Genes de efeito principal e locos de características quantitativas (QTL) em suínos

• Ano de defesa: 2003
• Autor(a) principal: Gonçalves, Tarcísio de Moraes [UNESP]
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Suino; Gordura; Suino - Peso; Inferencia (Logica); Bayesian approach; Pigs
• Link de acesso: http://hdl.handle.net/11449/104151

Foi utilizada uma análise de segregação com o uso da inferência Bayesiana para se verificar a presença de genes de efeito principal (GEP) afetando duas características de carcaça: gordura intramuscular em % (GIM) e espessura de toucinho em mm (ET); e uma de crescimento, ganho de peso (g/dia) no período entre 25 a 90 kg de peso vivo (GP). Para este estudo foram usadas informações de 1.257 animais provenientes de um experimento de cruzamento de suínos machos da raça Meishan (raça chinesa) e fêmeas de linhagens holandesas de Large White e Landrace. No melhoramento genético animal, Modelos Poligênicos Finitos (MPF) podem ser uma alternativa a Modelos Poligênicos Infinitesimais (MPI) para avaliação genética de características quantitativas usando pedigris complexos. MPI, MPF e MPI combinado com MPF, foram empiricamente testados para estimar componentes de variâncias e número de genes no MPF. Para a estimação de médias marginais a posteriori de componentes de variância e parâmetros foi usado uma metodologia Bayesiana, através do uso da Cadeia de Markov, algoritmos de Monte Carlo (MCMC), via Amostrador de Gibbs e “Reversible Jump Sampler (Metropolis-Hastings)”. Em função dos resultados obtidos, pode-se evidenciar quatro GEP, isto é, dois para GIM e dois para ET. Para ET, o GEP explicou a maior parte da variação genética, enquanto para GIM, o GEP reduziu significativamente a variação poligênica. Para a variação do GP não foi possível determinar a influência do GEP. As herdabilidades estimadas para GIM, ET e GP foram de 0,37, 0,24 e 0,37 respectivamente. A metodologia Bayesiana foi implementada satisfatoriamente usando o pacote computacional FlexQTLTM. Estudos futuros baseados neste experimento que usem marcadores moleculares para mapear os genes de efeito principal que afetem, principalmente GIM e ET, poderão lograr êxito.