Professional Documents
Culture Documents
2014
Captulo XV
Evaluacin gentica de reproductores: logros y desafos
Rafael Mara Romn Bravo
Jos Atilio Aranguren Mndez
Robert Backewell, fue un criador ingls exitoso, cuyos principios de apareamiento se basaban en el concepto de que el apareamiento de igual por igual, produce igual, y bajo la idea en cra animal de aparear lo mejor por lo mejor, usaba la consanguinidad buscando lo que en los viejos conceptos se llam prepotencia, lo que llevaron a que sus animales tuvieran gran demanda entre los productores. El introdujo la
renta de reproductores, por lo que, aquellos que demostraron ser buenos en otros rebaos eran usados nuevamente en el suyo. Esto probablemente constituye, la introduccin de la evaluacin de reproductores en Inglaterra (Lush, 1943).
Es necesario saber distinguir, lo que es una prueba de progenie de lo que es el
proceso de evaluacin de un reproductor; ste ltimo solo forma parte del primero.
Las pruebas de progenie como criterio de seleccin, demandan costos, esfuerzos y
tiempo, por lo que todo gira en torno a la planificacin del uso de los recursos, como
nmero de hijas por toro, distribucin de los apareamientos en la poblacin, porcentaje de la poblacin destinada a prueba, porcentaje de la poblacin en el que se usaran
toros probados etc. Esto hace, que las pruebas de progenie tengan sentido slo para
machos; de ah que la eleccin de los machos a ser sometidos a tales pruebas, requiere
del uso de otros criterios de seleccin. En realidad, slo se deben someter a prueba,
animales con antecedentes que nos hagan discernir cuales seran los mejores candidatos a ser sometidos a la prueba; en otras palabras, no tiene sentido probar un toro, cuyos antecedentes nos indiquen que debe ser malo como reproductor. Adems, debido
al tiempo y costos, las pruebas de progenie como tal, tienen uso limitado, y la evaluacin de los toros se debe hacer en la poblacin, usando algunos de los mtodos descritos en este captulo, que por supuesto, pueden ser usados para evaluar una prueba
de progenie.
El proceso de evaluacin de toros en el pasado era relativamente simple, por
cuanto no haba recursos computacionales eficientes y los que existan limitaban los
clculos a simples operaciones aritmticas; de esta forma, slo se podan calcular medias varianzas y covarianzas. Haremos inicialmente un bosquejo de los mtodos iniciales para el proceso de evaluacin de toros, los cuales dieron excelentes resultados
137
138 / Rafael Mara Romn Bravo & Jos Atilio Aranguren Mndez
para su poca, en especial, en el ganado lechero, cuya base fue la regresin hija-madre;
luego discutiremos el mtodo de las compaeras de rebao y contemporneas, un
cambio obligado en los esquemas de evaluacin por el impacto de la inseminacin artificial en el mejoramiento del ganado, para posteriormente, ofrecer una introduccin
a los ndices de seleccin, cuadrados mnimos y finalmente algunas variantes del Modelo Animal Simple (MA).
+ 12 s i + 12 d j + mk + p k + e i ...
[1]
+ d . j .. + p . j .. + e . j ..
139
[3]
El coeficiente de regresin b en el tercer trmino, expresa el efecto de la desviacin del verdadero nivel del rebao de la media de la raza, en la desviacin del promedio de las hijas del promedio de la raza, que aparece como primer trmino en la ecuacin anterior. X es el valor observado en las hijas e y es el verdadero valor de las hijas
el cual es desconocido. El promedio de la raza, B puede ser eliminado en [3].
X = y + b (m B) + e
[4]
140 / Rafael Mara Romn Bravo & Jos Atilio Aranguren Mndez
Si el toro ha sido usado en varios rebaos, y tenemos el valor de m para cada rebao, el coeficiente de regresin puede ser estimado como, la regresin del promedio
de las hijas, en el verdadero nivel del rebao:
Cov (X , m)
b$ =
Var (m)
Si y$ es el estimador del verdadero nivel de las hijas del toro, y sustraemos del
promedio de las hijas del toro X , la cantidad b$ (m B), removera de la media de las hijas el efecto del rebao, tal como aparece en [4].
y$ = X b$ (m B)
Observe que en la expresin [5] se usa m, el promedio del verdadero nivel del re$ y en la estibao, el cual no puede ser observado y debe ser estimado en el clculo de b,
macin de y$ en la expresin [5]. Se han usado diferentes tcnicas para la estimacin de
esas cantidades en Nueva Zelandia, Gran Bretaa y en el estado de Nueva York.
