Evaluation of a collagen matrix in a mandible defect in rats submitted to the use of bisphosphonates

Purpose: To assess the effect of a collagen matrix (Mucograft®) on the inflammatory process in a semi-critical experimental defect model in rats treated with bisphosphonates. Methods: Eighteen Wistar rats were randomly divided into three groups: saline (CG), alendronate (ALD) 5mg/kg (AG) or zoledronic acid (ZA) 0.2mg/kg (ZG). ALD was administered orally for 10 weeks and ZA was administered intravascularly on days 0, 7 and 14 and 49. On day 42, a 2mm defect was created and filled with Mucograft® collagen matrix. The contralateral side was filled with a clot (control side). The animals were euthanized 70 days after the beginning of the experiment and the hemimandibles were radiographically and histologically (counting of empty osteocyte lacunae (%), apoptotic (%) and total osteoclasts, neutrophil and mononuclear inflammatory cells) analyzed. The variables were submitted to ANOVA/Bonferroni and t test (parametric data) (p 0.05, GraphPad Prism 5.0). Results: Significant bone repair occurred in the groups treated with Mucograft®. High number of total inflammatory cells and neutrophils cells were showed in AG (p=0.026 and p=0.035) and AZ groups (p=0.005, p=0.034) on the control sides associated with delayed bone repair and the presence of devitalized bone tissue in AG and ZG on the Mucograft® side. Conclusion: Mucograft® collagen matrix attenuated the inflammatory process in a mandible defect in rats submitted to the use of bisphosphonates (AG and ZG).(AU)

Comparison of whole genome prediction accuracy across generations using parametric and semi parametric methods / Comparação da acurácia de predições genômicas através de gerações usando métodos / paramétricos e semi paramétricos

Accuracy of genomic prediction was compared using three parametric and semi parametric methods, including BayesA, Bayesian LASSO and Reproducing kernel Hilbert spaces regression under various levels of heritability (0.15, 0.3 and 0.45), different number of markers (500, 750 and 1000) and generation intervals of validating set. A historical population of 1000 individuals with equal sex ratio was simulated for 100 generations at constant size. It followed by 100 extra generations of gradually reducing size down to 500 individuals in generation 200. Individuals of generation 200 were mated randomly for 10 more generations applying litter size of 5 to expand the historical generation. Finally, 50 males and 500 females chosen from generation 210 were randomly mated to generate 10 more generations of recent population. Individuals born in generation 211 considered as the training set while the validation set was composed of individuals either from generations 213, 215 or 217. The genome comprised one chromosome of 100 cM length carrying 50 QTLs. There was no significant difference between accuracy of investigated methods (p > 0.05) but among three methods, the highest mean accuracy (0.659) was observed for BayesA. By increasing the heritability, the average genomic accuracy increased from 0.53 to 0.75 (p 0.05). The number of SNPs affected the accuracy and accuracies increased

A acurácia da predição genômica foi comparada através de três métodos paramétricos e semiparamétricos, que incluíram BayesA, LASSO Bayesiano e regressão RKHS (Reproducing Kernel Hilbert Spaces) sob vários níveis de hereditariedade (0,15; 0,3 e 0,45), números diferentes de marcadores (500, 750 e 1000) e intervalos de geração de conjuntos de validação. Uma população histórica de 1000 indivíduos com igual proporção sexual foi simulada por 1000 gerações, em tamanho constante. Ela foi seguida por 100 gerações adicionais com redução gradual de tamanho para 500 indivíduos na 200ª geração. Indivíduos da geração 200 foram cruzados aleatoriamente por mais 10 gerações aplicando-se tamanho de ninhada de 5, para expansão da geração histórica. Por fim, uma seleção de 50 machos e 500 fêmeas da geração 210 foram cruzados aleatoriamente, resultando em mais 10 gerações de população recente. Indivíduos nascidos na geração 211 foram considerados como o conjunto de treinamento, enquanto o conjunto de validação foi composto por indivíduos da geração 213, 215 ou 217. O genoma foi composto por um cromossomo de 100cM de comprimento portando 50 QTLs. Não houve diferença significativa entre a acurácia dos métodos investigados (p > 0,05); porém, dentre os três métodos, a maior média de acurácia (0,659) foi observada em BayesA. Com o aumento da hereditariedade, a média da acurácia de seleção genômica

Comparison of whole genome prediction accuracy across generations using parametric and semi parametric methods / Comparação da acurácia de predições genômicas através de gerações usando métodos / paramétricos e semi paramétricos

