootecnia) – Universidade Estadual Paulista. 2003.
QUINTON, M.; SMITH C. Comparison of evaluation-selection systems for maximizing
genetic response at same level of inbreeding.
Journal of Animal Science, v.73,
p.2208-2212,1995.
REKAYA, R.; WEIGEL, K.A.; GIANOLA, D. Application of a structural model for
genetic covariances in international dairy sire evaluations.
Journal of Dairy
Science, v. 84, p.1525-1530, 2001.
REKAYA, R.; WEIGEL, K.A.; GIANOLA, D. Bayesinan estimation of parameters of a
structural model for genetic covariances between milk yield in five regions of the
United States.
Journal of Dairy Science, v. 86, p.1837-1844, 2003.
SIMONELLI, S.M.
Heterogeneidade de variâncias e interação genótipo x ambiente
no desempenho de animais nelore em diferentes regiões do estado do Mato
Grosso do Sul. 2004. 118p. Tese (Doutorado em Zootecnia) – Universidade
Estadual de Maringá, PR, 2004.
SORENSEN, D.
Gibbs sampling in quantitative genetics. Intern report, n.82,
Danish Institute of Animal, Department of Breeding and Genetics, Denmark, 1996.
VAN MELIS, M. H.O.; ELER, J. P.O.; SILVA, J. A. V. et al. Estimação de
parâmetrosgenéticos em bovinos de corte utilizando os métodos de máxima
verossimilhança restrita e R.
Revista Brasileira de Zootecnia, v.32, n.6, p.1624-
1632, 2003 (suplemento).
VAN TASSEL, C.P.; VAN VLECK, L.D.
A manual for use of MTGSAM. A set of
FORTRAN programs to apply Gibbs sampling to animal models for variance
component estimation (DRAFT). Lincoln: Department of Agriculture Research
Service, 1995. 86p.
WINKELMAN, A.; SCHAEFFER, L. R. 1988. Effect of heterogeneity of variance on
dairy sire evaluation.
J. Dairy Sci. 71(11):3033-3039.
IV – Métodos para estimação de tendência genética
RESUMO – Foram estudados métodos alternativos para a estimação da tendência
genética para peso aos 550 dias em 10 rebanhos de bovinos de corte simulados,
submetidos há 20 anos de seleção, considerando a existência de parentesco entre os
animais e contemplando a heterogeneidade de (co)variância pela inclusão da estrutura
de (co)variância genética entre os anos de nascimento. Para a construção da estrutura de
(co)variância foi utilizado um modelo de regressão múltipla a partir dos componentes
estimados para cada geração de seleção, obtidos por análise multicarácter implementada
para inferência bayesiana. As tendências genéticas foram estimadas para 8 anos de
seleção, com duas condições (C1 e C2) aplicadas à avaliação genética; realizada na C1 a
avaliação, em todos os animais até o 20º ano de seleção, e na C2, apenas, os animais
que participaram do conjunto de dados utilizado para fazer a estimação da tendência
genética. Esta foi obtida por meio de equações de regressão ajustadas, alternativamente,
pelos métodos de quadrados mínimos ordinários (OLS), quadrados mínimos ponderados
(WLS) e quadrados mínimos generalizados (GLS), sob duas formas: uma considerando
homogeneidade de variância, e a outra, heterogeneidade de variância ao longo dos anos
de seleção. Foi verificado comportamento quadrático dos valores genéticos em função
do ano de nascimento dos animais, para os 10 rebanhos estudados na condição 1 e para
os rebanhos 1, 4, 8 e 9 na condição 2. Para a C1, os métodos WLS e GLS, apesar de
permitirem maior inclusão de informações no modelo, não foram capazes de detectar as
mudanças genéticas com maior precisão, sendo o OLS o método que permitiu maior
aproximação às médias anuais dos valores genéticos reais e preditos. Para a C2, o
método GLS, considerando heterogeneidade de variância ao longo dos anos de seleção,
foi o que mais se aproximou das mudanças genéticas reais.
Palavras-chave: regressão múltipla, heterogeneidade de variância, inferência Bayesiana
IV – Methods for estimation of genetic trends
ABSTRACT – Alternative methods for the estimation of genetic trends for
weight at 550 days(P550) in 10 beef herds, submitted to 20 years of selection were
studied. The relationship between animals and the heteroscedasticity of genetic
(co)variance structure between the year of birth of the animals were contemplated. For
the construction of the structure of (co)variance a model of multiple regression from the
components estimated for each generation of selection was used. The components were
obtained from multi-character analysis implemented for Bayesian inference. The genetic
trends were estimated for 8 years of selection, with two conditions (C1 and C2) applied
to the genetic evaluation. In C1 the evaluation considered all the animals until 20
th
year
of selection and in C2 only the animals that were included on the data set used to make
the estimation of the genetic trend were considered. The genetic trend was obtained by
the adjustment of regression equations, alternatively, for the methods of Ordinary Least
Squares (OLS), Weighted Least Squares (WLS) and Generalized Least Squares (GLS),
the latter under two forms, one considering homogeneity of variance and another
considering heterogeneity of variance throughout the years of selection. A quadratic
behavior of the genetic values as a function of the year of birth of the animals was
verified for the 10 herds studied in the first condition and for herds 1, 4, 8 and 9 in the
second condition. For C1 WLS and GLS methods, although allowing greater inclusion
of information in the model, were not able to detect the genetic changes with greater
precision, being the OLS the method that allowed a greater approach to the annual
averages of the real and predicted genetic values. For C2, the GLS method considering
heterogeneity of variance throughout the years of birth of the animals was closer to the
real genetic changes.
Key words: multiple regression, heterogeneity of variance, Bayesian inference
37
Introdução
Programas de melhoramento genético são fundamentais para alcançar melhorias
na genética dos rebanhos. Porém, depois do programa estar implantado, é necessário
que seja feita, periodicamente, a verificação e acompanhamento de sua eficiência
(Mello, 1999). Uma das maneiras de realizar um acompanhamento é por meio do
conhecimento de parâmetros genéticos e de estimativas de mudança genética,
imprescindíveis para o estabelecimento de diretrizes que guiem os programas de
melhoramento, avaliando o progresso genético ao longo do tempo para que os
resultados sirvam de elementos orientadores para ações futuras (Euclides Filho et al.,
1997).
A tendência genética é uma medida que permite avaliar a mudança ocasionada por
um processo de seleção, tornando possível a quantificação da porção genética
responsável pelas mudanças acumuladas ao longo dos anos, em determinado rebanho. A
estimativa da tendência genética é, até então, a melhor maneira de se observar o
progresso genético, visto que a melhora no desempenho não significa obrigatoriamente
melhoria genética (Zollinger & Nielsen, 1984; Euclides Filho et al., 1997).
Vários autores utilizam essa metodologia para estudar o comportamento do valor
genético ao longo dos anos, dentre eles: Euclides Filho et al. (1997) em rebanhos
Guzerá, Ferraz Filho et al. (1997) em animais da raça Nelore Mocha, Fernandes et al.
(2002) na raça Charolês, Silva et al. (1997) e Holanda et al. (2004) em rebanhos Nelore.
A tendência genética é obtida pela regressão dos valores genéticos ao longo do
tempo e os coeficientes da regressão são estimados por meio do método de quadrados
mínimos.
De acordo com Martins et al. (1997) e Oliveira (1998), o método dos quadrados
mínimos é dito ordinário (Ordinary Least Square - OLS) quando se considera que os
38
resíduos não são correlacionados e há homocedasticidade. Em casos em que existe
heterocedasticidade, porém com resíduos não-correlacionados, o método é dito de
quadrados mínimos ponderados (Weighted Least Square - WLS). Se existe correlação
entre os resíduos, havendo ou não homogeneidade de variância, pode-se estimar os
parâmetros pelo método dos quadrados mínimos generalizados (Generalized Least
Square - GLS).
Alguns autores (Ferraz Filho et al., 1997, 2002; Fernandes et al., 2002; Holanda et
al., 2004), ao utilizarem o método de quadrados mínimos ordinários e fazendo o ajuste
linear dos valores genéticos em função do ano de nascimento do animal, encontraram
taxas de mudança genética anual aquém do potencial sugerido por Smith (1985), que é
de 1 a 3% da média da população. Todavia, o método de quadrados mínimos ordinários
apresenta propriedades ótimas somente quando os resíduos são não-correlacionados, a
distribuição residual é normal e as variâncias são homogêneas, o que nem sempre é a
realidade, em função do parentesco entre os animais e do impacto da seleção sobre os
parâmetros genéticos.