Cov ( g, y$ )
2y$
( y$ B)
[6]
[7]
Donde b en la expresin a la izquierda del segundo trmino dada en [6], es la regresin de g en y$ , la cual puede ser estimada en funcin de nel nmero de registros y
el ndice de herencia del carcter dentro de rebao h 2 , suponiendo que en ecuacin [5]
para y$ , X es la media de los registros simples de nhijas de un toro; si 2 es la varianza
dentro de rebaos para el carcter. Entonces la varianza dentro de rebaos de y$ es la
misma que la de X , de manera que:
2y$ = x2 =
1 + (n 1)h 2 / 4 2
141
Si se puede asumir que el mrito gentico del toro g es independiente del promedio de la media de los rebaos m , la cov(g, X)= (1 / 2)h 2 2 . Esto nos lleva a que:
=
2 nh 2
4 + (n 1) h 2
De esta forma, la estimacin del mrito gentico aditivo de un toro, por medio
de las contemporneas, esta dado por la expresin:
g$ = B +
2 nh 2
( y$ B)
4 + (n 1) h 2
10
11
12
13
14
15
Fijo
y
16
17
18
14
10
13
19 20
5
327 253 295 361 329 203 240 236 449 267 224 332 172 245 364 244
Bajo anlisis por cuadrados mnimos o modelos mixtos, las matrices de incidencia para el efecto fijo X y aleatorios padres Z as como el vector de observaciones y son
las siguientes:
142 / Rafael Mara Romn Bravo & Jos Atilio Aranguren Mndez
1
1
1
1
1
1
1
1
X =
1
1
1
1
1
1
1
1
1 0 0 0
1 0 0 0
0 1 0 0
1 0 0 0
0 1 0 0
0 1 0 0
1 0 0 0
0 1 0 0
0 0 0 1
0 0 0 1
0 0 0 1
0 0 1 0
0 0 0 1
0 0 0 1
0 0 1 0
0 0 0 1
1
1
0
1
1
0
1
0
Z =
1
0
0
0
0
1
0
0
0 0 0 0
0 0 0 0
1 0 0 0
0 0 0 0
0 0 0 0
1 0 0 0
0 0 0 0
1 0 0 0
0 0 0 0
1 0 0 0
0 1 0 0
0 0 0 0
0 0 1 0
0 0 0 0
1 0 0 0
0 1 0 0
327
253
295
361
329
203
240
236
y=
449
267
224
332
172
245
364
244
1
1
0
0
1
0
1
0
1
1
0
0
1
0
1
0
1
0
1
0
1
1
0
0
1 1 1 1 1 1 1 1 1
0 1 1 1 0 1 1 0 1
1 1 1 1 0 1 1 0 1
0 1 1 1 1 1 1 1 1
Las ecuaciones ordinarias de cuadrados mnimos (OLS) se obtienen de los productos de las matrices anteriores.