Accuracy of genomic prediction was compared using three parametric and semi parametric methods, including BayesA, Bayesian LASSO and Reproducing kernel Hilbert spaces regression under various levels of heritability (0.15, 0.3 and 0.45), different number of markers (500, 750 and 1000) and generation intervals of validating set. A historical population of 1000 individuals with equal sex ratio was simulated for 100 generations at constant size. It followed by 100 extra generations of gradually reducing size down to 500 individuals in generation 200. Individuals of generation 200 were mated randomly for 10 more generations applying litter size of 5 to expand the historical generation. Finally, 50 males and 500 females chosen from generation 210 were randomly mated to generate 10 more generations of recent population. Individuals born in generation 211 considered as the training set while the validation set was composed of individuals either from generations 213, 215 or 217. The genome comprised one chromosome of 100 cM length carrying 50 QTLs. There was no significant difference between accuracy of investigated methods (p > 0.05) but among three methods, the highest mean accuracy (0.659) was observed for BayesA. By increasing the heritability, the average genomic accuracy increased from 0.53 to 0.75 (p 0.05). The number of SNPs affected the accuracy and accuracies increased(AU)

A acurácia da predição genômica foi comparada através de três métodos paramétricos e semiparamétricos, que incluíram BayesA, LASSO Bayesiano e regressão RKHS (Reproducing Kernel Hilbert Spaces) sob vários níveis de hereditariedade (0,15; 0,3 e 0,45), números diferentes de marcadores (500, 750 e 1000) e intervalos de geração de conjuntos de validação. Uma população histórica de 1000 indivíduos com igual proporção sexual foi simulada por 1000 gerações, em tamanho constante. Ela foi seguida por 100 gerações adicionais com redução gradual de tamanho para 500 indivíduos na 200ª geração. Indivíduos da geração 200 foram cruzados aleatoriamente por mais 10 gerações aplicando-se tamanho de ninhada de 5, para expansão da geração histórica. Por fim, uma seleção de 50 machos e 500 fêmeas da geração 210 foram cruzados aleatoriamente, resultando em mais 10 gerações de população recente. Indivíduos nascidos na geração 211 foram considerados como o conjunto de treinamento, enquanto o conjunto de validação foi composto por indivíduos da geração 213, 215 ou 217. O genoma foi composto por um cromossomo de 100cM de comprimento portando 50 QTLs. Não houve diferença significativa entre a acurácia dos métodos investigados (p > 0,05); porém, dentre os três métodos, a maior média de acurácia (0,659) foi observada em BayesA. Com o aumento da hereditariedade, a média da acurácia de seleção genômica (AU)

Avaliação genética de cavalos Campolina: do pedigree à possibilidade de seleção genômica

BUSSIMAN, F. O. Avaliação genética de cavalos Campolina: do pedigree à possibilidade de seleção genômica [Genetic evaluation of Campolina horses: from pedigree to the genomic selection possibility]. 2021. 222 f. Tese (Doutorado em Ciências) Faculdade de Medicina Veterinária e Zootecnia, Universidade de São Paulo, 2021. Embora os custos da genotipagem tenham diminuído ao longo dos últimos anos, em cavalos, chips comerciais ainda apresentam um preço elevado e, atualmente, há no mercado apenas duas alternativas disponíveis. Com efeito, o número de cavalos genotipados nos estudos publicados é baixo e, em geral, os pesquisadores encontram problemas quanto a representatividade das populações por parte dos animais genotipados. Assim, o objetivo do presente trabalho foi propor estratégias de genotipagem em populações de cavalos não genotipadas, prospectando, antes de investimentos financeiros, quais os melhores métodos para seleção genômica nesta espécie. Foi utilizada como material de estudo, a população de cavalos Campolina. Inicialmente um estudo sobre os fundadores, bem como a formação de linhagens no pedigree foi conduzido. Para tanto, foi utilizada análise de componentes principais e conseguiu-se determinar a ocorrência de três linhagens fundadoras na população recente desta raça. Além disso foi conduzido um estudo de redução de posto, no qual testaram-se 19 modelos sendo nove modelos de componentes principais; nove modelos fatores analíticos e um modelo multicaracterística padrão. Em abordagem frequentista, via máxima verossimilhança restrita em algoritmo de informação média, pôde-se determinar que o melhor modelo é um modelo fator analítico com cinco fatores. Foi ainda empregado um estudo utilizando análise confirmatória de fatores para determinar como as características mensuradas na população Campolina se combinam e quais os efeitos causais entre as características latentes que, de fato, causam os fenótipos observáveis. Como resultados, a qualidade morfológica tem um efeito causal sobre a morfologia que, por sua vez, tem um efeito causal sobre o andamento. A partir destes resultados, um estudo com modelos recursivos bem como estruturais permitiu concluir como os atributos de andamento se interconectam causando uns aos outros para criar a pontuação total de andamento. Por fim, um estudo com dados simulados foi feito. Para tanto foram simulados três cenários com diferentes estruturas populacionais e quatro características. Foram então testadas seis diferentes estratégias de genotipagem juntamente quatro diferentes modelos estatísticos para predições genômicas. Houve efeito significativo da interação entre característica e cenário, bem como da interação entre característica e estratégia de genotipagem sobre a acurácia de predição do valor genômico. Sobre a porcentagem de viés, houve efeito significativo apenas da estratégia de genotipagem. No tocante a modelos, os métodos em passo único foram mais acurados e menos viesados tanto para características contínuas quanto para binárias. Futuras implementações de seleção genômica em cavalos deveriam considerar a amostragem de animais com o maior número de progênies para genotipagem, implementando modelos de passo único semiparamétricos para as predições genômicas.