Em vista disso, o objetivo deste trabalho foi avaliar métodos para a estimação de
tendências genéticas, comparando métodos usuais e métodos que contemplem a
estrutura de (co)variância entre os valores genéticos ao longo das gerações e o
parentesco existente entre os animais.
Material e Métodos
O conjunto de dados utilizado, formado por rebanhos de bovinos de corte
submetidos a 20 anos de seleção, foi simulado em linguagem de programação Fortran,
compilador F90.
39
Nesses rebanhos, o plantel de reprodução foi formado de 1.500 vacas e 38 touros,
mantendo-se na monta natural uma relação touro-vaca de 1:40. A partir do segundo ano,
foi implementado inseminação artificial em 50% das vacas, e utilizados 10 touros para
inseminação artificial e 19 touros para monta natural. A taxa de natalidade estabelecida
foi de 90% e sobrevivência de 95% até o início da reprodução.
A taxa de descarte de vacas era variável e determinada pelo número de vacas
vazias ao final da estação monta; apenas as vacas primíparas poderiam permanecer no
plantel de reprodução se estivessem vazias. Os animais jovens poderiam ser incluídos
no plantel de reprodução, a partir de 22 meses de idade. Foram simulados dados de peso
ao desmame (PD) aos 550 dias (P550), assim como os valores genéticos para efeito
direto de peso ao desmame e peso aos 550 dias e efeito materno de peso ao desmame.
A cada ano procedeu-se a avaliação genética com o objetivo de orientar a seleção,
utilizando-se as equações de modelos mistos (Henderson, 1984) para predição dos
valores genéticos, por meio de análise bicarácter, utilizando-se o sistema computacional
MTDFREML (
Multiple Trait Derivative Free Restricted Maximum Likelihood)
(Boldman et al. 1995). Os efeitos identificáveis de ambiente foram: sexo (macho ou
fêmea), época de nascimento (início, meio ou final da estação de nascimento), ano de
nascimento e idade (em meses) da mãe ao parto. Os valores dos componentes de
(co)variância genética inicialmente utilizados foram os seguintes,
⎥
⎥
⎥
⎦
⎤
⎢
⎢
⎢
⎣
⎡
−
−
=
⎥
⎥
⎥
⎥
⎦
⎤
⎢
⎢
⎢
⎢
⎣
⎡
=
2150135
09555
13555165
2
2
2
0
2
σσσ
σσσ
σσσ
a
ma
a
mamma
a
ma
a
SDS
SD
DS
D
D
G
, em que,
i
a
2
σ
é a variância genética aditiva para característica i, i=PD(D) e P550(S);
σ
2
m
é a variância genética aditiva materna da característica PD;
40
σ
a
DS
é a covariância genética entre os efeitos diretos de PD e P550;
σ
ma
i
é a covariância genética entre os efeitos diretos das características i com os
efeitos maternos de PD,
i=PD(D), P550(S);
As variâncias residuais adotadas foram 365 e 450 kg² para PD e P550,
respectivamente, e o valor da covariância residual foi de 150 kg².
Para classificação dos candidatos à seleção utilizou-se um índice empírico de
seleção com pesos de 0,3; 0,3; 0,4, respectivamente para os valores genéticos direto e
materno para PD e direto para P550.
Os acasalamentos dos animais selecionados foram realizados ao acaso, com
restrição para controlar o incremento dos níveis de endogamia, por meio impedimento
do acasalamento entre pais e filhos e entre irmãos (meio-irmãos ou irmãos completos).
Após o estabelecimento das condições de simulação e seleção, foram realizadas
10 repetições, totalizando 10 rebanhos com média de 31198 animais, conforme Oliveira
(2006).
Apenas a característica P550 foi estudada, e a edição dos dados foi feita por meio
de programas e desenvolvida em linguagem Fortran.
Para a obtenção das (co)variâncias heterogêneas, para a característica peso aos
550 dias, primeiramente, foi realizada a estimação dos componentes de variância de
P550 de cada geração de seleção (5 anos) e covariância de P550 entre as gerações, por
meio do software MTGSAM (
Multiple Trait Gibbs Sampling in Animal Model), em
análise multicarácter em que o peso aos 550 dias foi tratado como 4 características
distintas de acordo com a geração em que o animal nasceu, sendo P550-g1 o peso aos
550 dias para os animais nascidos do ano 1 ao ano 5, P550-g2 para os nascidos entre 6 e
10, P550-g3 para 11 ao 15 e P550-g4 para os nascidos entre os anos 16 e 20. Foi
considerado também que um animal só possui observação para a característica referente
41
à classe a que ele pertence, ao apresentar dados perdidos nas características referentes às
demais classes. Sexo, estação de nascimento e ano de nascimento foram considerados
efeitos fixos, e idade da mãe ao parto foi considerada como covariável.
Embora o MTGSAM seja um programa flexível quanto aos modelos de análise
que podem ser utilizados, as distribuições a
priori dos efeitos considerados no modelo
são definidas pelo programa, e necessárias para definir apenas alguns parâmetros da
distribuição dos componentes de variância (Lôbo et al., 1997).
Assim, foi assumido que para os efeitos de ambiente identificáveis não existe
nenhum conhecimento inicial, tendo uma distribuição inicial uniforme e que a
distribuição dos efeitos genéticos e dos resíduos é normal multivariada. Em se tratando
dos valores genéticos, foi considerada a estrutura de (co)variância conhecida pela matriz
de parentesco. Os
priors para variância genética aditiva foram 165, 110, 75 e 70 kg²
para P550-g1, P550-g2, P550-g3 e P550-g4, respectivamente; para a variância residual
foi 450 kg² para as 4 características. As definições para os elementos do modelo animal
e da distribuição conjunta de
Y, a e e são, respectivamente:
⎥
⎥
⎥
⎥
⎦
⎤
⎢
⎢
⎢
⎢
⎣
⎡
+
⎥
⎥
⎥
⎥
⎦
⎤
⎢
⎢
⎢
⎢
⎣
⎡
⋅
⎥
⎥
⎥
⎥
⎦
⎤
⎢
⎢
⎢
⎢
⎣
⎡
+
⎥
⎥
⎥
⎥
⎦
⎤
⎢
⎢
⎢
⎢
⎣
⎡
⋅
⎥
⎥
⎥
⎥
⎦
⎤
⎢
⎢
⎢
⎢
⎣
⎡
=
⎥
⎥
⎥
⎥
⎦
⎤
⎢
⎢
⎢
⎢
⎣
⎡
=
4
3
2
1
4
3
2
1
4
3
2
1
4
3
2
1
4
3
2
1
4
3
2
1
000
000
000
000
000
000
000
000
e
e
e
e
a
a
a
a
Z
Z
Z
Z
X
X
X
X
y
y
y
y
y
β
β
β
β
;
em que:
4321
,,, yyyy
são os vetores de observações, para peso aos 550 dias de idade,
referentes às gerações
1, 2, 3e 4 respectivamente;
4321
,,, XXXX são as matrizes de incidência dos efeitos identificáveis de
ambiente, para peso aos 550 dias de idade, referentes às gerações
1, 2, 3 e 4,
respectivamente;
42
4321
,,,
β
β
β
β
são os vetores dos efeitos identificáveis de ambiente, para peso aos
550 dias de idade, referentes às gerações
1, 2, 3 e 4, respectivamente;
4321
,,, ZZZZ são as matrizes de incidência dos efeitos aleatórios, para peso aos
550 dias de idade, referentes às gerações
1, 2, 3 e 4, respectivamente;
4321
,,, aaaa são os vetores dos efeitos genéticos diretos, para peso aos 550 dias
de idade, referentes às gerações
1, 2,3 e 4, respectivamente;
4321
,,, eeee são os vetores dos erros aleatórios, para peso aos 550 dias de idade,
referentes às gerações
1, 2,3 e 4, respectivamente;
com distribuição conjunta:
⎥
⎥
⎥
⎦
⎤
⎢
⎢
⎢
⎣
⎡
e
a
y
~ NMV
⎪
⎭
⎪
⎬
⎫
⎪
⎩
⎪
⎨
⎧
⎥
⎥
⎥
⎦
⎤
⎢
⎢
⎢
⎣
⎡
+
⎥
⎥
⎥
⎦
⎤
⎢
⎢
⎢
⎣
⎡
RR
GGZ
RZGRZGZX
0
0'
'
;
0
0
β
, em que:
AGG ⊗=
0
⊗ é o produto de Kronecker;
0
G é a matriz de (co)variância genética das i gerações, para peso aos 550 dias de
idade, dada a seguir:
⎥
⎥
⎥
⎥
⎥
⎦
⎤
⎢
⎢
⎢
⎢
⎢
⎣
⎡
=
2
2
2
2
0
4346464
4332313
4232221
4131211
aaaaaaa
aaaaaaa
aaaaaaa
aaaaaaa
G
σσσσ
σσσσ
σσσσ
σσσσ
, sendo:
2
i
a
σ
é a variância genética aditiva da geração i; i = 1, 2, 3 e 4
ji
aa
σ
é a (co)variância genética entre as gerações i e j;
i = 1, 2, 3 e 4 e j = 1, 2, 3 e 4
IRR
o
⊗=
em que:
43
I
é a matriz identidade de ordem igual ao número de animais;
0
R é a matriz de variância residual, das i gerações, para peso aos 550 dias de
idade, dada a seguir:
⎥
⎥
⎥
⎥
⎥
⎦
⎤
⎢
⎢
⎢
⎢
⎢
⎣
⎡
=
2
2
2
2
0
4
3
2
1
00
00
00
e
e
e
e
R
σ
σ
σ
σ
L
MMM
L
L
, em que:
2
i
e
σ
é a variância residual da geração i; i = 1, 2, 3 e 4.
