Integração de efeitos de dominância em modelos genômicos para aprimorar a compreensão da heterose em bovinos leiteiros
DOI:
https://doi.org/10.33448/rsd-v15i2.50700Palavras-chave:
Bovinos leiteiros, Ácido graxo, GWAS, Holandesa, Efeito não-aditivo, Simulação, Gene SOX5.Resumo
A heterozigosidade molecular e a heterose estão ganhando importância na avaliação de várias espécies. No entanto, a exploração da heterose estimada com base no genoma em populações de raça pura permanece limitada. O objetivo deste estudo foi investigar o uso da heterozigose como um potencial indicador de heterose genômica em populações de raças puras. Usando um conjunto de dados simulado para características de produção e qualidade do leite, consideramos três cenários (h² = 0,10, 0,30 e 0,50). Adaptamos o Estudo de Associação Genômica Ampla (GWAS) para capturar variações não aditivas para a produção de leite (MY), porcentagem de gordura (FP), porcentagem de proteína (PP), porcentagem de caseína (CP) e porcentagem de ácidos graxos poli-insaturados (PUFA). A heterozigosidade variou de 35,4% a 35,6% no cenário simulado, com a heterose genômica variando de 3,2% a 17,0%. Os coeficientes de regressão enfatizaram a significância da heterozigosidade para a heterose genômica, variando de 4,8 a 6,07. Em dados reais, a maioria das regiões genômicas identificadas mostrou consistência entre os modelos aditivos e não-aditivos. Um aumento de 1,96 kg/dia na MY foi associado a um aumento de uma unidade na heterozigosidade, juntamente com um aumento de 0,0059% nos PUFA. Oito genes, incluindo o gene SOX5 associado aos PUFA, foram identificados na literatura como importantes para a saúde humana. A seleção baseada na heterozigosidade é proposta para favorecer a heterose genômica, e considerar os efeitos de dominância no GWAS contribui para a identificação de marcadores e QTLs com potenciais vantagens heterozigóticas. Nosso estudo contribui significativamente para a compreensão de como a heterose pode ser utilizada para a seleção animal em raças puras utilizando informações genômicas. Nossos achados sugerem abordagens preditivas adaptadas para incluir os efeitos de dominância genética nas avaliações genéticas e nos estudos de associação genômica ampla.
Referências
Abdollahi-Arpanahi, R., Gianola, D., & Peñagaricano, F. (2020). Deep learning versus parametric and ensemble methods for genomic prediction of complex phenotypes. Genetics Selection Evolution, 52, 1-15. https://doi.org/10.1186/s12711-020-00531-z
Aguilar, I., Misztal, I., Johnson, D. L., Legarra, A., Tsuruta, S., & Lawlor, T. J. (2010). Hot topic: a unified approach to utilize phenotypic, full pedigree, and genomic information for genetic evaluation of Holstein final score. Journal of Dairy Science, 93, 743-752. https://doi.org/10.3168/jds.2009-2730
Aguilar, I. (2014). Short introduction to BLUPF90 family programs. http://nce.ads.uga.edu/wiki/lib/exe/fetch.php?media=slides_2014_lva.pdf
Aguilar, I., Legarra, A., Cardoso, F., Masuda, Y., Lourenco, D., & Misztal, I. (2019). Frequentist p-values for large-scale-single step Genomic-wide association, with an application to birth weight in American Angus cattle. Genetics Selection Evolution, 51, 1-8. https://doi.org/10.1186/s12711-019-0469-3
Alillo, H., Pryce, J. E., González-Recio, O., Cocks, B. G., Goddard, M. E., & Hayes, B. J. (2017). Including nonadditive genetic effects in mating programs to maximize dairy farm profitability. Journal of Dairy Science, 100, 1203-1222. https://doi.org/10.3168/jds.2016-11261
Amadeu, R. R., Cellon, C., Lara, L., Resende, M., Oliveira, I., Ferrao, L., Muñoz, P., & Garcia, A. (2021). AGHmatrix: Relationship Matrices for Diploid and Autopolyploid Species. https://github.com/prmunoz/AGHmatrix
Bagheri, M., Miraie-Ashtiani, R., Moradi-Shahrbabak, M., Nejati-Javaremi, A., Pakdel, A., von Borstel, U. U., Pimentel, E. C. G., & Konig, S. (2013). Selective genotyping and logistic regression analyses to identify favorable SNP-genotypes for clinical mastitis and production traits in Holstein dairy cattle. Livestock Science, 151, 140-151. https://doi.org/10.1016/j.livsci.2012.11.018