BUSSIMAN, F. O. Genetic evaluation of Campolina horses: from pedigree to the genomic selection possibility [Avaliação genética de cavalos Campolina: do pedigree à possibilidade de seleção genômica]. 2021. 222 f. PhD. Thesis (Doctoral) College of Veterinary Medicine and Animal Science, University of Sao Paulo, 2021. Although genotyping costs have decreased over the last few years, in horses, commercial chips still carry a high price and, currently, there are only two alternatives available on the market. In fact, the number of genotyped horses in the published studies is low and, in general, researchers find problems regarding the representativeness of populations by the genotyped animals. Thus, the aim of the present work was to propose genotyping strategies in non-genotyped horse populations, prospecting, before financial investments, which are the best methods for genomic selection in this species. The Campolina horse population was used as study material. Initially a study on the founders as well as the formation of pedigree lines was conducted. Therefore, principal component analysis was used, and it was possible to determine the occurrence of three founder lines in the recent population of this breed. In addition, a study of rank reduction was conducted, in which 19 models were tested, being nine models of principal components; nine factor analytic models and one standard multi-trait model. In a frequentist approach, through restricted maximum likelihood in an average information algorithm, was found best model is a factor-analytic model with five common factors. A study using confirmatory factor analysis was also employed to determine how measured traits in the Campolina population are combined and what causal effects among latent traits causes the observable phenotypes. As a result, morphological quality has a causal effect on morphology which, in turn, has a causal effect on gait. From these results, a study with recursive as well as structural equation models allowed to conclude how the gait attributes interconnect causing each other to create the total gait score. Finally, a study with simulated data was carried out. For this, three scenarios with different population structures and four traits were simulated. Six different genotyping strategies were then tested along with four different statistical models for genomic predictions. There was a significant effect of the interaction between trait and scenario, as well as the interaction between trait and genotyping strategy on prediction accuracy. On the percentage of bias, there was only a significant effect of the genotyping strategy. About models, the single-step methods were more accurate and less biased for both continuous and binary traits. Future implementations of genomic selection in horses should consider sampling animals with the largest number of progenies for genotyping, implementing semi-parametric single-step models for genomic predictions.