Para os efeitos identificáveis de ambiente foi assumida distribuição “uniforme”.
Para os componentes de (co)variância genética foi assumido que
G têm distribuição de
Wishart Invertida (
IW), na forma
G ~ IW(G
o
, v
g
),
tal que
11
0
1
1
1
2
2
0
-
gg
tr(G G )
-(v m )
g
f(G/G ,v ) G .e
−
−
++
∝
em que:
v
g
é o grau de liberdade da distribuição que equivale ao grau de crença que se tem
acerca do parâmetro,
m
g
é a ordem da matriz G,
G
0
é a matriz de parâmetro escala da distribuição de G.
Para os componentes de variância residual foi assumido que cada elemento
2
i
e
σ
de
R
0
, tem distribuição qui-quadrado invertida, na forma
2
i
e
σ
~ IX
2
(S
o
, v
r
)
tal que:
()
2
0
1
1
2
22
2
2
0
ri
e
ii
iii i
-(v )
(s )
er e
f( /s ,v ) .e
σ
σσ
−
+
−
∝
em que:
44
v
ri
é o grau de liberdade da distribuição que equivale ao grau de crença que se tem
acerca dos parâmetro,
s
0i
é o parâmetro escala da distribuição de
2
i
e
σ
.
São calculados como segue:
G
0
=
1)m(v
*G
v
*G
gg
*
g
−−
=
em que G* é a matriz de priors dos componentes de variância contidos em G.
s
0i
2)(v
v
i
i
i
i
r
*2
e
*
r
*2
e
−
==
σσ
,
em que
*2
e
i
σ
é o prior do componente de variância residual
2
i
e
σ
.
A função densidade de probabilidade conjunta posterior dos parâmetros, dados os
hiperparâmetros, foi obtida por meio do produto das distribuições
a priori pela função
de verossimilhança, conforme descrito por Van Tassel & Van Vleck (1995). Para
implementar a amostragem de Gibbs, foram obtidas as funções densidade de
probabilidade condicionais completas para cada parâmetro, por meio da derivação da
função de densidade posterior conjunta, considerando como constantes os valores dos
outros parâmetros contidos no modelo, que gera a distribuição do parâmetro de
interesse:
(
)
()()
()
()()
[]
()
()
.
2
exp..
'
2
1
exp .||.
'
2
1
exp.
,,...,,,,|,,,
2
0
*
2
2
1
2
7
1
1
0
*11
1
2
1
1
2
1
000,
4411
⎥
⎥
⎦
⎤
⎢
⎢
⎣
⎡
⎪
⎭
⎪
⎬
⎫
⎪
⎩
⎪
⎨
⎧
−
⎭
⎬
⎫
⎩
⎨
⎧
+⊗−
⎭
⎬
⎫
⎩
⎨
⎧
−−−−−∝
−
++−
=
−−−
+++−
−
−
Π
i
i
i
ei
i
gg
e
i
r
vq
e
i
g
mvn
eeg
s
v
GGvtraAGaG
ZuXyRZuXyR
svsvGvyRGuf
σσ
ββ
β
As estimativas das médias
posteriores para os componentes de (co)variância
foram baseadas no valor esperado de suas distribuições condicionais completas.
45
Para cada uma das repetições (rebanhos) foi gerada uma cadeia de Gibbs de
1.000.000 de ciclos com amostras, retiradas a cada 100 ciclos, após a eliminação de
50.000 ciclos iniciais, gerando cadeias de 9.500 amostras dos componentes de
(co)variância. Foi diagnosticada a convergência das cadeias de amostragem de Gibbs
ao utilizar os métodos de Geweke (1992) e de Heidelberger & Welch (1983),
disponíveis na biblioteca CODA (Convergence Diagnosis and Output Analysis, versão
0.4), desenvolvida por Cowles et al. (1995), e implementada no software R (2004).
Então, a fim de obter as (co)variâncias genéticas para P550 entre e para os anos
em que realizou a seleção, foi utilizado um modelo de regressão múltipla em que:
Y=b
0
+b
1
x
1
+b
2
x
2
+b
3
x
1
2
+b
4
x
2
2
+b
5
x
1
x
2
, em que:
Y é o componente de (co)variância que se pretende estimar;
b
0
é a constante geral;
b
1
,
b
2
,
b
3
,
b
4
e
b
5
são os coeficientes da regressão;
x
1
e x
2
são os anos de nascimento dos animais.
A estimação dos coeficientes da regressão múltipla foi realizada pelo método dos
quadrados mínimos generalizados (GLS), conforme:
β= (X’V
-1
X)
-1
X’V
-1
y, em que:
β é o vetor dos coeficientes da regressão;
X é a matriz de incidência dos efeitos fixos de ano;
V é a matriz de (co)variância entre os componentes estimados pelo software
MTGSAM;
y é o vetor de médias posteriores dos componentes estimados.
Para cada rebanho foi ajustada uma equação que permitiu a obtenção da matriz de
(co)variância genética de P550 entre os anos de nascimento dos animais. Os valores dos
46
componentes de (co)variância genética para P550 do último ano da primeira geração de
seleção (ano 5) foram atribuídos a todos os anos dessa primeira geração.
De posse das estimativas de variância e covariância genéticas, para peso aos 550
dias de acordo com o ano de nascimento do animal e dos valores genéticos preditos pela
avaliação genética dos animais, foi possível testar a eficiência de quatro diferentes
métodos de estimação do comportamento dos valores genéticos ao longo dos anos em
que os rebanhos foram submetidos à seleção. Para isso, foram desenvolvidos programas
em linguagem Fortran, e usado compilador F90.
Por causa de limitações computacionais em função do grande número de animais
nos rebanhos (em média 31.198, distribuídos em 28 anos – 1996 a 2023), somente foi
possível a estimação da tendência genética em um intervalo de 8 anos de seleção, que
engloba em média 10.778 animais por rebanho. A edição dos dados foi realizada por
programas desenvolvidos em linguagem Fortran, e retirados os animais nascidos antes
do ano 9 (2004) e após o ano 16 (2011). Os animais foram renumerados, assim como os
anos de nascimento.
Para a estimação dos coeficientes de regressão das tendências genéticas, nos
quatro métodos, foi utilizado o seguinte modelo:
â = Xβ+ e, em que:
â é o vetor dos valores genéticos preditos pela avaliação genética;
X é a matriz de incidência das constantes contidas no vetor β;
β é o vetor dos coeficientes da regressão, sendo β= [b
0
b
1
b
2
];
e é o vetor de erros aleatórios.
A solução para o vetor
β foi obtida conforme a expressão
β=(X’G
-1
X)
-1
X’G
-1
â, sob quatro diferentes métodos:
47
No primeiro método, para a obtenção de β, o vetor dos valores genéticos preditos
(
â) foi considerado como sendo independentemente distribuído, ou seja, sem correlação
entre os resíduos, com variância homogênea ao longo das gerações de seleção, sendo:
2
a
IG
σ
=
Como a variância genética aditiva,
2
a
σ
, neste caso é homogênea, ou seja, é um
escalar que pondera os valores genéticos tanto na primeira (
(X’G
-1
X)
-1
) como na
segunda (
1
X’G
-1
â) parte da equação, ele foi eliminado, ficando:
β=(X’X)
-1
X’â , que é a forma com que a tendência genética é, normalmente,
estimada. Essa metodologia recebeu o nome de TG1 e foi implementada em linguagem
Fortran, assim como os 3 métodos abaixo descritos.
