Estimación de parámetros genéticos para caracteres de producción de leche y mastitis subclínica en ovinos Pampinta

• Autores: Stazionati, Micaela Fiorela; Maizon, Daniel Omar; Giovambattista, Guillermo; Gigli, Isabel
• Año de publicación: 2019
• Idioma: español castellano
• Tipo de recurso: artículo
• Fuente: RIA 45 (1) : 126-134 (Abril 2019)
• Materia: Ovinos; Razas (animales); Genética; Producción Lechera; Enfermedades de los Animales; Mastitis; Sheep; Breeds (animals); Genetics; Milk Production; Animal Diseases; Raza Pampinta
• Institución: Instituto Nacional de Tecnología Agropecuaria

El objetivo del presente trabajo fue estimar heredabilidades, repetibilidades y correlaciones genéticas y fenotípicas para los caracteres producción de leche (PL; l/d), grasa total (GT; g/d), proteína total (PT; g/d), porcentaje de grasa (G%; %) y de proteínas (P%; %), y mastitis subclínica (MSC, presencia/ausencia, según Test Mastitis California) en lactancias de 210 días en ovinos de la raza Pampinta. Se emplearon los controles lecheros realizados entre 2009 y 2017 en el tambo experimental del INTA, EEA Anguil “Ing. Agr. Guillermo Covas”. Luego de editarlos, se obtuvieron 833 lactancias de 425 ovejas Pampinta; a su vez, se construyó una genealogía con 1092 individuos. Los siguientes factores clasificatorios: edad al primer parto (EPP); año de parto y época de parto (AEP); orden de parto (OPAR); tipo de parto y crianza (TPC); días desde el parto al primer control lechero (DPPCL); y duración de lactancia (DLAC) fueron evaluados para cada variable respuesta mediante modelos mixtos unicarácter con observaciones repetidas empleando el paquete lme4 en R. De estos, EPP no resultó seleccionado para ningún modelo, en tanto que AEP lo fue para todos. Además, el modelo de PL no incluyó TPC; en de PT no incluyó OPAR y TPC; el de P% no incluyó ELAC; y el de MSC no incluyó DPPCL y ELAC. Para las estimaciones de componentes de varianza se emplearon modelos animales mixtos bicarácter con un enfoque bayesiano empleando el programa TM. Las estimaciones de repetibilidad para los caracteres de producción ─PL, GT, PT, G%, y P%─ fueron intermedias, entre 0,41 y 0,51, lo que indicó que una observación sería un buen predictor de la futura producción individual. En cambio para MSC fue de 0,20 resaltando la importancia del ambiente en la expresión de esta. Además, las estimaciones de heredabilidad resultaron intermedias a bajas para los caracteres de producción, entre 0,21 y 0,33, y baja para MSC, de 0,1. Para los caracteres de producción estas estimaciones están en el rango de las estimaciones reportadas previamente. Este estudio es el primero que reporta estimaciones de heredabilidad para mastitis subclínicas en ovinos, siendo levemente inferior a las estimaciones para recuentos de células somáticas reportadas por otros autores. Esto indica que se podría seleccionar indirectamente por resistencia a mastitis empleando MSC. Las correlaciones, fenotípicas y genéticas, entre PL con GT y con PT, y GT con PT resultaron altas con valores entre 0,92 y 0,98, coincidiendo con la bibliografía. Las correlaciones fenotípicas entre MSC y los caracteres productivos resultaron negativos. En tanto, las correlaciones genéticas resultaron todas positivas, pero con muy amplios intervalos de credibilidad. Estas estimaciones tienen una importancia práctica directa debido a que un programa de mejora genética para aumentar PL y GT aumentaría a su vez la incidencia de MSC. Esto pone de manifiesto la necesidad de incluir MSC en el objetivo de selección.
The goal of the present work was to estimate heritabilities, repeteabilities, and genetic and phenotypic correlations for production traits such as milk yield (MY; l/d), total fat (TF; g/d), total protein (TP; g/d), percentage of fat (F%; %), percentage of protein (P%; %), and subclinical mastitis (SCM, present or absent – based on Californian Mastitis Test) in lactations of 210 d long. To that purpose, test day records collected from 2009 to 2017 in an experimental farm (INTA EEA Anguil “Ing. Agr. Guillermo Covas”) were used. After editing, a total of 833 lactations were obtained from 425 Pampinta ewes, and, in turn, a genealogy with 1092 sheep was built. The following classificatory factors: age at first lambing (AFL); year and season of lambing (YSL); number of lambing (NL); lambing and weaning kind (LWK); days form lambing to first test day (DLFTD); and lactation length (LL) were tested for each response variable through univariate mixed models with repeated observations using the lme4 package in R. Among these, AFL was not selected for any model, while YSL was for all models. Besides, the model for MY did not include LWK; the one for TP did not include NL and LWK; for P% did not include LL; and for SCM did not include DLFTD and LL. For variance component estimations, bivariate animal mixed-models were used. These were estimated with a Bayesian approach using the TM program. Repeatability estimates for productive traits –MY, TF, TP, F%, P%– were intermediate, in the range from 0.41 to 0.51, showing that one observation could be a good predictor of individual productivity. On the other hand, for SCM the repeatability was 0.20; this is pointing the fact that environment plays such a great deal in the expression of that trait. In the case of heritabilities, the estimates were intermediate to low; for productive traits, they were between 0.21 and 0.33, in accordance with those in the bibliography. To the best of our knowledge, this is the first study to estimate heritability for SCM, which was 0.1. This value is slightly lower than that published for somatic cell counts. However, it seems possible to select against mastitis using SCM. Phenotypic and genetic correlations between MY with TF and with TP, and TF with TP were high, from 0.92 to 0.98, and these are in line with the literature. Phenotypic correlations between SCM and each productive trait were negative, which is good from a productive point of view; and the genetic correlations were positive, although they had very wide credibility intervals. Based on these estimates, if a selection program was put in place, for example, to increase MY and TF, a correlated response to selection could increase the incidence of SCM. Consequently, this fact should be taken into account to avoid negative consequences from the selection program.
EEA Anguil
Fil: Stazionati, Micaela Fiorela. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Anguil; Argentina
Fil: Maizon, Daniel Omar Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Anguill; Argentina. Universidad Nacional La Pampa. Facultad de Agronomía; Argentina
Fil: Giovambattista, Guillermo. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico CONICET- La Plata. Instituto de Genética Veterinaria. Universidad Nacional de La Plata. Facultad de Ciencias Veterinarias. Instituto de Genética Veterinaria; Argentin
Fil: Gigli, Isabel. Universidad Nacional de La Pampa. Facultad de Agronomía; Argentina