APPLYING MACHINE LEARNING METHODS FOR GENOMIC ANALYSIS OF REPRODUCTIVE TRAITS IN NELLORE CATTLE

A seleção de animais geneticamente superiores com base na informação genômica tem sido uma tendência crescente e promissora em programas de melhoramento. No entanto, os principais métodos de predição genômica envolvem modelos paramétricos, que em sua maioria, assumem somente variância aditiva para o efeito dos marcadores, ignorando-se possíveis relações não-lineares. A consideração de tais efeitos pode ser importante para melhorar a habilidade de predição em características com arquitetura genética complexa. Recentemente, tem crescido o interesse em métodos de predição semi e não paramétricos. Dentro desse contexto, os métodos de aprendizagem de máquina tais como Redes Neurais Artificiais (ANN), Random Forest (RF) e Support Vector Machines (SVM) são alternativas interessantes. Os objetivos do presente estudo foram: i) Comparar o desempenho preditivo do modelo Genomic Best Linear Unbiased Predictor (GBLUP) e de métodos de aprendizagem de máquina em populações simuladas de bovinos de corte, apresentando diferentes níveis para efeitos de dominância; ii) Investigar a habilidade de predição de diferentes métodos de aprendizagem de máquina para predição genômica de características reprodutivas em bovinos da raça Nelore; iii) Desenvolver um estudo de associação genômica ampla (GWAS) utilizando a metodologia Random Forest, a fim de buscar genes candidatos para idade ao primeiro parto em novilhas da raça Nelore. No primeiro estudo, o genoma simulado compreendeu um painel de SNPs (Single Nucleotide Polymorphisms) com densidade de 50k e 300 QTLs (Quantitative Trait Loci), espalhados aleatoriamente ao longo de 29 cromossomos. Foram simuladas ao todo seis características, considerando-se diferentes valores de herdabilidade no sentido restrito e amplo. No cenário puramente aditivo e com baixa herdabilidade (h2 = 0,10), a habilidade de predição utilizando o método GBLUP foi levemente superior em relação aos outros métodos (aproximadamente de 0,8% a 5,0%), ao passo que as ANN obtiveram melhor acurácia nos cenários com moderada herdabilidade (h2 = 0,30). As acurácias para os efeitos de dominância variaram entre 0,180 e 0,350 no modelo GBLUP considerando a matriz de relacionamento de dominância (GBLUP-D), entre 0,062 e 0,185 para o RF e foram nulas utilizando-se os métodos ANN e SVM. Entre os métodos de aprendizagem de máquina, apenas o RF foi capaz de capturar implicitamente os efeitos de dominância, resultando em maiores acurácias de predição para os valores genéticos totais e fenotípicos quando a variância devido ao efeito de dominância aumentou. No segundo estudo, dados referentes a bovinos da raça Nelore nascidos entre 1984 e 2015 foram utilizados. As características estudadas foram Idade ao Primeiro Parto (AFC), Circunferência Escrotal (SC), Prenhez Precoce (EP) e Habilidade de Permanência (STAY). Após o controle de qualidade, o número de animais com genótipos e de marcadores SNP disponíveis foram respectivamente, 2.342 e 321.419 (AFC), 4.671 e 309.486 (SC), 3.356 e 319.108 (EP) e 2.681 e 319.619 (STAY). A habilidade preditiva de diferentes métodos de aprendizagem de máquina tais como Support Vector Regression (SVR), Bayesian Regularized Artificial Neural Network (BRANN) e RF foi avaliada. Os resultados foram comparados aos obtidos pelos modelos paramétricos GBLUP e BLASSO (Bayesian Least Absolute Shrinkage and Selection Operator). Para o modelo SVR, investigou-se a influência de diferentes valores para o parâmetro de largura de banda do kernel na habilidade de predição do modelo. Para o modelo BRANN, diferentes números de neurônios na camada oculta (de 1 a 4 neurônios) foram examinados para se identificar a melhor arquitetura de rede. Além disso, duas estruturas de informação genômica foram testadas como informação de entrada no modelo BRANN, a matriz de relacionamento genômica (G) e a matriz de componentes principais (PC). A habilidade de predição dos modelos foi avaliada por meio de um esquema de validação cruzada em 5 folds. As acurácias obtidas foram de baixas a moderadas de acordo com a característica e modelos considerados, variando entre 0,555 e 0,625 (AFC), 0,268 e 0,359 (SC), 0,573 e 0,666 (EP) e entre 0,517 e 0,618 (STAY). O modelo SVR obteve desempenho ligeiramente superior em relação aos métodos paramétricos (GBLUP e BLASSO) para todas as características avaliadas, aumentando a acurácia de predição da AFC em aproximadamente 5,1% e 3,7%, quando comparados aos modelos GBLUP e BLASSO, respectivamente, e em 7,2% para SC, 3,4% para EP e 5% para STAY quando comparado aos resultados obtidos por ambos GBLUP e BLASSO. Por outro lado, os modelos RF, BRANN_G e BRANN_PC não apresentaram habilidade de predição competitiva com os métodos tradicionais, apresentando menor acurácia de predição e maiores erros de predição para todas as características. Os resultados indicam que o SVR é um método adequado para a predição de valores genéticos genômicos para características reprodutivas em bovinos da raça Nelore, apresentando melhor habilidade de predição e eficiência no tempo de computação em relação as metodologias paramétricas estudadas. Além disso, o valor mais adequado para o parâmetro de largura de banda do kernel no método SVR dependeu da característica avaliada, desse modo, a correta predefinição desse parâmetro na fase de treinamento do modelo é aconselhável. Por último, um estudo de associação genômica ampla foi realizado utilizando a abordagem RF, a fim de se identificar genes candidatos para a idade ao primeiro parto em bovinos da raça Nelore. Os valores examinados para o parâmetro M_try (ou seja, o número de SNPs testados em cada nó das árvores) foram 1, p, 0.01p e 0.1p, em que p representa o número total de SNPs. Os parâmetros que produziram o menor erro quadrático nos dados out-of-bag (MSE_OOB) foram mantidos para análises posteriores. Foram realizadas 5 análises independentes com diferentes sementes de inicialização do algoritmo e os escores de importância dos SNPs foram computados como a média das 5 análises. Foram identificados 118 SNPs associados com AFC, localizados em oito cromossomos autossômicos (BTA 3, 5, 10, 11, 18, 21, 25 e 27). No total, 23 regiões não sobrepostas cobriram 172 genes candidatos para AFC. Regiões genômicas previamente associadas com características de fertilidade e crescimento em bovinos Nelore foram reportadas neste estudo, o que reforça a efetividade do RF como um método para a varredura inicial de regiões candidatas associadas com características complexas. O estudo de associação baseado no método RF e a análise funcional apontaram genes candidatos com funções chave na regulação da fertilidade, incluindo a pré-implantação de embriões e seu desenvolvimento, viabilidade embrionária, maturação de células germinais masculinas e reconhecimento de feromônios.