X R X R
Z X
X R Z b$ X R y
=
*
Z Z s$ Z y
16
2
2
4
7
5
2
1
2 2 4
10
6
6
10
6
6
2 1 2 0
1 2 2 0
2 1
7
0
0
5
0
0
0
0
2 1 2
0
1 2
2 2 2
0 0
1
1 1 1
1
1
1
1
0
0
0
0
143
$ 4541
h$ 420
1
h$2 538
h$ 905
3
s$1 = 2204
s$ 1365
3
s$5 468
s$ 332
6
s$8 172
En el Modelo Padre las ecuaciones del Modelo Mixto de Henderson (1975 b) resultan de una ligera modificacin a la sub-matriz Z Z. Esto es agregar a la diagonal el
escalar resultante del cociente de las varianzas residual y la varianza de padres. Esto es
en forma matricial:
Z Z + I 5
donde:
=
2e
2
s
(4 h$ 2 )
h$ 2
750
15
50
I s = 0 0 15 0 0
0 0 0 15 0
0 0 0 0 15
144 / Rafael Mara Romn Bravo & Jos Atilio Aranguren Mndez
Las Ecuaciones del Modelo Mixto de Henderson (EMMH), las cuales pueden
ser resueltas para este pequeo problema por inversin directa o por cualquier mtodo iterativo son ahora:
16
2
2
4
7
5
2
1
2 2 4
1 2
10
6
10
6
6
8
1
2
2
0
2
2
1 1 2
22
2 2
0
2 2 2
0
0
20 0
0 17
0 0 1
1 1 1
1
0 1
0 1
1 1
0 0
0 0
0 0
16 0
0 16
1
$ 4541
h$ 420
1
h$2 538
h$ 905
3
s$1 = 2204
s$ 1365
3
s$5 468
s$ 332
6
s$8 172
2 2 4
10
6
6
2 1 2
1 2 2
2 0 2
22 0 0
0 20 0
0 0 17
6
10
6
6
6
8
2 1 2
0
1 2
2 2 2
0 0 1
1 1 1
1
0 1
0 1
1 1
0 0
0 0
0 0
16 0
0 16
1
4541
420
538
905
2204
1365
468
332
172
0
,
0227
0
,
0189
0
,
0224
0
,
0076
0
,
0038
0
,
0589
0
,0014
3
s$5 0,0067 0,0041 0,0050
0,0059 0,0025 0,0014
0,0614
$
s6 0,0088 0,0087 0,0073 0,0244 0,0001 0,0019 0,00004
s$8 0,0035 0,0022 0,0027
0,0032 0,0013
0,0007 0,0014
0,0073
0,0027 538
0,0244 0,0032
905
145
h$2 26 ,2063
h$ 59 , ,2403
3
s$1 = 12 , 6973
s$ 2 ,1114
3
s$5 3 , 6640
s$ 1,1003
6
s$8 5 ,8215
Los primeros 4 elementos del vector de soluciones son los mejores estimadores
lineales insesgados BLUEs de la media y los efectos de h1, h2, h3 ; la solucin para h4 , la
debemos obtener por diferencia como:
h$4 = (h$1 + h$2 + h$3 )
h$4 = (7 ,8129 26,2063 + 59,2403) 25,2311
La solucin para los padres representan la Diferencia Esperada en la Progenie
(DEPs), de los padres y son valor de cra (BV) de cada padre.
Harvey (1960) haba usado una aproximacin un tanto diferente, para obtener los
BLUPs de los padres; para ello, redujo la seccin de hileras y columnas correspondientes
la seccin de toros en el LHM y desde luego lo mismo en el RHM. Con la solucin para
los padres obtenidos, sugiere la estimacin de BLUPs aproximados usando la expresin:
2
nr
($a i ) ;
$ + a$1 = $ + 2 i , i 2 ($a1 ) lo cual es equivalente a: $ + a$ i = $ +
+
(
n 1)r
1
$
a + A e
$ i es la constante para un toro, $ 2 y $ 2e son los estimadores de la varianza aditiva y residual respectivamente, A i , i refiere al elemento de la diagonal, correspondiente al
$ i particular; en la otra expresin ncorresponde al nmero de registros por padre y r
es la correlacin intra-clase para el carcter en cuestin. Como hicimos para el efecto
de h$4 , la solucin del padre eliminado es el negativo de la suma de los padres; resulta
muy laboriosa la obtencin del elemento inverso para el padre eliminado, la cual es requerida para la estimacin del BLUP del mismo, as los elementos inversos restantes,
fuera de la diagonal correspondientes a la columna e hilera eliminada, requerida para
el clculo de los errores tpicos para las medias de los padres y para diferencias entre
ellos, pues involucra sumas y diferencias basadas en la propiedad de que la suma de
los elementos de la inversa son iguales a cero, para cada sub-matriz asociada con cada
efecto. Estos clculos son tediosos, sobre todo, cuando el nmero de padres es relativamente grande. En el pasado, el nmero mximo de animales que se poda evaluar
usando inversin directa de la matriz de coeficientes, era 99.