Foi assumido no segundo método, que o vetor
â é independentemente distribuído,
mas existe heterogeneidade de variância decorrente do ano em que o animal nasceu,
sendo a matriz
2
i
a
GI
σ
= , em que
2
i
a
σ
é a variância genética aditiva no ano i.
Constituindo o método TG2.
Para o terceiro método, denominado TG3, foi admitido que o vetor
â apresenta
uma estrutura de correlação, considerando então a presença de efeitos aleatórios para a
obtenção dos estimadores da tendência genética, por meio da inclusão da matriz de
parentesco no modelo. A heterogeneidade genética não foi contemplada neste método, e
G representado por
2
a
A
σ
, sendo a variância genética aditiva,
2
a
σ
, um escalar, a
estimação dos coeficientes da regressão foi feita por meio de:
β=(X’A
-1
X)
-1
X’A
-1
â, em que A é a matriz de parentesco entre os animais.
No quarto método, a estimação dos coeficientes da regressão do valor genético em
função do ano de nascimento do animal, foi realizada levando em consideração a
presença de efeitos aleatórios no modelo, representados pela matriz de parentesco entre
os animais, que estabelecem estrutura de correlação entre eles. Foi considerada,
48
também, a existência de variâncias heterogêneas, ocasionadas pelo processo de seleção
ao longo dos anos. A matriz
G, nesse caso, foi representada por
ij
aa
A
σ
, em que A é a
matriz de parentesco entre os animais e
ij
aa
σ
é a (co)variância genética entre os anos i e
j. A estrutura de (co)variância utilizada foi editada a partir da estrutura original,
restando apenas os componentes representantes dos anos 9 ao 16. Essa metodologia
recebeu o nome de TG4.
Assim, foram ajustadas equações de regressão na forma
â
ij
=b
0
+b
1
x
j
+b
2
x
j
2
,
em que:
â
ij
é o valor genético predito, por cada um dos quatro métodos, dos efeitos diretos
de P550 do animal
i nascido no ano j;
b
0
é constante geral;
b
1
é o coeficiente linear de regressão de â
ij
em função do ano de nascimento;
b
2
é o coeficiente quadrático de regressão de â
ij
em função do ano de nascimento;
x
j
é o ano de nascimento j.
Com a intenção de verificar o impacto da estrutura de informação de família na
avaliação genética e na estimação da tendência genética, foram testadas duas condições,
C1 e C2, para cada um dos quatro programas. Na condição C1, foi utilizada a avaliação
genética com todos os animais nascidos dentro dos 28 anos, ou seja, acumulados nas 4
gerações de seleção, conforme descrito anteriormente. Na condição C2, a avaliação
genética foi realizada com base em animais que fariam parte da estimação da tendência
genética, ou seja, os pertencentes a duas gerações de seleção.
Para as duas condições, os valores genéticos para peso aos 550 dias foram
preditos por meio do sistema computacional MTDFREML (
Multiple Trait Derivative
Free Restricted Maximum Likelihood
) (Boldman et al., 1995). Os efeitos identificáveis
49
de ambiente foram: sexo (macho ou fêmea), época de nascimento (inicio, meio ou final
da estação de nascimento), ano de nascimento e idade (em meses) da mãe ao parto. A
variância genética aditiva considerada para P550 foi 215 kg² e para variância residual
foi 450 kg².
A qualidade do ajustamento foi avaliada por meio do coeficiente de determinação
(R²) das curvas obtidas em cada um dos quatro métodos.
As equações ajustadas também foram testadas quanto à capacidade de predizer as
médias anuais dos valores genéticos reais simulados (VGS550) por meio da soma dos
desvios ao quadrado entre os VGS550 e os valores genéticos preditos pelas equações
ajustadas em cada um dos 4 métodos.
Todas as equações ajustadas foram testadas quanto à significância dos parâmetros
por meio de análise de variância da regressão, usando teste F no nível de 5%.
Resultados e Discussão
As médias dos valores genéticos preditos por ano podem ser vistas na Tabela 1
para a condição 1 e na Tabela 2 para a condição 2. Foi observada a subestimação dos
valores genéticos para C2 em relação a C1, fato que é explicado pela maior informação
de parentesco utilizada na predição dos valores genéticos na condição 1. Houve também
subestimação dos valores genéticos de ambas as condições em relação aos valores
genéticos reais, ou seja, os que foram simulados juntamente com o conjunto de dados.
50
Tabela 1 – Média dos valores genéticos preditos por ano, para a condição 1 (C1)
Table 1– Means of the yearly predicted genetic values for the first condition (C1)
Ano
Year
Rebanhos
Herds
1 2 3 4 5 6 7 8
1 -1,3497 2,1244 4,0897 5,9343 8,8374 10,9601 12,0293 13,2270
2 -2,1920 2,1107 6,0088 8,1012 10,3575 11,5033 12,7114 14,8595
3 -2,3222 1,2582 4,2294 5,3963 8,8266 9,9310 12,0355 13,5234
4 -2,4437 2,4541 4,3097 6,5321 9,1826 11,1102 12,2021 14,2659
5 -2,0727 1,1348 4,1633 6,5340 8,3970 10,6698 12,3227 13,9567
6 -1,2611 1,4621 3,5474 6,3784 9,7058 10,7813 12,0808 14,5947
7 -2,3672 2,3205 5,6265 7,9134 9,7090 12,2730 14,7835 16,6092
8 -0,7716 2,9123 5,8051 7,5336 10,9565 12,1301 13,9971 15,9559
9 -1,9236 1,8993 5,7973 8,4133 10,8752 12,5901 14,4715 17,0783
10 -1,8872 0,9357 3,9943 7,3276 9,9050 11,8514 13,6481 15,5751
Tabela 2 – Média dos valores genéticos preditos por ano, para a condição 2 (C2)
Table 2 – Means of the yearly predicted genetic values for the second condition (C2)
Ano
Year
Rebanhos
Herds
1 2 3 4 5 6 7 8
1 -0,6123 -0,0958 0,1125 -0,5800 -0,6360 -0,2943 0,6878 1,0864
2 -0,1817 -0,3487 -0,3892 -0,2638 -0,6861 0,0968 -0,4046 -0,4865
3 -0,2204 -0,1210 -0,0320 -0,4724 -0,5853 -0,5370 -0,3914 -0,9560
4 0,0004 -0,2332 -0,2344 0,3273 -0,5636 0,0279 -0,2429 -2,6637
5 -0,9637 -0,2023 -0,2000 -0,3537 -1,8030 -0,5280 -0,9233 -0,2428
6 -0,2374 -0,2840 -0,2269 -0,0945 -0,3594 0,1083 0,4215 0,6115
7 -0,1343 0,0368 -0,2395 -0,5733 -0,3679 1,4067 0,4932 0,1911
8 0,0158 -0,1619 -0,2426 0,4955 -0,4133 0,0107 0,6058 1,2334
9 -0,8001 -0,2596 -0,3441 0,2122 -0,3299 0,2594 -0,5826 -0,6762
10 -1,0835 0,0056 -0,2326 -0,6793 -1,7349 -2,5027 -1,6380 -2,1499
A mudança média, em kg por ano, para os valores genéticos reais, preditos na C1
e preditos na C2, dentro do período estudado, pode ser visto na Tabela 3 para todos os
rebanhos. A mudança genética média observada na C1 foi mais aproximada à mudança
genética média real. Nos rebanhos 2, 3, 4 e 10 foi observada redução dos valores
genéticos na condição 2, que pode ser relacionada à carência de informações de
parentesco. Alguns autores como Fernandes et al. (2002) relacionam tendências
genéticas negativas à falta de um programa de melhoramento genético bem estruturado,
51
no entanto, neste caso isso não é plausível, pois para a C1 foi utilizado igual critério de
seleção e os valores para esses rebanhos apresentaram-se positivos.