The selection of genetically superior animals based on genomic information has been an increasing and promising trend in breeding programs. However, the main methods used for genome-enabled prediction involve parametric models that mostly assume only additive variance for markers effects, ignoring possible nonlinear relationships. Accounting for such effects may be important to improve the predictive ability for traits with complex genetic architecture. The interest in semi and non-parametric prediction methods has recently increased. Within this context, machine learning methods such as Artificial Neural Networks (ANN), Random Forest (RF) and Support Vector Machines (SVM) are an interesting alternative. The aims of the present study were: i) To compare the predictive performance of Genomic Best Linear Unbiased Predictor (GBLUP) and machine learning methods in simulated beef cattle populations presenting different degrees of dominance; ii) To investigate the predictive ability of different machine learning for genome-enabled prediction of reproductive traits in Nellore cattle and compare their performance with parametric approaches (GBLUP and BLASSO); iii) To perform a genome-wide association study (GWAS) using the Random Forest approach for scanning candidate genes for age at first calving in Nellore heifers. In the first study, the simulated genome comprised 50k single nucleotide polymorphisms (SNPs) and 300 QTL (Quantitative Trait Loci), both biallelic and randomly distributed across 29 chromosomes. A total of six traits were simulated considering different values for the narrow and broad-sense heritability. In the purely additive scenario with low heritability (h2 = 0.10), the predictive ability obtained using GBLUP was slightly higher than the other methods (approximately 0,8% to 5,0%) whereas ANN provided the highest accuracies for scenarios with moderate heritability (h2 = 0.30). The accuracies of dominance deviations varied from 0.180 to 0.350 in the GBLUP model considering the dominance genomic relationship matrix (GBLUP-D), from 0.062 to 0.185 in the RF and were null using ANN and SVM methods. Among machine learning methods, only the RF was capable to cover implicitly dominance effects without increasing the number of covariates in the model, resulting in higher accuracies for the total genetic and phenotypic values as the dominance ratio increased. In the second study, data of Nellore cattle from commercial herds born between 1984 and 2015 were used. The studied traits were Age at First Calving (AFC), Scrotal Circumference (SC), Early Pregnancy (EP) and Stayability (STAY). After quality control, the number of genotyped animals and SNP markers available were respectively, 2,342 and 321,419 (AFC), 4,671 and 309,486 (SC), 3,356 and 319,108 (EP) and 2,681 and 319,619 (STAY). The predictive ability from different machine learning models such as Support Vector Regression (SVR), Bayesian Regularized Artificial Neural Network (BRANN) and RF, was assessed. Results were compared with that obtained using GBLUP and BLASSO (Bayesian Least Absolute Shrinkage and Selection Operator) parametric models. For the SVR, the influence of different kernel bandwidth parameter values on the model predictive ability was assessed. In the BRANN models, different numbers of neurons in the hidden layer (1 to 4 neurons) were examined to assess the best ANN architecture. Further, two genomic structures were assessed as input information in the BRANN model, the marker-based genomic relationship matrix (G) and the principal components scores matrix (PC). The predictive ability of the studied models was evaluated by a 5-fold cross-validation scheme. The average accuracies were from low to moderate according to the trait and model considered, ranging between 0.555 and 0.625 (AFC), 0.268 and 0.359 (SC), 0.573 and 0.666 (EP) and 0.517 and 0.618 (STAY). The SVR provided slightly better performance than the parametric models for all traits, increasing the prediction accuracy for AFC around 5.1% and 3.7% compared to GBLUP and BLASSO models, respectively, and around 7.2% for SC, 3.4% for EP and 5% for STAY, comparing to both GBLUP and BLASSO. In contrast, the RF, BRANN_G and BRANN_PC models did not present competitive predictive ability compared to the benchmark approaches, presenting lower prediction accuracies and higher MSE for all traits. Our results indicate that the SVR is a suitable method for genomic breeding values prediction for reproductive traits in Nellore Cattle, presenting better predictive ability and computational time efficiency than the studied parametric approaches. Further, the optimal kernel bandwidth parameter in the SVR model was trait-dependent, thus, the correct pre-definition of this parameter in the training phase is advisable. Lastly, a genome-wide association study (GWAS) was performed using the RF approach for scanning candidate genes for AFC in Nellore cattle. The assessed values for the M_try parameter (i.e. the number of SNPs to search at each node) were 1, p, 0.01p and 0.1p, in which p represents the total number of SNPs. The RF parametrization which produced the lowest mean squared error in the out-of-bag data (MSE_OOB) was maintained for further analysis. We run five independent analyses with different initialization seeds for the algorithm and the SNPs importance scores were averaged. There were identified 118 SNPs associated with AFC, located over eight autosomes (BTA 3, 5, 10, 11, 18, 21, 25 and 27). In total, 23 non-overlapping genomic regions embedded 172 candidate genes for AFC. Genomic regions previously associated with fertility and growth traits in Nellore cattle were reported in the present study, which reinforces RF effectiveness for pre-screening candidate regions associated with complex traits. The RF-based genome-wide scan and functional analysis highlighted candidate genes with key roles in fertility, including embryo pre-implantation and development, embryonic viability, male germinal cell maturation and pheromone recognition.