146 / Rafael Mara Romn Bravo & Jos Atilio Aranguren Mndez
NDICE DE SELECCIN
Con los ndices de seleccin, se logr un gran avance en el mejoramiento gentico de las especies domsticas donde fueron aplicados y an en la actualidad tienen potencial, en ganaderas donde haya deficiencia para la aplicacin de mtodos ms avanzados de prediccin, por ejemplo, fallas en el planteamiento correcto de A 1 , requerida para esos mtodos de prediccin. Segn la teora de ndices de seleccin (Van
Vleck, 1993), la prediccin del mrito gentico de un toro basado en su progenie esta
dado por:
I i = bi ( y*i *)
Donde: bi = covarianza entre el promedio de las hijas de un toro y el mrito gentico
verdadero de ese toro; y*i = promedio de los registros de la progenie del iesimo toro y
* = media de la poblacin ajustada perfectamente por los efectos fijos.
En el pasado haba que trabajar muy fuerte con las media de los efectos fijos y las
medias de los toros sin ajustar, con el propsito de encontrar los factores de ajuste y de esa
manera, obtener las medias de los toros ajustadas por los efectos fijos. Pudiramos usar
factores de ajuste (aditivos o multiplicativos) para ciertos efectos obtenidos en investigaciones previas, con grandes masas de datos o bien obtener los mismos efectos con los datos, en la esperanza de que el conjunto de datos sea lo suficiente grande para que los factores de correccin sean estimados con un error despreciable. Para el ejemplo anterior, pudiramos ajustar un Modelo Reducido, incluyendo slo los efectos fijos, digamos:
X R X R b$ = X R y
En nuestro caso:
16 2 2 4 $ 4541
2 10 6 6 h$ 420
* 1 =
2 6 10 6 h$2 538
4 6 6 8 h$ 905
*
h$2 00104 0 , 0521 0,1979 0,1146 538
h$ 0 , 0528 0,1146 0,1146
0,3229 905
3
147
h$2 28 ,2083
h$ 54 , 0417
3
Finalmente h$ = (1,2917 28,2083 + 54, 0417) 27,1250
Podemos obtener ahora el vector de datos ajustados, digamos, y* = y - h$i .
Ahora obtendremos las medias ajustadas por los efectos fijos tanto para la poblacin como para los toros de los productos matriciales:
1
$ = 116
y* 293,9583
16
Las medias ajustadas de los toros las obtenemos de:
y*2 = (Z y*) 1 (Z Z ) 1
Toro
yi*
325,899
284,542
261,125
277,958
199,125
En ndices de seleccin ajustamos los registros por los efectos fijos antes de calcular los valores de cra (BVs) de los toros.
2 nh$ 2
bi =
(4 + (n 1)h$ 2 )
Toro
I i = bi ( yi* *)
BVs
DEPs
0,63636(325,899-293,9583)
20,3259
10,1765
0,5 (284,542-293,9583)
-4,7083
-2,3542
0,23529(261,125-293,9583)
-7,7255
-3,8628
0,125 (277,958-293,9583)
-2.0000
-1,0000
0,125 (199,125-293,9583)
-11.8542
-5,9271
Los DEPs estimados con un ndice de seleccin de esta forma son diferentes a
los obtenidos por BLUP en el Modelo Padre dado previamente. Eso es debido a que
en el Modelo Padre anterior los efectos fijos estn ajustados por los efectos aleatorios y
los efectos aleatorios estn ajustados por los efectos fijos.