Birchler, J. A., Yao, H., Chudalayandi, S., Vaiman, D., & Veitia, R. A. (2010). Heterosis. The Plant Cell, 22(7), 2105-2112. https://doi.org/10.1105/tpc.110.076133
Cao, Z., Gu, Y., Yang, Q., He, Y., Fetouh, M. I., Warner, R. M., & Deng, Z. (2019). Genome-wide identification of quantitative trait loci for important plant and flower traits in petunia using a high-density linkage map and an interspecific recombinant inbred population derived from Petunia integrifolia and P. axillaris. Horticulture Research, 6, 1-15. https://doi.org/10.1038/s41438-018-0091-5
Chein, F. (2019). Introdução aos modelos de regressão linear. Brasilia. ENAP. ISBN: 978-85-256-0115-5. https://bibliotecadigital.enap.gov.br/bitstream/1/4788/1/Livro_Regress%C3%A3o%20Linear.pdf
Christensen, O. F., & Lund, M. (2010). Genomic prediction when some animals are not genotyped. Genetics Selection Evolution, 42, 1-8. https://doi.org/10.1186/1297-9686-42-2
Clasen, J. B., Norberg, E., Madsen, P., Pederson, J., & Kargo, M. (2017). Estimation of genetic parameters and heterosis for longevity in crossbred Danish dairy cattle. Journal of Dairy Science, 100, 6337-6342. https://doi.org/10.3168/jds.2017-12627
Deng, H. W., & Fu, Y. X. (1998). Conditions for positive and negative correlations between fitness and heterozygosity in equilibrium populations. Genetics, 148, 1333-1340. https://doi.org/10.1093/genetics/148.3.1333
Fragomeni, B. O., Misztal, I., Lourenco, D. L., Aguilar, I., Okimoto, R., & Muir, W. M. (2014). Changes in variance explained by top SNP windows over generations for three traits in broiler chicken. Frontiers in Genetics, 1, 1-7. https://doi.org/10.3389/fgene.2014.00332
Gauthier, S. F., Pouliot, S. F., & Maoubois, J. L. (2006). Growth factors from bovine milk and colostrum: composition, extraction and biological activities. Le Lait, 86, 99-125. https://doi.org/10.1051/lait:2005048
Gutiérrez-Gil, B., Arranz, J. J., Pong-Wong, R., Garcia-Gámez, E., Kijas, J., & Wiener, P. (2014). Application of selection mapping to identify genomic associated with dairy production in sheep. PLoS ONE, 9, 1-13. https://doi.org/10.1371/journal.pone.0094623
Habier, D., Fernando, R. L., Kizilkaya, K., & Garrick, D. J. (2011). Extension for the Bayesian alphabet for genomic selection. BMC Bioinformatics, 12, 1-12. https://doi.org/10.1186/1471-2105-12-186
Hill, W. G., Goddard, M. E., & Visscher, P. M. (2008). Data and theory point to mainly additive genetic variance for complex traits. PLoS ONE, 4, 1-10. https://doi.org/10.1371/journal.pgen.1000008
ICAR – International Committee for Animal Recording. (2017). Section 2: Cattle milk recording. https://www.icar.org/Guidelines/02-Overview-Cattle-Milk-Recording.pdf
Iung, L. H. S., Petrini, J., Ramírez-Díaz, J., Salvian, M., Rovadoscki, G. A., Pilonetto, F., Dauria, B. D., Machado, P. F., Coutinho, L. L., Wiggans, G. R., & Mourão, G. B. (2019). Genome-wide association study for milk production traits in a Brazilian Holstein population. Journal of Dairy Science, 102, 5305-5314. https://doi.org/10.3168/jds.2018-14811
Kargo, M., Clasen, J. B., Nielsen, H. M., Byskov, K., & Norberg, E. (2021). Short communication: Heterosis and breed effects for milk production and udder health traits in crosses between Danish Holstein, Danish Red, and Danish Jersey. Journal of Dairy Science, 104, 678-682. https://doi.org/10.3168/jds.2019-17866
Kelleher, M. M., Berry, D. R., Keraney, J. F., McParland, S., Buckley, F., & Purifield, D. C. (2017). Inference of population structure of purebred dairy and beef cattle using high-density genotype data. Animal, 11, 15-23. https://doi.org/10.1017/S1751731116001099
Legarra, A., Aguilar, I., & Misztal, I. (2009). A relationship matrix including full pedigree and genomic information. Journal of Dairy Science, 92, 4656-4663.