PARAMETRIC AND SEMI-PARAMETRIC MODELS FOR PREDICTING GENOMIC BREEDING VALUES OF COMPLEX TRAITS IN NELORE CATTLE

O melhoramento genético animal visa melhorar a produtividade econômica das futuras gerações de espécies domésticas por meio da seleção. A maioria das características de interesse econômico na pecuária é de expressão quantitativa e complexa, isto é, são influenciadas por vários genes e afetadas por fatores ambientais. As análises estatísticas de informações de fenótipo e pedigree permite estimar os valores genéticos dos candidatos à seleção com base no modelo infinitesimal. Uma grande quantidade de dados genômicos está atualmente disponível para a identificação e seleção de indivíduos geneticamente superiores com o potencial de aumentar a acurácia de predição dos valores genéticos e, portanto, a eficiência dos programas de melhoramento genético animal. Vários estudos têm sido conduzidos com o objetivo de identificar metodologias apropriadas para raças e características específicas, o que resultará em estimativas de valores genéticos genômicos (GEBVs) mais acurados. Portanto, o objetivo deste estudo foi verificar a possibilidade de aplicação de modelos semiparamétricos para a seleção genômica e comparar a habilidade de predição com os modelos paramétricos para dados reais (características de carcaça, qualidade da carne, crescimento e reprodutiva) e simulados. As informações fenotípicas e de pedigree utilizadas foram fornecidas por onze fazendas pertencentes a quatro programas de melhoramento genético animal. Para as características de carcaça e qualidade da carne, o banco de dados continha 3.643 registros para área de olho de lombo (REA), 3.619 registros para espessura de gordura (BFT), 3.670 registros para maciez da carne (TEN) e 3.378 observações para peso de carcaça quente (HCW). Um total de 825.364 registros para peso ao sobreano (YW) e 166.398 para idade ao primeiro parto (AFC) foi utilizado para as características de crescimento e reprodutiva. Genótipos de 2.710, 2.656, 2.749, 2.495, 4.455 e 1.760 animais para REA, BFT, TEN, HCW, YW e AFC foram disponibilizados, respectivamente. Após o controle de qualidade, restaram dados de, aproximadamente, 450.000 polimorfismos de base única (SNP). Os modelos de análise utilizados foram BLUP genômico (GBLUP), single-step GBLUP (ssGBLUP), Bayesian LASSO (BL) e as abordagens semiparamétricas Reproducing Kernel Hilbert Spaces (RKHS) e Kernel Averaging (KA). Para cada característica foi realizada uma validação cruzada composta por cinco folds e replicada aleatoriamente trinta vezes. Os modelos estatísticos foram comparados em termos do erro do quadrado médio (MSE) e acurácia de predição (ACC). Os valores de ACC variaram de 0,39 a 0,40 (REA), 0,38 a 0,41 (BFT), 0,23 a 0,28 (TEN), 0,33 a 0,35 (HCW), 0,36 a 0,51 (YW) e 0,49 a 0,56 (AFC). Para todas as características, os modelos GBLUP e BL apresentaram acurácias de predição similares. Para REA, BFT e HCW, todos os modelos apresentaram ACC similares, entretanto a regressão RKHS obteve o melhor ajuste comparado ao KA. Para características com maior quantidade de registros fenotípicos comparada ao número de animais genotipados (YW e AFC) o modelo ssGBLUP é indicado. Considerando o desempenho geral, para todas as características estudadas, a regressão RKHS é, particularmente, uma alternativa interessante para a aplicação na seleção genômica, especialmente para características de baixa herdabilidade. No estudo de simulação, genótipos, pedigree e fenótipos para quatro características (A, B, C e D) foram simulados utilizando valores de herdabilidade baseados nos obtidos com os dados reais (0,09, 0,12, 0,36 e 0,39 para cada característica, respectivamente). O genoma simulado consistiu de 735.293 marcadores e 1.000 QTLs distribuídos aleatoriamente por 29 pares de autossomos, com comprimento variando de 40 a 146 centimorgans (cM), totalizando 2.333 cM. Assumiu-se que os QTLs explicavam 100% da variação genética. Considerando as frequências do alelo menor maiores ou iguais a 0,01, um total de 430.000 marcadores foram selecionados aleatoriamente. Os fenótipos foram obtidos pela soma dos resíduos (aleatoriamente amostrados de uma distribuição normal com média igual a zero) aos valores genéticos verdadeiros, e todo o processo de simulação foi replicado 10 vezes. A ACC foi calculada por meio da correlação entre o valor genético genômico estimado e o valor genético verdadeiro, simulados da 12a a 15a geração. A média do desequilíbrio de ligação, medido entre os pares de marcadores adjacentes para todas as características simuladas foi de 0,21 para as gerações recentes (12a, 13a e 14a), e 0,22 para a 15a geração. A ACC para as características simuladas A, B, C e D variou de 0,43 a 0,44, 0,47 a 0,48, 0,80 a 0,82 e 0,72 a 0,73, respectivamente. Diferentes metodologias de seleção genômica implementadas neste estudo mostraram valores similares de acurácia de predição, e o método mais adequado é dependente da característica explorada. Em geral, as regressões RKHS obtiveram melhor desempenho em termos de ACC com menor valor de MSE em comparação com os outros modelos