La media poblacional no ajustada la podemos obtener de:
148 / Rafael Mara Romn Bravo & Jos Atilio Aranguren Mndez
1
4541
$ = 116
y
283,8125
16
16
Las medias de los toros no ajustadas se pueden obtener de:
y i = (Z y) (Z Z ) 1
0
1 / 7 0
0 1/ 5 0
0
0
0
0 0 314 ,857
0 0 273 , 000
0 0 234 , 000
1 0 332 , 000
0 1 172 , 000
Procedamos al ajuste de la media de la poblacin por los efectos fijos y los aleatorios para lo cual usaremos las constantes halladas en el Modelo Padre:
Sea:
= 283 ,8125
b=
( , 697334 ) + 5(2111396
,
) + (1100368
,
) + (5, 821524 )]]
[4 (7,812872) + 4 (26,20632) + 2(59,240344 ) + 6(25, 22115) + 712
16
Entonces:
$ * = a - b
$ * = 290,36554
Las medias de los toros ajustadas por los efectos fijos de pueden obtener restndole a las medias no ajustadas de los toros el nmero de observaciones afectado por
cada constante, dividiendo por el nmero de observaciones de cada toro:
4 (7 ,812879 + (26,20632) + 2(25,22115)
y.1 = 314 ,857
330 ,27144
7
2 (25 ,22115 )
y. 5 = 234 , 0000
259 ,22115
272, 75966
197,22115
149
Procedemos a calcular los ndices de seleccin como hicimos en el ejemplo anterior pero ahora usaremos las medias encontradas recientemente:
Toro
I i = bi ( yi* *
BVs
DEPs
0,63636(330,27144-290,36554)
25,394665
12,697334
0,5 (281,91995-290,36554)
-4,222793
-2,111396
0,23529(259,22115-290,36554)
-7,328091
-3,664046
0,125 (272,75966-290,36554)
-2,200735
-1,100368
0,125 (197,22115-290,36554)
-11,64305
-5,821524
0,125 (197,22115-290,36554)
-11,64305
-5,821524
En ndices de seleccin obtenemos los valores de cra (BV), que ahora son exactamente el doble de los obtenidos con el Modelo Padre sin relaciones, lo que traduce
en que BVs= DEPs y estos son idnticos a los obtenidos con BLUP en la seccin
anterior. Con esto demostramos que ndice de seleccin es igual a BLUP, bajo ciertas
condiciones.
Pj , j
vj,j
s$ j
pj,j 2
E (s s j ) = g j , j
e
vj,j
*
j
150 / Rafael Mara Romn Bravo & Jos Atilio Aranguren Mndez
4 0 0 0
0 4 0 0
0 0 2 0
0 0 0 6
4 14 0 2
0 3 1 1
0 0 0 2
0 0 1 0
0 0 0 1
4 0 0 0 0
1 3 0 0 0
0 1 0 1 0
2 1 2 0 1
7 0 0 0 0
0 5 0 0 0
0 0 2 0 0
0 0 0 1 0
0 0 0 0 1
h$1 1181
$
h2 1063
h$3 696
$
h4 1601
s$1 = 2204
s$3 1365
s$5 468
332
s$6
s$8 172
0
0
4
0
0
0
0
0
0 0 0
4 0 0 0 0
4 0 0
0 2 0
0 0 6
1 3 0 0 0
0 1 0 1 0
2 1 2 0 1
1
3
0
0
0
0
7
0
0
0
0
1
0
1
0
1
0
0
2
1
2
0
1
0
0
5
0
0
0
1
0
0
2
0
0
1
0
0
0
1
0
1
0
0
0
0
1
1
0
0
0
0
1
1
1
1
1
0
h$1 1181
$
h2 1063
h$3 696
$ 601
h4
s$1 2204
= 1365
s$3
s$5 468
332
s$6
s$8 172
0
La solucin para los niveles del efecto fijo y los padres es:
151
h2 230 ,2471
h$3 349 , 0706
$ 250 ,5412
h4
s$1 97 ,2235
= 14 , 9294
s$3
s$5 16 ,5412
17 , 0706
s$6
s$8 78 , ,5412
La inversa de la matriz de coeficientes C de las OLS dadas anteriormente particionada convenientemente est dada por:
C1,1
C = C1, 2
C1, 3
C1, 2
C 2 , 2
C1, 3
C 2 , 3
C 3 , 3
C 2 , 3
H = 0, 0353 0, 0706 0, 3059 01882
,
* 0
0, 3824
01353
,
0, 7471 0, 4059 0
01706
,
0, 4059 0, 0882 0
0, 0647
0 ,800
0 ,200
H = 0 ,200
0 ,200
0 ,200
0 ,200
0 ,800
0 ,200
0 ,200
0,200
1
0
G = 0
0
0
0
0
1
0
0
1
0
0
0
0
0
1
0
0
1 0 2 0, 3941
0, 0176
0, 0353
3 1 1 0, 0176
0, 3471
01059
,
0 0 2 + 0, 0353 01059
,
0, 5882
0 1 0 0, 3824 0, 0529 0, 5059
0 0 1 0, 0647 0, 2059 0, 0118
0 ,200
0 ,200
0 ,800
0 ,200
0,200