Marques, D. B. D., Bastiaansen, J. W. M., Broekhuijse, M. L. W. J., Lopes, M. S., Knol, E. F., Harlizius, B., Guimarães, S. E. F., Silva, F. F., & Lopes, P. S. (2018). Weighted single-step GWAS and gene network analysis reveal new candidate genes for semen traits in pigs. Genetics Selection Evolution, 50, 1-14. https://doi.org/10.1186/s12711-018-0412-z
Masuda, Y. (2021). Introduction to BLUPF90 suit programs Standard edition. University of Georgia. http://nce.ads.uga.edu/wiki/lib/exe/fetch.php?media=tutorial_blupf90.pdf
Misztal, I., Legarra, A., & Aguilar, I. (2009). Computing procedures for genetic evaluation including phenotypic, full pedigree, and genomic information. Journal of Dairy Science, 92, 4648-4655. https://doi.org/10.3168/jds.2009-2064
Misztal, I., Tsuruta, S., Lourenco, D., & Masuda, Y. (2018). Manual for BLUPF90 family of programs. University of Georgia, Athens, USA. http://nce.ads.uga.edu/wiki/doku.php?id=start
Nicolini, P., Amorín, R., Han, Y., & Peñagarciano, F. (2018). Whole-genome scan reveals significant non-additive effects for sire conception rate in Holstein cattle. BMC Genetics, 19, 1-18. https://doi.org/10.1186/s12863-018-0600-4
Petrini, J., Iung, L. H. S., Rodriguez, M. A. P., Salvian, M., Pértille, F., Rovadoscki, G. A., Cassoli, L. D., Coutinho, L. L., Machado, P. F., Wiggans, G. R., & Mourão, G. B. (2016). Genetic parameters for milk fatty acids, milk yield and quality traits of a Holstein cattle population reared under tropical conditions. Animal Breeding and Genetics, 133, 384-395. https://doi.org/10.1111/jbg.12205
Pereira, A. S. et al. (2018). Metodologia da pesquisa científica. [free ebook]. Santa Maria: Editora da UFSM.
Perez Lopez, C. (2022). Técnicas de análise preditiva de dados. Modelos de regressão linear múltipla. Editora Scientific Books. ISBN-13: 978-1446702123
R Core Team. (2024). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna. https://www.R-project.org/
Risemberg, R. I. C. et al. (2026). A importância da metodologia científica no desenvolvimento de artigos científicos. E-Acadêmica Journal, 7(1), e0171675. https://eacademica.org/eacademica/article/view/675
Rodriguez, M. A. P., Petrini, J., Ferreira, E. M., Mourão, L. R. M. B., Salvian, M., Cassoli, L. D., Pires, A. V., Machado, P. F., & Mourão, G. B. (2014). Concordance analysis between estimation methods of milk fatty acids content. Food Chemistry, 156, 170–175. https://doi.org/10.1016/j.foodchem.2014.01.092
Rovadoscki, G. A., Pertile, S. F. N., Alvarenga, A. B., Cesar, A. S. M., Pértille, F., Petrini, J., Franzo, V., Soares, W. V. B., Morota, G., Spangler, M. L., Pinto, L. F. B., Carvalho, G. G. P., Lanna, D. P. D., Coutinho, L. L., & Mourão, G. B. (2018). Estimates of Genomic heritability and genome-wide association study for fatty acids profile in Santa Inês sheep. BMC Genomics, 19, 1-14. https://doi.org/10.1186/s12864-018-4777-8
Saborío-Montero, A., Vargas-Leitón, B., Romero-Zúñiga, J. J., & Camacho-Sandoval, J. (2018). Additive genetic and heterosis effects for milk fever in a population of Jersey, Holstein x Jersey, and Holstein cattle under grazing conditions. Journal of Dairy Science, 101, 9128-9134. https://doi.org/10.3168/jds.2017-142234
Silva, F. L., Pinto, M. S., Carvalho, A. F., & Perrone, I. T. (2016). Fator de crescimento transformador beta (TGF-β). Revista do Instituto de Laticínios Cândido Tostes, 70, 226-238. https://doi.org/10.14295/2238-6416.v70i4.384
Shitsuka, R. et al. (2014). Matemática fundamental para tecnologia. (2nd Ed.). Editora Érica.