Tabela 3 – Mudança genética média em kg por ano, para valor genético real, C1 e C2
Table 3 – Mean genetic change in kg per year, for real genetic value, C1 and C2
Mudança Genética
Genetic change
Rebanhos
Herds
Real C1 C2
1 2,83973 1,82209 0,21234
2 3,58192 2,13144 -0,03810
3 2,37936 1,98070 -0,09195
4 3,34774 2,08871 -0,33301
5 2,76368 2,00368 0,09012
6 3,10176 1,98198 0,10612
7 3,69688 2,37205 0,04068
8 2,77117 2,09094 0,15221
9 3,62671 2,37523 0,01548
10 3,74075 2,18279 -0,13330
Ferraz Filho et al. (1997), ao avaliar as mudanças genéticas em rebanhos Nelore
Mocho, obtiveram tendências positivas para peso à desmama com ganhos de 1,5 kg por
ano. Silva et al. (1997), ao estudar a tendência genética em animais da raça Nelore,
encontraram incremento anual de 0,259 kg para peso pré-desmama. Fernandes et al.
(2002) encontraram tendências genéticas de -0,0105 kg anuais para peso ao nascimento
e de 0,041 kg anuais para ganho de peso do nascimento à desmama, em animais da raça
Charolês.
De acordo com Kennedy et al. (1988), os valores genéticos dependem da
estimativa de herdabilidade na população base, assim, a resposta será subestimada se a
herdabilidade for menor que o verdadeiro valor e será superestimada se a herdabilidade
for maior. O entendimento e a definição correta da população base são critérios de uma
análise considerando modelo animal. Com a matriz de parentesco, animais sem pais
identificados são tratados como animais da população base com a suposição de que
52
foram amostrados de uma única população com valor genético médio nulo e de mesma
variância genética aditiva.
A partir da análise de regressão dos valores genéticos preditos, em função do ano
de nascimento dos animais, ficou evidente para a condição 1 (C1) que a tendência
genética apresentou comportamento quadrático, com incremento dos valores genéticos e
redução dos ganhos genéticos ao longo dos anos de seleção, o que já era esperado, pois
em populações fechadas sob seleção, a variância genética diminui ao longo das gerações
de seleção, fazendo com que o ganho genético seja cada vez menor. Na condição 2
(C2), a tendência genética apresentou comportamento quadrático para os rebanhos 1, 4,
8 e 9; comportamento linear para os rebanhos 3, 6, 7 e 10. Para os rebanhos 2 e 5, não
houve efeito do ano sobre o valor genético dos animais.
Oliveira (2006), trabalhando com bovinos de corte em rebanhos simulados,
encontrou comportamento quadrático das tendências genéticas estimadas, a partir de
valores genéticos reais e preditos para as características peso ao desmame e peso ao
sobreano e para efeito materno de peso ao desmame.
Silva et al. (1997), em animais da raça Nelore, Ferraz Filho et al. (2002), em
bovinos da raça Tabapuã, Fernandes et al. (2002), na raça Charolês, utilizaram a
metodologia de tendência genética para estudar o comportamento do valor genético, no
entanto, os autores consideraram apenas o efeito linear do ano sobre o valor genético,
indicando haver uma única taxa de mudança genética anual para todo o período
estudado.
As estimativas dos componentes de variância genética para ano de nascimento,
utilizadas pelos métodos TG2 e TG4, para os anos em que foi estudado o
comportamento dos valores genéticos, podem ser vistas na Tabela 4, para todos os
53
rebanhos. Na Tabela 5, estão os valores de covariância, utilizados pelo método TG4,
para todos os rebanhos.
Tabela 4 – Componentes de variância genética aditiva estimados por ano para P550
Table 4 – Components of additive genetic variance estimated by year, for P550
Componentes
Components
Rebanhos
Herds
2
5...1
a
σ
2
6
a
σ
2
7
a
σ
2
8
a
σ
1 91,33903 84,90835 78,88010 73,25426
2 106,18484 102,11155 98,93034 96,64122
3 86,60608 80,74418 75,22620 70,05212
4 89,84806 82,96075 76,91037 71,69693
5 87,86214 80,02488 72,64291 65,71625
6 85,47890 80,21008 75,40450 71,06213
7 103,02475 97,85220 93,34388 89,49979
8 86,49967 80,31046 74,64462 69,50215
9 116,05925 110,76962 105,18190 99,29606
10 113,51391 106,53682 99,53407 92,50564
Tabela 5 – Componentes de covariância genética aditiva estimados por ano para P550
Table 5 – Components of additive genetic variance estimated by year, for P550
Componentes
Componentes
Rebanhos
Herds
5...15...1
aa
σ
65...1
aa
σ
75...1
aa
σ
85...1
aa
σ
76
aa
σ
86
aa
σ
87
aa
σ
1 91,33903 75,58481 61,60284 49,39311 69,84147 56,54684 64,50056
2 106,18484 91,41413 77,83411 65,44476 87,64512 74,36935 84,76817
3 86,60608 71,53912 58,17305 46,50788 66,35640 53,66952 61,51760
4 89,84806 75,55906 62,69807 51,26510 69,36311 57,19348 64,00409
5 87,86214 71,21255 56,29911 43,12185 64,04747 49,80622 57,33769
6 85,47890 71,67175 59,43660 48,77346 67,00462 55,37115 62,80071
7 103,02475 88,96375 76,09852 64,42907 84,18767 71,71891 80,07581
8 86,49967 69,58494 54,58194 41,49067 64,06752 49,73632 59,07349
9 116,05925 100,03342 84,78380 70,31038 94,43104 78,86866 88,53055
10 113,51391 97,29438 81,98292 67,57954 90,27426 74,91978 83,22849
Os coeficientes das regressões, estimados pelos métodos TG1, TG2, TG3, e TG4
estão apresentados na Tabela 6 para C1 a na Tabela 7 para C2.
Para C1, foi observado que os coeficientes obtidos pelos métodos TG1 e TG2
apresentaram-se muito próximos, tendo o intercepto (b0) valores negativos e menores
54
que os dos métodos TG3 e TG4, indicando serem as médias iniciais dos valores
genéticos preditos por TG1 e TG2 menores que os preditos por TG3 e TG4.
Tabela 6 – Coeficientes de regressão linear e quadráticos para os métodos TG1, TG2,
TG3 e TG4 para a condição 1 (C1)
Table 6 – Linear and quadratic regression coefficients for the TG1, TG2, TG3 and TG4 methods, in
the first condition (C1)
Rebanho
Herd
CReg TG1 TG2 TG3 TG4
1 b
0
-4,33849859 -4,36209679 0,05546675 0,84009808
b
1
3,25042844 3,26733541 1,95878601 0,68203580
b
2
-0,12959941 -0,13165437 -0,15083078 0,09355971
2 b
0
-6,00658464 -5,97346735 -0,97847295 -0,06299782
b
1
4,49615288 4,47289181 2,88704014 1,53839064
b
2
-0,24696435 -0,24418396 -0,22918954 0,02177785
3 b
0
-5,26976442 -5,25861549 -1,47351813 -1,20392954
b
1
3,37722683 3,36813116 2,49780512 1,66619670
b
2
-0,13015366 -0,12899250 -0,21178365 -0,02884633
4 b
0
-5,35014439 -5,31551075 -0,61391735 0,02928486
b
1
3,71530628 3,69143820 2,30943012 1,09184754
b
2
-0,16335689 -0,16046782 -0,18197839 0,06048224
5 b
0
-5,27459764 -5,26339340 -0,49416459 0,40127811
b
1
3,46180296 3,45314479 1,92781043 0,61414719
b
2
-0,13394891 -0,13279296 -0,15559149 0,09825844
6 b
0
-4,44837141 -4,42483044 -0,52507252 0,26289251
b
1
3,13867307 3,12341738 2,20080113 0,86989462
b
2
-0,09853220 -0,09693763 -0,16476427 0,09079683
7 b
0
-5,49487782 -5,47198915 -0,77741683 0,20554681
b
1
3,92337132 3,90662026 2,76466966 1,32621694
b
2
-0,14912164 -0,14694600 -0,22033373 0,05328907
8 b
0
-3,93565559 -3,90896964 0,67990702 1,36693299
b
1
3,55532670 3,53644991 2,28900218 0,98061305
b
2
-0,13719055 -0,13495733 -0,18883324 0,07373413
9 b
0
-5,67713404 -5,63292170 -1,59356332 -0,40788722
b
1
4,17128038 4,14041376 3,31751323 1,70697451
b
2
-0,17440504 -0,17065263 -0,26685637 0,02927119
10 b
0
-5,76799726 -5,76021194 -0,47520101 0,45799056
b
1
3,77230930 3,76747060 2,05725908 0,66623515
b
2
-0,13878365 -0,13831978 -0,16773266 0,10573889
55
Tabela 7 – Coeficientes de regressão linear e quadráticos para os métodos TG1, TG2,
TG3 e TG4 para a condição 2 (C2)
Table 7 – Linear and quadratic regression coefficients for the TG1, TG2, TG3 and TG4 methods, in
the second condition (C2)
Rebanho
Herd
CReg TG1 TG2 TG3 TG4
1 b
0
0,12339 0,135281 -2,3E-07 0,26069
b
1
-0,39353 -0,402972 5,1179E-08 -0,32111
b
2
0,06293 0,064256 -7,342E-09 0,05774
3 b
0
0,018891 0,024541 -7,176E-07 -0,059110
b
1
-0,096074 -0,097431 1,4508E-07 0,016157
4 b
0
-0,985732 -1,068047 -7,82601E-06 -0,013538
b
1
0,701073 0,758251 4,30337E-06 -0,004790
b
2
-0,102551 -0,109307 -4,42596E-07 0,00070
6 b
0
-0,554712 -0,565615 2,884E-07 -0,098460
b
1
0,121430 0,125114 -6,4E-08 0,028070
7 b
0
-0,421865 -0,413742 -9,348E-07 0,002404
b
1
0,116556 0,115397 2,336E-07 -0,002045
8 b
0
0,386301 0,403050 -4,2253E-06 0,016508
b
1
-0,363083 -0,375245 2,4856E-06 -0,034690
b
2
0,056490 0,058025 -2,6609E-07 0,005735
9 b
0
-1,265163 -1,265927 -8,533E-08 -0,056557
b
1
0,560092 0,560907 3,6226E-08 0,047623
b
2
-0,061584 -0,061681 -1,114E-08 -0,008993
10 b
0
0,010252 0,001578 -4,499E-06 0,079795
b
1
-0,280593 -0,278484 1,232E-06 -0,031125
Para a condição 2, foram observados valores muito baixos, tendendo a zero, para
os coeficientes obtidos por meio do programa TG3.