0
0
0 * 0,06667;
0
0,200
0 ,200
0 ,200
0,800
0,200
0, 3824 0, 0647 7
0, 0529 0, 2059 0
0, 5059 0, 0118 * 0
1, 5471 0, 6059 0
0, 6059 0, 0882 0
0 0 0 0
5 0 0 0
0 2 0 0
0 0 1 0
0 0 0 1
0,200
0,200
0 ,200
0,200
0,800
1
0
-1
De esta forma, G = 0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0 *15
0
152 / Rafael Mara Romn Bravo & Jos Atilio Aranguren Mndez
Var ($)
s = (C 2, 2 + H GH ) e2 V e2
0, 0043 0, 0220
0 ,4475
0 , 0043
0,4004 0,1192
P = 0 , 0133
0 , 0133
0 , 0133
0,3957 0, 0780
0 , 0663 0,2192
0,5192 0, 0251
1, 6004 0, 6192
0, 6192 0, 9416
P 2e
0 , 0133 0, 0133 0, 0133 0, 0133
0 , 0533 0 , 0133 0, 0133 0, 0133
Ahora, si la solucin s$ j es considerada como un registro simple del j-esimo padre, con media cero, y slo ese registro es usado para prediccin bajo un ndice de seleccin, entonces la solucin para padres es llamado predictor de CMR los cuales se
obtiene con la antes dada, al igual que los errores tpicos de prediccin:
Las deficiencias de CMR se pueden resumir en: 1) No usa toda la informacin
disponible; 2) Dado que s$ j slo en oportunidades raras es nica, las diferentes opciones de la forma de imponer las restricciones llevaran a diferentes soluciones; esta dificultad se omite si usamos como restriccin que la sumatoria de los efectos de padres es
cero, lo cual lleva a una nica solucin; 3) individuos sin registros no pueden ser evaluados; 4) El predictor obtenido bajo CMR tiene mayores varianzas del error de prediccin en comparacin con BLUP y, 5) Los dificultades de clculos son mayores en
CMR en comparacin con BLUP.
Toro
g j, j
pj, j
vj , j
$sj
s *j
E ( s *j s sj ) 2
0,0667
0,0533
0,4475
97,2235
11,5799
0,0604
0,0667
0,0533
0,4004
14,9294
1,9874
0,0597
0,0667
0,0533
0,6416
-16,5412
-1,3741
0,0623
0,0667
0,0533
1,6004
-17,0706
-0,5685
0,0649
0.0667
0,0533
0,9416
-78,5412
-4,4459
0,0637
153
V0 =
0 , 0220 0 ,1192 0, 6416 0,5192
0 ,3957 0 , 0663 0,5192 1, 6004
P0 =
0 , 0133 0, 0133 0, 0533 0, 0133 0, 0133
0 , 0133 0 , 0133 0, 0133 0, 0533 0, 0133
0,0133
0,0133
0,0133
*
0,0133 0,0533 0,0133 *
,
0,6416 0,5192
16,5412
0,0220 01192
0,0133 0,0133 0,0533
17,5412
0,3957 0,0663 0,5192 1,6004
La solucin es:
s$1 12 , 6973
s$ 2 ,1114
3
s$5 = 3 , 6640
s$ 1,1004
6
s$8 5 ,8215
La cual es idntica a la obtenida por el Modelo Padre sin relaciones.
154 / Rafael Mara Romn Bravo & Jos Atilio Aranguren Mndez
Padre
.
.
1
1
1
Madre*
.
.
.
.
.
*ignorada
A 1
2
0
= 0 , 6667
0 , 6667
0 , 6667
0 1,3333
0
0
0
0
1,3333
0
0
0
0
1,3333
2e
2s
(4 h 2 )
h2
750
15
50
Al multiplicar A 1 * , y despus de agregar a la sub-matriz Z Z el producto anterior, obtendremos las Ecuaciones del Modelo Mixto de Henderson. Observe que el
nico cambio en comparacin con lo discutido en la seccin anterior est en la seccin de padres en el miembro izquierdo de las ecuaciones.
16
2
2
4
7
5
2
1
2 2 4
10
6
6
10
6
6
2 1 2
1 2
0
2 2 2
0 0 1
1 1 1
1
2
1 2
0
1
1 2 2
0
1
2 0 2
1
1
37 0 10 10 10
0 20 0
0
0
10 0 22
0
0
10 0
0
21
0
10 0
0
0
21
7
155
$ 4541
h$ 420
1
h$2 530
h$ 905
3
s$1 = 2204
s$ 1365
3
s$5 468
s$ 332
6
s$8 172
La solucin obtenida por inversin directa de la matriz de coeficientes, se presenta a continuacin, observamos que son diferentes a las obtenidas al ignorar las relaciones entre toros presentados previamente.