Sorensen, M. K., Norberg, E., Pedersen, J., & Christensen, L. G. (2008). Invited Review: Crossbreeding in Dairy Cattle: A Danish Perspective. Journal of Dairy Science, 91, 4116-4128. https://doi.org/10.3168/jds.2008-1273
Tambasco-Talhari, D., Alencar, M. M., Paz, C. C. P., Cruz, G. M., Rodrigues, A. A., Packer, I. U., Coutinho, L. L., & Regitano, L. C. A. (2005). Molecular marker heterozygosities and genetic distances as correlates of production traits in F1 bovine crosses. Genetics and Molecular Biology, 28, 218-224. https://doi.org/10.1590/S1415-47572005000200007
Tiezzi, F., Parker-Gaddis, K. L., Cole, J. B., Clay, J. S., & Maltecca, C. (2015). A genome-wide association study for clinical mastitis in first parity US Holstein cows using single-step approach and genomic matrix re-weighting procedure. PLoS ONE, 10, 1-15. https://doi.org/10.1371/journal.pone.0114919
Tsairidou, S., Allen, A. R., Pong-Wong, R., McBride, S. H., Wright, D. M., Matika, O., Pooley, C. M., McDowell, S. W. J., Glass, E. J., Skuce, R. A., Bishop, S. C., & Woolliams, J. A. (2018). An analysis of effects of heterozygosity in dairy cattle for bovine tuberculosis resistance. Animal Genetics, 49, 103-109. https://doi.org/10.1111/age.12637
VanRaden, P. M. (2008). Efficient Methods to Compute Genomic Predictions. Journal of Dairy Science, 91, 4414-4423. https://doi.org/10.3168/jds.2007-0980
VanRaden, P. M. (2015). findhap.f90 – Find haplotypes and impute genotypes using multiple chip sets and sequence data. http://aipl.arsusda.gov/software/findhap
Veitia, R. A. (2010). A generalized model of gene dosage and dominant negative effects in macromolecular complexes. FASEB Journal, 24, 994–1002. https://doi.org/10.1096/fj.09-146969
Vidotti, M. S., Lyra, D. H., Morosini, J. S., Granato, I. S. C., Quecine, M. C., Azevedo, J. L., & Fritsche-Neto, R. (2019). Additive and heterozygous (dis)advantages GWAS models reveal candidate genes involved in the genotypic variation of maize hybrids to Azospirillum brasilense. PLoS ONE, 14, 1-21. https://doi.org/10.1371/journal.pone.0222788
Vieira, S. (2021). Introdução à bioestatística. Editora GEN/Guanabara Koogan.
Vitezica, Z., Varona, L., & Legarra, A. (2013). On the additive and dominant variance and covariance of individuals within the genomic selection scope. Genetics, 195, 1223-1230. https://doi.org/10.1534/genetics.113.155176
Wang, H., Misztal, I., Aguilar, I., & Legarra, A. (2012). Genome-wide association mapping including phenotypes from relatives without genotypes. Genetics Research, 94, 73-83. https://doi.org/10.1017/S0016672312000274
Wang, H., Misztal, I., Aguilar, I., Legarra, A., Fernando, R. L., Vitezica, Z., Okimoto, R., Wing, T., Hawken, R., & Muir, W. M. (2014). Genome-wide association mapping including phenotypes from relatives without genotypes in single-step (ssGWAS) for 6-week body weight in broiler chickens. Frontiers in Genetics, 5, 1-10. https://doi.org/10.3389/fgene.2014.00134
Xiao, J., Li, J., Yuan, L., & Tanksley, S. D. (1995). Dominance is the major genetic basis of heterosis in rice as revealed by QTL analysis using molecular markers. Genetics, 140, 745-754. https://doi.org/10.1093/genetics/140.2.745
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2026 Fabrício Pilonetto, Giovanni Coelho Ladeira, Juliana Petrini, Mayara Salvian, Izally Carvalho Gervásio, Flavia de Oliveira Scarpino van Cleef, Darlene dos Santos Daltro, Aline Zampar, Paulo Fernando Machado, Luiz Lehmann Coutinho, Gerson Barreto Mourão
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