Com o ajuste das regressões, foi possível a obtenção das estimativas das médias
dos valores genéticos por ano, preditos para cada método em cada condição. O
comportamento das curvas das tendências genéticas pode ser visto nas figuras 1 e 2 para
C1 e 3 e 4 para C2.
56
Figura 1 – Curvas de regressão das médias dos valores genéticos reais, preditos pela
avaliação genética e pelos métodos TG1, TG2, TG3 e TG4, em função do
ano de nascimento do animal, para os rebanhos de 1 a 5, na condição 1 (C1).
Vg é o valor genético.
Figure 1 – Regression curves of the means of the real genetic values, predicted by the genetic
evaluation and by the TG1, TG2, TG3 and TG4 methods as a function of the birth’s year,
for the herds 1 to 5, in the first condition (C1). Vg is the genetic value.
57
Figura 2 – Curvas de regressão das médias dos valores genéticos reais, preditos pela
avaliação genética e pelos métodos TG1, TG2, TG3 e TG4, em função do
ano de nascimento do animal, para os rebanhos de 6 a 10, na condição 1
(C1). Vg é o valor genético.
Figure 2 – Regression curves of the means of the real genetic values, predicted by genetic evaluation
and by the TG1, TG2, TG3 and TG4 methods as a function of the birth’s year, for the herds
6 to 10, in the first condition (C1). Vg is the genetic value.
Na condição 1, para todos os rebanhos, ficou notada a superioridade dos valores
médios estimados por meio do método TG1, em relação aos estimados por TG3 e TG4,
e os valores de TG2 muito próximos aos de TG1 e praticamente não-distinguíveis entre
si e entre as médias dos valores genéticos preditos pela avaliação.
58
Figura 3 – Curvas de regressão das médias dos valores genéticos reais, preditos pela
avaliação genética e pelos métodos TG1, TG2, TG3 e TG4, em função do
ano de nascimento do animal, para os rebanhos de 1 a 6, na condição 2
(C2). Vg é o valor genético.
Figure 3 – Regression curves of the means of the real genetic values, predicted by genetic evaluation
and by the TG1, TG2, TG3 and TG4 methods as a function of the birth’s year, for the herds
1 to 6, in the second condition (C2). Vg is the genetic value.
59
Figura 4 – Curvas de regressão das médias dos valores genéticos reais, preditos pela
avaliação genética e pelos métodos TG1, TG2, TG3 e TG4, em função do
ano de nascimento do animal, para os rebanhos de 7 a 10, na condição 2
(C2). Vg é o valor genético.
Figure 4 – Regression curves of the means of the real genetic values, predicted by genetic evaluation
and by the TG1, TG2, TG3 and TG4 methods as a function of the birth’s year, for the herds
7 to 10, in the second condition (C2). Vg is the genetic value.
Para a condição 2, foi evidente a inferioridade das médias dos valores genéticos
obtidos pelos métodos TG1, TG2, TG3 e TG4 e pela avaliação genética em relação às
médias dos valores genéticos reais, que indica ocorrência de subestimação pela ausência
de uma estrutura robusta de parentesco. Não foram mostradas curvas para os rebanhos 2
e 5 porque não houve efeito do ano de nascimento do animal sobre as médias dos
valores genéticos.
Conforme Schaeffer (1996), as tendências genéticas são facilmente calculadas
pela média dos valores genéticos estimados de grupos de animais por ano, no entanto,
60
seu cálculo deve ser precisamente definido. Deve-se tomar cuidado com estimativa de
herdabilidade assumida para as equações de modelos mistos (MME); se ela é maior ou
menor que a herdabilidade verdadeira, a tendência genética pode ser superestimada ou
subestimada. O mesmo autor defende ainda que o processo de seleção deve ser levado
em conta em procedimentos que avaliem o desempenho genético dos animais, pois esse
causa a redução da variabilidade genética pelo aumento do desequilíbrio gamético.
O teste de aderência entre as curvas de regressão ajustadas para o valor genético
predito e para os valores genéticos estimados pelos métodos TG1, TG2, TG3, TG4,
forneceu baixos coeficientes de determinação, crescentes na ordem TG3, TG4, TG2, TG1,
para as duas condições, com médias 0,13715; 0,36587; 0,42997; 0,42998, respectivamente,
para a condição 1 e -0,00290; -0,00212; 0,00245; 0,00246, respectivamente para a condição
2, e indicam serem os métodos TG1 e TG2 os que mais se aproximam ao comportamento
dos valores genéticos preditos pela avaliação, tanto na C1 como na C2.
Um alto valor de R² não necessariamente implica que o modelo ajustado se presta
para fazer inferências precisas, pois apesar de um alto valor de R², o quadrado médio do
resíduo ainda pode ser grande, indicando ajuste duvidoso por ser alta a variância não-
explicada pelo modelo.
A mensuração da distância entre os valores genéticos reais e os estimados, pelos
métodos TG1, TG2, TG3, TG4, indicou ser o método TG3 o que fornece valores mais
distantes dos reais, pois teve maior soma de quadrados residual, sendo a ordem de
aproximação TG1, TG2, TG4, TG3, com médias 1.544.777,69; 1.544.783,94;
1.826.359,41; 2.326.534,66, respectivamente, para a condição 1. Na condição 2, o método
TG1 foi o que apresentou maior soma de quadrados residual, portanto, o que mais se
distanciou dos valores genéticos reais. A ordem de aproximação foi TG4, TG3, TG2, TG1,
com médias 4.021.510,91; 4.033.257,81; 4.127.355,59; 4.128.306,63. Isso indica que
61
quando o objetivo é fazer o estudo da tendência genética estimada versus a tendência real,
em determinados grupos de animais pertencentes a um rebanho ou em rebanhos
pertencentes a uma associação de raça, a melhor opção é considerar no modelo a existência
de heterogeneidade de variâncias e a estrutura de parentesco entre os indivíduos, como foi
considerado no método TG4. No entanto, quando o objetivo é avaliar a tendência genética
em rebanhos como um todo, ou na raça como um todo, o melhor é fazer a regressão simples
dos valores genéticos ao longo dos anos, visto que a inclusão de informações não foi capaz
de dar uma melhor explicação ao modelo. Em todos os casos, é importante verificar se o
valor genético sofre efeito linear ou quadrático do ano.