Animal breeding aims to improve economic productivity of future generations of domestic species through selection. Most of the traits of economic interest in livestock have a complex and quantitative expression i.e. are influenced by a large number of genes and affected by environmental factors. Statistical analysis of phenotypes and pedigree information allows estimating the breeding values of the selection candidates based on infinitesimal model. A large amount of genomic data is now available for the identification and selection of genetically superior individuals with the potential to increase the accuracy of prediction of genetic values and thus, the efficiency of animal breeding programs. Numerous studies have been conducted in order to identify appropriate methodologies to specific breeds and traits, which will result in more accurate genomic estimated breeding values (GEBVs). Therefore, the objective of this study was to verify the possibility of applying semi-parametric models for genomic selection and to compare their ability of prediction with those of parametric models for real (carcass, meat quality, growth and reproductive traits) and simulated data. The phenotypic and pedigree information used were provided by farms belonging to four animal breeding programs which represent eleven farms. For carcass and meat quality traits, the data set contained 3,643 records for rib eye area (REA), 3,619 records for backfat thickness (BFT), 3,670 records for meat tenderness (TEN) and 3,378 observations for hot carcass weight (HCW). A total of 825,364 records for yearling weight (YW) and 166,398 for age at first calving (AFC) were used as growth and reproductive traits of Nelore cattle. Genotypes of 2,710, 2,656, 2,749, 2,495, 4,455 and 1,760 animals were available for REA, BFT, TEN, HCW, YW and AFC, respectively. After quality control, approximately 450,000 single nucleotide polymorphisms (SNP) remained. Methods of analysis were genomic BLUP (GBLUP), single-step GBLUP (ssGBLUP), Bayesian LASSO (BL) and the semi-parametric approaches Reproducing Kernel Hilbert Spaces (RKHS) regression and Kernel Averaging (KA). A five-fold cross-validation with thirty random replicates was carried out and models were compared in terms of their prediction mean squared error (MSE) and accuracy of prediction (ACC). The ACC ranged from 0.39 to 0.40 (REA), 0.38 to 0.41 (BFT), 0.23 to 0.28 (TEN), 0.33 to 0.35 (HCW), 0.36 to 0.51 (YW) and 0.49 to 0.56 (AFC). For all traits, the GBLUP and BL models showed very similar prediction accuracies. For REA, BFT and HCW, models provided similar prediction accuracies, however RKHS regression had the best fit across traits considering multiple-step models and compared to KA. For traits which have a higher number of animals with phenotypes compared to the number of those with genotypes (YW and AFC), the ssGBLUP is indicated. Judged by overall performance, across all traits, the RKHS regression is particularly appealing for application in genomic selection, especially for low heritability traits. Simulated genotypes, pedigree, and phenotypes for four traits A, B, C and D were obtained using heritabilities based on real data (0.09, 0.12, 0.36 and 0.39 for each trait, respectively). The simulated genome consisted of 735,293 markers and 1,000 QTLs randomly distributed over 29 pairs of autosomes, with length varying from 40 to 146 centimorgans (cM), totaling 2,333 cM. It was assumed that QTLs explained 100% of genetic variance. Considering Minor Allele Frequencies greater or equal to 0.01, a total of 430,000 markers were randomly selected. The phenotypes were generated by adding residuals, randomly drawn from a normal distribution with mean equal to zero, to the true breeding values and all simulation process was replicated 10 times. ACC was quantified using correlations between the predicted genomic breeding value and true breeding values simulated for the generations of 12 to 15. The average linkage disequilibrium, measured between pairs of adjacent markers for all simulated traits was 0.21 for recent generations (12, 13 and 14), and 0.22 for generation 15. The ACC for simulated traits A, B, C and D ranged from 0.43 to 0.44, 0.47 to 0.48, 0.80 to 0.82 and 0.72 to 0.73, respectively. Different genomic selection methodologies implemented in this study showed similar accuracies of prediction, and the optimal method was sometimes trait dependent. In general, RKHS regressions were preferable in terms of ACC and provided smallest MSE estimates compared to other models.

