Accuracy of genomic predictions for feed efficiency traits of beef cattle using 50K and imputed HD genotypes.

Lu, D., Akanno, E.C., Crowley, J.J., Schenkel, F.S., Li, H., De Pauw, M., Moore, S.S., Wang, Z., Li, C., Stothard, P., Plastow, G., Miller, S.P., et Basarab, J.A. (2016). « Accuracy of genomic predictions for feed efficiency traits of beef cattle using 50K and imputed HD genotypes. », Journal of Animal Science, 94(4), p. 1342-1353. doi : 10.2527/jas.2015-0126  Accès au texte intégral (en anglais seulement)

Résumé

Les prédictions génomiques peuvent servir à évaluer l’utilité des génotypes de marqueurs denses pour l’amélioration génétique des caractères liés à l’efficacité de la production bovine. Cette étude visait à vérifier les effets de la distance génomique entre des populations d’apprentissage et de validation, de la taille des populations d’apprentissage, des méthodes statistiques et de la densité des marqueurs génétiques sur l’exactitude de prédiction pour les caractères associés à l’efficacité de la conversion alimentaire chez les bovins de boucherie multiraces et croisés. Nous avons utilisé au total 6 794 données sur des bovins de boucherie provenant de différents projets et troupeaux de recherche un peu partout au Canada. Nous avions, pour tous les animaux, des puces 50K (Illumina BovineSNP50) et des génotypes déterminés par imputation (puces HD Axiom Genome-Wide BOS 1). Les caractères étudiés étaient les suivants : consommation de matière sèche (CMS), gain de poids quotidien moyen (GPQM) et consommation alimentaire résiduelle (CAR). Quatre groupes de validation de 150 animaux chacun, dont des bovins Angus (AN), Charolais (CH), croisés Angus-Hereford (ANH) et un groupe composite à base de Charolais (TX), ont été créés à partir de la distance génomique entre paires d’individus des groupes de validation. Chaque groupe de validation comprenait 7 groupes d’apprentissage correspondants de taille croissante (n = 1 000, 1 999, 2 999, 3 999, 4 999, 5 998 et 6 644), qui représentaient également une distance génomique croissante entre paires d’individus dans les groupes d’apprentissage et de validation. Pour prédire les indices de la valeur d’élevage génomique estimée (VEGE), nous avons utilisé la meilleure prédiction génomique linéaire non biaisée (GBLUP, pour genomic best linear unbiased prediction) et la méthode BayesC. À moins d’indication contraire, l’exactitude des prédictions génomiques a été définie comme la corrélation de Pearson entre le phénotype ajusté et la VEGE (r). Avec les puces 50K, la r moyenne la plus élevée chez les races pures (AN, CH) était de 0,41 pour la CMS, 0,34 pour le GPQM, et 0,35 pour la CAR, alors que chez les croisés (ANH, TX) la corrélation était de 0,38 pour la CMS, 0,21 pour le GPQM et 0,25 pour la CAR. De même, lorsque nous avons appliqué les génotypes HD imputés chez les races pures (AN, CH), la r moyenne la plus élevée était de 0,14 pour la CMS, 0,15 pour le GPQM et 0,14 pour la CAR, alors que chez le croisés (ANH, TX), elle était de 0,38 pour la CMS, 0,22 pour le GPQM et 0,24 pour la CAR. La corrélation des prédictions GBLUP diminuait beaucoup lorsque la distance génétique moyenne augmentait comparativement à celle des prédictions de la méthode BayesC. Ces résultats montrent que les génotypes 50K, utilisés avec la méthode BayesC, sont plus efficaces pour prédire la VEGE chez les bovins de race pure. Les génotypes HD imputés se sont révélés utiles avec les composites et les bovins de races croisées. Chez les bovins de boucherie, la formulation d’une série d’apprentissage d’assez grande taille pour les prédictions génomiques devrait tenir compte de la distance génomique entre la population d’apprentissage et la population cible.

Date de modification :