Euclides Filho et al. (2000), ao estudar a tendência genética em animais da raça
Gir, afirmaram que as estimativas de tendências genéticas, obtidas em uma população
criada em uma grande diversidade de ambientes e nos mais diversos sistemas de
produção, como é o caso de gado de corte no Brasil, são o resultado médio de valores
que podem encontrar-se distribuídos, alguns próximos a zero, enquanto outros são
positivos ou negativos. Se isso, por um lado, permite avaliar a situação da raça como
um todo, por outro, impossibilita a identificação dos rebanhos que possam realizar os
maiores progressos. Os autores defendem ainda que programas estruturados com base
na demanda e no potencial de diferentes regiões podem possibilitar progressos genéticos
mais eficientes tanto do ponto de vista biológico quanto do econômico.
Conclusões
Na maioria dos rebanhos, observou-se efeito quadrático do ano de nascimento
sobre os valores genéticos dos animais, com aumento dos valores genéticos e redução
dos ganhos genéticos.
62
Houve a subestimação dos valores genéticos quando a avaliação não considerou a
estrutura total de parentesco existente.
O método para a estimação da tendência genética a ser utilizado quando o
interesse está em se aproximar do valor genético predito pela avaliação e quando se trata
da população como um todo é o TG1.
Quando o interesse é a aproximação ao valor genético real, em subpopulações,
deve-se considerar a estrutura de parentesco e a existência de heterogeneidade de
(co)variância, como foi considerado no método TG4.
Literatura Citada
BOLDMAN, K.G.; KRIESE, L.A.; VAN VLECK, L.D. et al.
A manual fo use of
MTDFREML. A set of programs to obtain estimates of variances and
covariances[Draft]. USDA-ARS, Lincoln,NE, 1995.
COWLES, K.; BEST, N.; VINES, K.
Convergence diagnosis andoutput analysis.
Cambridge: MRC Biostatistics Unit, UK.Version 0.40. 1995.
EUCLIDES FILHO, K.; NOBRE, P.R.C.; ROSA, A.N. Tendência genética na raça
Guzerá. In: REUNIÃO ANUAL DA SOCIEDADE BRASILEIRA DE
ZOOTECNIA, 34. 1997, Juiz de Fora.
Anais... Juiz de Fora: Sociedade Brasileira de
Zootecnia, 1997. p.175.
EUCLIDES FILHO, K.; SILVA, L. O. C.; ALVES, R. G. O. et al. Tendência genética
na raça Gir.
Pesquisa Agropecuária Brasileira. v.35, n.4, p.787-791, 2000.
FERNANDES, H.D.; FERREIRA G.B.B.; RORATO, P.R.N. Tendências e parâmetros
genéticos para características pré-desmama em bovinos da raça Charolês criados no
Rio Grande do Sul.
Revista Brasileira de Zootecnia, v.31, n.1, p.321-330, 2002.
FERRAZ FILHO, P.B.; BIANCHINI SOBRINHO, E.; SILVA, L.O.C. et al. Tendência
genética em pesos de bovinos da raça Nelore mocha no Brasil. In: REUNIÃO
ANUAL DA SOCIEDADE BRASILEIRA DE ZOOTECNIA, 34, 1997, Juiz de
Fora.
Anais... Juiz de Fora: Sociedade Brasileira de Zootecnia, 1997.
FERRAZ FILHO, P.B.; RAMOS, A.A.; SILVA, L.O.C. et al. Tendência genética dos
efeitos direto e materno sobre os pesos à desmama e pós-desmama de bovinos da raça
Tabapuã no Brasil.
Revista Brasileira de Zootecnia, v.31, n.2, p.635-640, 2002.
GEWEKE, J.
Evaluating the accuracy of sampling-based approaches to the calculation
of posterior moments. In: BERNARDO, J.M.; BERGER, J.O.; DAWID, A.P.;
SMITH, A.F.M.(Ed.)
Bayesian Statistics 4. Oxford: University Press, 1992. p.625-
631.
63
HEIDELBERGER, P.; WELCH, P.D. Simulation run length control in the presence of
an initial transient.
Operations Research, Landing, v.31, n.6, p.1109-1144, 1983.
HENDERSON, C. R.
Applications of linear models in animal breeding. University
of Guelph, Ontario, Canadá, 1984.
HOLANDA, M.C.R.; BARBOSA, S.B.P.; RIBEIRO, A.C. et al. Tendências genéticas
para crescimento em bovinos Nelore em Pernambuco, Brasil.
Arch. Zootec., v.53,
p.185-194, 2004.
KENNEDY, B. W.; SCHAEFFER, L. R.; SORENSEN, D. A. Genetic properties of
animal models.
Journal of Dairy Science, v.71, p.17-26, 1988 supplement.
LÔBO, R.B.; OLIVEIRA, H.N.; BEZERRA, L.F. et al. Estimativa de componentes de
(co)variância herdabilidade para o peso aos 120 dias de idade na raça Nelore usando
estatística bayesiana. In: REUNIÃO ANUAL DA SOCIEDADE BRASILEIRA DE
ZOOTECNIA, 34, 1997, Juiz de Fora – MG.
Anais... Juiz de Fora: SBZ, 1997. p.
186-189.
MARTINS, E.N. Uso de modelos mistos na avaliação genética animal. Viçosa: UFV,
121p. 1997.
MELLO, S.P.
Tendência genética para pesos em um rebanho da raça Canchim.
Jaboticabal: Universidade Estadual Paulista, 1999. 78p. Dissertação (Mestrado em
Zootecnia) – Universidade Estadual Paulista, 1999.
OLIVEIRA, C.A.L.
Estimadores e preditores em um modelo linear misto,
utilizando-se minímos quadrados ordinários e mínimos quadrados
generalizados e a melhor predição linear não viesada. Maringá: Universidade
Estadual de Maringá, 1998. 21p. Monografia (Especialização em Estatística) –
Universidade Estadual de Maringá, 1998.
OLIVEIRA, C.A.L.
Efeito direto e materno em características de crescimento em
rebanhos de bovinos de corte sob seleção. 2006. 85p. Tese (Doutorado em
Zootecnia) – Universidade Estadual de Maringá, 2006.
SCHAEFFER, L.R. Animal Models: Why, How and When to Use Them.In: Simpósio
Nacional de Melhoramento animal. Sociedade. Brasileira de Melhoramento Animal,
1, 1996, Ribeirão. Preto, SP.
Anais... Ribeirão Preto: Sociedade Brasileira de
Melhoramento Animal, 1996. p.21-40.
SILVA, L.O.C; FILHO, K.E.; NOBRE, P.R.C. et al. Tendências genéticas na raça
Nelore no Brasil. In: REUNIÃO ANUAL DA SOCIEDADE BRASILEIRA DE
ZOOTECNIA, 34, 1997, Juiz de Fora.
Anais... Juiz de Fora: Sociedade Brasileira de
Zootecnia, 1997a. p.175-176.
SMITH, C. Rates of genetic change in farm livestock.
Research Development
Agricultural, v.1, n.2, p.79-85; Animal Breeding Abstrcts, v.53, n.9, p.699, 1985.
VAN TASSEL, C.P.; VAN VLECK, L.D.
A manual for use of MTGSAM. A set of
FORTRAN programs to apply Gibbs sampling to animal models for variance
component estimation (DRAFT). Lincoln: Department of Agriculture Research
Service, 1995. 86p.
ZOLLINGER, W.A.; NIELSEN, M.K. An evaluation of bias in estimated breeding
values for weaning weight in Angus beef cattle field records. I. Estimates of within
herd genetic trend.
Journal of Animal Science, v.58, p.545-549, 1984.
V – CONCLUSÕES GERAIS
O modelo de regressão múltipla dos componentes de (co)variância em função das
gerações sob seleção pode ser implementado em procedimentos bayesianos para
estimação de componentes de (co)variância quando se admite heterocedasticidade ao
longo do tempo, por efeito da seleção.
Na maioria dos rebanhos observou-se efeito quadrático do ano de nascimento
sobre os valores genéticos dos animais, com aumento dos valores genéticos e redução
dos ganhos genéticos. Houve a subestimação dos valores genéticos quando a avaliação
não considerou a estrutura total de parentesco existente.
O método para a estimação da tendência genética a ser utilizado quando o
interesse está em se aproximar do valor genético predito pela avaliação e quando se trata
da população, como um todo, é o TG1.
Quando o interesse é a aproximação ao valor genético real, em subpopulações,
deve-se considerar a estrutura de parentesco e a existência de heterogeneidade de
(co)variância, conforme foi considerado no método TG4.