Controle de parasitas intestinais de capivaras (Hydrochaerus hydrachaeris) criadas em sistema semi-extensivo, no município de Senador Guimard Santos, Acre / Intestinal parasites control of capybaras (Hydrochaerus hydrachaeris) raised in semi-extensive system, at Senator Guimard Santos district, Acre, Brazil

A capivara (Hydrochaerus hydrachaeris) tem despertado interesse comercial para a produção de carne e pele através de programas de manejo em cativeiro. Sabe-se que a quantidade de parasitas pode afetar a sobrevivência e o desempenho reprodutivo dos animais parasitados, donde a relação entre esta variável e a característica do hospedeiro é claramente um aspecto importante a ser estudado. A maioria dos estudos sobre helmintos tem sido direcionada para a taxonomia desses parasitos. Neste estudo, capivaras foram capturadas por meio da construção de cevas, a fim de garantir o número de indivíduos desejados no plantel, composto por sete adultos e cinco filhotes, onde os adultos estavam assim distribuídos: um macho e seis fêmeas, pertencentes ao mesmo grupo, os quais foram identificados com microchips e pesados. Esses animais foram acondicionados em um piquete, composto por área de açude, arbustos e vegetação natural (abrigos). As análises coprológicas foram realizadas nos animais pela técnica de Willis-Molay (flutuação) cinco dias após o nascimento e mensalmente nos três primeiros meses de vida dos animais. Aplicou-se o teste não-paramétrico do Sinal (Siegel & Castellan Junior, 2006) para a variável grau de infestação. Grandes infestações parasitárias são observadas no período das chuvas, em criação de capivaras em sistema semi-extensivo, comprometendo a criação de animais adultos e principalmente de filhotes. Aconselham-se seis vermifugações ao ano, uma a cada dois meses para os animais adultos e com relação às crias uma semana após o nascimento e cerca de um mês depois da segunda vermifugação.

The capybara (Hydrochaerus hydrachaeris) has been arousing commercial interest for the meat and hide production through handling programs in captivity. It is known that the amount of parasites can affect the survival and the reproductive performance of the parasited animals. Most of the studies on helminthes have been addressed for the taxonomy of those parasites. In this study, capybaras were captured through the construction of snares (after obtaining permission of Ibama/AC), in order to guarantee the number of individuals wanted in the breeding stock, composed by seven adults and five cubs animals, where the adults were distributed like this: a male and six females, belonging to the same group, which were identified with microchips and also weighted. Those animals were conditioned in a picket, composed by dam area, bushes and natural vegetation (shelters). The feces analyses were achieved by Willis Molay technique (fluctuation) five days after the birth, and monthly in the first three months of animal lifespan. The no-parametric test of the Sign was applied (Siegel & Castellan Júnior, 2006) for the variable infestation degree. Great parasitic infestations are observed in the period of the rains, in the capybaras livestock, in semi-extensive system, committing the breeding of adult animals and mainly of nestlings. It takes advice six anthelmintic treatments a year, every two months for the adult animals and regarding the young of animals one week after the birth, and about one month after the second anthelmintic treatment.