$ 291,1670
h$ 3 ,8316
1
h$2 25 , 7791
h$ 56 ,3968
3
s$1 = 7 , 9146
s$ 2 ,1554
3
s$5 0 ,8356
s$ 3 , 0277
6
s$8 0 , 6302
h$4 = (3 ,8316 25, 7791 + 56,3968)
La solucin con el Modelo Padre considerando la relacin entre toros, es diferente dado que se ignoran las relaciones de las madres; bsicamente para la prediccin
del mrito gentico slo se considera la progenie; sin embargo, el ordenamiento de los
toros de acuerdo al mrito gentico es el mismo que el obtenido, para este ejemplo con
un Modelo Animal Simple, por supuesto, los errores tpicos de prediccin sern mayores. Henderson (1975c), presento una forma de incluir la informacin, de las abuelas de los toros.
156 / Rafael Mara Romn Bravo & Jos Atilio Aranguren Mndez
alternativa dada las limitaciones computacionales en el pasado, por lo que no deberan ser ms usados; sin embargo, dieron muy buenos resultados. De hecho, pudiramos decir que los trabajos de Henderson y sus alumnos en Cornell lograron que el mejoramiento gentico del ganado lechero, fuera mucho ms avanzado en Ithaca y el el
estado de Nueva York, en comparacin del resto de los estados en la unin americana.
A continuacin, presentamos los BLUPs de los padres para el problema que hemos venido trabajando bajo un Modelo Animal Simple. Se puede observar que son
muy diferentes a los obtenidos previamente, lo cual es debido a la consideracin de
toda la informacin de los parientes de cada individuo en la prediccin de su mrito
gentico, adems de la ventaja de corregir el mrito gentico por los otros individuos
que se usan para generar la progenie, lo cual es trascendental para corregir por cualquier tendencia, el apareamiento preferencial. Finalmente, las correlaciones entre el
mrito gentico real y el predicho son superiores.
BLUP
dj, j
rj
rj2
15,2739
0,3027
0,0920
0,3033
-16,0430
0,3024
0,0927
0,3045
9,9793
0,2864
0,1409
0,3057
3,1910
0,2907
0,1280
0,3577
13,4912
0,2909
0,1273
0,3568
Padre
REFERENCIAS BIBLIOGRFICAS
Freeman AE. 1991. C. R. Henderson: Contributions to the Dairy Industry. J Dairy Sci.
74 (11): 4045-4051.
Harvey W. 1960. Least-Squares Analysis of Data with Unequel Subclass Numbers.
ARS-20-8. Agricultural Research Service. USA,pp 30-41.
Henderson CR. 1973. Sire Evaluation and Genetic Trends. In: Proc Anim Breed Genetics
Symp in Honour to JL. Lush. Am Soc Anim Sci, Blackburgh, Champaign, Illinois pp 10-41
Henderson CR. 1975a. Rapid method for computing the inverse of a relationship matrix.
J Dairy Sci. 58 (11): 1727-1730.
Henderson CR. 1975b. Comparison of alternative sire evaluation metods. J Anim Sci. 41
(3): 760-770.
Henderson CR. 1975c. Inverse of relationships due to sires and maternal grandsires. J
Dairy Sci. 58 (12):1917-1921
Henderson CR. 1978. Undesirable properties of regressed least squares prediction of breeding values. J Dairy Sci 61:114-120.
Lush JL. 1943. Animal Breeding Plans. The Collegiate Press, INC. Iowa State College,
Ames,.USA. 437 pp.
Searle SR. 1964. Review of sire-proving methods in New Zealand, Great Bretain and
New York State. J Dairy Sci. 47 (4): 402-413.
Van Vleck LD. 1993. Selection Index and Introduction to Mixed Model Methods. CRC
Press. Boca Raton, FL, USA 81 pp.
Van Vleck LD. 1998. Charles Roy Henderson, 1911-1989, a brief biograhy. J Anim Sci.
76: 2959-2961.