65
VI – APÊNDICE
Tabela 1A – Componentes de variância genética aditiva estimados por ano para P550
Table 1A – Components of additive genetic variances estimated by year for P550
Rebanhos
Herds
Componente
Component
1 2 3 4 5 6 7 8 9 10
2
131−
a
σ
91,33903 106,18484 86,60608 89,84806 87,86214 85,47890 103,02475 86,49967 116,05925 113,51391
2
14
a
σ
84,90835 102,11155 80,74418 82,96075 80,02488 80,21008 97,85220 80,31046 110,76962 106,53682
2
15
a
σ
78,88010 98,93034 75,22620 76,91037 72,64291 75,40450 93,34388 74,64462 105,18190 99,53407
2
16
a
σ
73,25426 96,64122 70,05212 71,69693 65,71625 71,06213 89,49979 69,50215 99,29606 92,50564
2
17
a
σ
68,03086 95,24416 65,22195 67,32043 59,24487 67,18298 86,31992 64,88306 93,11211 85,45155
2
18
a
σ
63,20989 94,73919 60,73570 63,78086 53,22879 63,76707 83,80428 60,78735 86,63005 78,37178
2
19
a
σ
58,79134 95,12629 56,59336 61,07822 47,66800 60,81439 81,95287 57,21501 79,84989 71,26635
2
20
a
σ
54,77522 96,40546 52,79494 59,21252 42,56250 58,32493 80,76569 54,16604 72,77161 64,13525
2
21
a
σ
51,16151 98,57672 49,34042 58,18377 37,91230 56,29869 80,24273 51,64045 65,39523 56,97847
2
22
a
σ
47,95024 101,64005 46,22982 57,99194 33,71740 54,73569 80,38400 49,63824 57,72073 49,79604
2
23
a
σ
45,14140 105,59547 43,46313 58,63705 29,97778 53,63591 81,18950 48,15940 49,74813 42,58793
2
24
a
σ
42,73498 110,44295 41,04036 60,11910 26,69346 52,99936 82,65923 47,20394 41,47742 35,35415
2
25
a
σ
40,73099 116,18251 38,96149 62,43808 23,86443 52,82603 84,79318 46,77185 32,90860 28,09471
2
26
a
σ
39,12942 122,81416 37,22654 65,59400 21,49070 53,11592 87,59136 46,86314 24,04167 20,80959
2
27
a
σ
37,93028 130,33788 35,83550 69,58686 19,57226 53,86905 91,05377 47,47780 14,87663 13,49881
2
28
a
σ
37,13356 138,75366 34,78837 74,41665 18,10911 55,08541 95,18040 48,61583 5,41348 6,16236
66
67
Tabela 2A – Componentes de covariância genética aditiva estimados por ano para P550,
para os rebanho de 1 a 5
Table 2A – Components of additive genetic covariance estimated by year for P550, for herds 1 to 5
Rebanhos
Herds
Componente
Component
1 2 3 4 5
131131 −−
aa
σ
91,33903 106,18484 86,60608 89,84806 87,86214
1514
aa
σ
69,84147 87,64512 66,35640 69,36311 64,04747
1614
aa
σ
56,54684 74,36935 53,66952 57,19348 49,80622
1714
aa
σ
45,02446 62,28428 42,68353 46,45187 37,30114
1814
aa
σ
35,27433 51,38988 33,39844 37,13828 26,53221
1615
aa
σ
64,50056 84,76817 61,51760 64,00409 57,33769
1715
aa
σ
51,89328 71,79668 49,50990 52,52583 43,76862
1815
aa
σ
41,05824 60,01588 39,20309 42,47557 31,93572
17
16
aa
σ
59,56208 82,78332 57,02271 59,48201 51,08320
1816
aa
σ
47,64214 70,11610 45,69419 48,69511 38,18632
1817
aa
σ
55,02602 81,69053 52,87172 55,79686 45,28401
2019
aa
σ
47,16118 82,18119 45,60150 50,93738 35,05150
2119
aa
σ
37,30326 70,42677 36,31054 42,22456 24,17117
2219
aa
σ
29,21760 59,86304 28,72047 34,93975 15,02700
2319
aa
σ
22,90419 50,48998 22,83130 29,08296 7,61899
2120
aa
σ
43,83240 83,76464 42,48226 49,76305 30,61819
2220
aa
σ
34,66183 72,31449 33,87048 41,74158 20,41004
2320
aa
σ
27,26351 62,05502 26,95960 35,14814 11,93805
2221
aa
σ
40,90604 86,24017 39,70693 49,42565 26,64017
2321
aa
σ
32,42282 75,09428 31,77433 42,09554 17,10420
2222
aa
σ
38,38211 89,60777 37,27551 49,92518 23,11744
2524
aa
σ
34,54153 99,01920 33,44441 53,43506 17,43788
2624
aa
σ
28,12034 88,78612 27,54937 48,17904 9,91846
2724
aa
σ
23,47139 79,74372 23,35522 44,35103 4,13520
2824
aa
σ
20,59469 71,89201 20,86197 41,95104 0,08810
2625
aa
σ
33,22488 105,06303 32,04473 56,44541 15,28103
2725
aa
σ
27,49103 95,13422 26,82887 51,88074 8,43379
2825
aa
σ
23,52943 86,39609 23,31391 48,74410 3,32272
2726
aa
σ
32,31066 111,99893 30,98897 60,29269 13,57948
2826
aa
σ
27,26415 102,37440 26,45229 56,41938 7,40443
2827
aa
σ
31,79886 119,82692 30,27711 64,97691 12,33322
68
Tabela 3A – Componentes de covariância genética aditiva estimados por ano para P550,
para os rebanho de 6 a 10
Table 3A – Components of additive genetic covariance estimated by year for P550, for herds 6 to10
Rebanhos
Herds
Componente
Component
6 7 8 9 10
131131 −−
aa
σ
85,47890 103,02475 86,49967 116,05925 113,51391
1514
aa
σ
67,00462 84,18767 64,06752 94,43104 90,27426
1614
aa
σ
55,37115 71,71891 49,73632 78,86866 74,91978
1714
aa
σ
45,30970 60,44593 37,31686 64,08249 60,47338
1814
aa
σ
36,82024 50,36872 26,80913 50,07252 46,93505
1615
aa
σ
62,80071 80,07581 59,07349 88,53055 83,22849
1715
aa
σ
51,76893 68,00352 45,41409 72,65541 67,83098
1815
aa
σ
42,30916 57,12701 33,66643 57,55648 53,34155
17
16
aa
σ
59,06003 76,62819 54,60283 82,33195 76,15704
1816
aa
σ
48,62994 64,95237 41,61523 66,14406 60,71650
1817
aa
σ
55,78258 73,84479 50,65554 75,83525 69,05991
2019
aa
σ
50,61735 70,27068 44,33109 61,94751 54,78867
2119
aa
σ
41,99231 59,78426 33,35891 44,82134 39,21907
2219
aa
σ
34,93928 50,49363 24,29846 28,47138 24,55754
2319
aa
σ
29,45826 42,39877 17,14974 12,89762 10,80409
2120
aa
σ
48,72957 69,47997 41,95393 54,55648 47,61454
2220
aa
σ
40,70622 59,39001 31,65355 37,11755 32,00191
2320
aa
σ
34,25488 50,49585 23,26490 20,45483 17,29736
2221
aa
σ
47,30503 69,35348 40,10014 46,86734 40,41475
2321
aa
σ
39,88336 59,66000 30,47157 29,11565 24,75910
2222
aa
σ
46,34370 69,89121 38,76973 38,88008 33,18929
2524
aa
σ
45,81074 72,95937 37,67904 22,01125 18,66135
2624
aa
σ
40,19413 64,45531 30,06587 3,32129 2,87663
2724
aa
σ
36,14953 57,14701 24,36443 -14,59246 -12,00002
2824
aa
σ
33,67693 51,03449 20,57473 -31,73001 -25,96860
2625
aa
σ
46,23910 75,48980 37,91875 13,12967 11,35888
2725
aa
σ
41,22418 67,38219 30,97738 -5,87305 -4,46887
2825
aa
σ
37,78126 60,47037 25,94775 -24,09956 -19,38854
2726
aa
σ
47,13069 78,68445 38,68184 3,94998 4,03074
2826
aa
σ
42,71745 70,97331 32,41228 -15,36549 -11,84003
2827
aa
σ
48,48550 82,54333 39,96830 -5,52782 -3,32307
69
Livros Grátis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas
Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
