Melhorando a previsão genômica da emissão de metano

A emissão de metano é uma característica hereditária, o que torna possível a seleção para animais de baixa emissão.

Pesquisas recentes com gado leiteiro da raça holandesa da Dinamarca mostram o impacto de uma abordagem multicaracterística para alcançar alta precisão de seleção de animais com baixa emissão de metano.

Estudos mostram que, devido ao número limitado de vacas com registros de metano (CH4), as acurácias dos valores genéticos genômicos estimados (GEBV) são baixas. A emissão de metano é uma característica pouco registrada, o que significa que seria necessário um número considerável de vacas com registros de CH4 na população de referência para estimar com precisão o GEBV.

Pesquisadores da Universidade de Aarhus realizaram um estudo sobre o uso de informações de características registradas rotineiramente e altamente correlacionadas com CH4 para aumentar a precisão do GEBV por meio de uma abordagem de previsão de múltiplas características (genômica).
 

Sobre o estudo

Eles concentraram seu estudo na avaliação da precisão da previsão de GEBV para CH4, incluindo ou omitindo CH4, leite corrigido pela energia (ECM) e peso corporal (PC), bem como informações genotípicas em análises multicaracterísticas em 2 métodos: BLUP e BLUP genômico de etapa única (SSGBLUP).

Um total de 2.725 vacas Holandesas Dinamarquesas com concentração de CH4 no ar expirado (14.125 registros), PC (61.667 registros) e ECM (61.610 registros) foram incluídos nas análises. Aproximadamente 2.000 dessas vacas foram genotipadas. Para encontrar a melhor combinação de características nas populações de referência e de validação, foram realizados os 5 cenários a seguir:

• Cenário 1: cenário base com apenas informações de CH4.
• Cenário 2: sem CH4, mas com informações de PC, ECM ou PC+ECM apenas na população de referência.
• Cenário 3: sem CH4, mas com informações de PC, ECM ou PC+ECM nas populações de validação e referência.
• Cenário 4: com informações de CH4 e informações de PC, ECM ou PC+ECM apenas na população de referência.
• Cenário 5: com informação CH4 e informação PC, ECM ou PC+ECM nas populações de validação e referência.

Figura 1 – Precisão da previsão do EBV genômico para metano, média em 10 grupos de validação por subcenário para BLUP e BLUP genômico de etapa única (SSGBLUP).

CH4 = concentração de metano, OR = única referência, VR = validação + referência.

Consistência de traços preditores

Para determinar o benefício de incluir informações genotípicas na previsão do EBV e a consistência das características preditoras entre os métodos, 2 métodos foram testados:

• BLUP, que usou relações genéticas aditivas derivadas de pedigree para estimar um EBV para cada animal no pedigree, e
   
• SSGBLUP, que permitiu a adição de informações fenotípicas de animais não genotipados ao método BLUP genômico, combinando em uma única etapa a matriz de relacionamento genômico (GRM) com a matriz de relacionamento de pedigree em uma nova matriz de relacionamento utilizada para obter o GEBV.

Os pesquisadores descobriram que a precisão média de GEBV para CH4 no cenário base foi de 0,32 para o método BLUP e 0,42 para o método SSGBLUP. Comparando entre cenários multitraços, a precisão variou de 0,10 a 0,72 para o método BLUP e de 0,12 a 0,75 para o método SSGBLUP.

Eles concluíram que a previsão multicaracterística tem um desempenho semelhante (ou consistente) nos dois métodos e, em média, melhor do que o cenário de uma característica.
 

Precisão da previsão de GEBV

“A previsão genômica de característica múltipla usando PC e ECM registrados rotineiramente leva a precisões de previsão mais altas do que a previsão genômica tradicional de traço único para CH4. A inclusão de informações sobre ECM aumenta a precisão do GEBV para CH4 em até 61%, enquanto a adição de informações sobre ambas as características (PC e ECM) aumenta a precisão em até 90%”, observaram os pesquisadores.

Por outro lado, cenários que não incluíram CH4 na população de referência tiveram as correlações mais baixas (0,17–0,33) com CH4 GEBV de traço único (cenário base), e cenários com CH4 na população de referência tiveram as correlações mais altas (0,41–0,33) 0,81). Assim, a não inclusão de CH4 em populações de referência futuras resulta em CH4 GEBV previsto, que não pode ser usado na seleção prática. Isso significa que registrar CH4 em mais animais é uma prioridade.
 

Qual característica preditora é melhor?

Em todos os subcenários, verificou-se que a adição de informações sobre ECM melhorou a precisão da previsão de CH4 em comparação com a adição de PC. Isso foi atribuído à correlação genética relativamente maior de ECM para CH4 em comparação com PC.

Ficou claro que a magnitude das correlações genéticas entre as características é o fator chave que determina o aumento da acurácia. As 2 características foram relatadas como sendo boas características preditoras para CH4. Além disso, também foi observado que os subcenários com informações de PC e ECM em ambas as populações de referência e validação tiveram precisões de previsão mais altas do que os cenários com as 2 características apenas na população de referência.
 

Viabilidade de cenários multicaracterísticas

Com base nas acurácias obtidas neste estudo entre os cenários, três cenários (cenário 3, 4 e 5) se destacaram.

• Cenário 3

Neste cenário sem CH4, toda a variação genética de CH4 vem de ECM e PC, implicando que uma redução de CH4 virá na prática da seleção de animais menores que produzem menos leite, o que é contra-intuitivo para o objetivo de uma produção leiteira lucrativa – tornando o cenário não o ideal.
 

• Cenário 4

Por outro lado, o cenário 4 com informações de CH4 e características preditoras incluídas apenas na população de referência tem toda a variação genética de CH4, incluindo a fração que não é explicada apenas por ECM e PC. “Em princípio, no cenário 4 com informações de CH4 incluídas, o uso de todas as características em um índice de seleção pode alcançar a seleção para animais de baixa emissão ao aumentar ou manter a produção de leite (ou seja, intensidade de metano melhorada [CH4/L de ECM]). Esse cenário é a combinação multicaracterística mais ideal, pois é o mais alinhado aos esquemas de seleção genômica na prática e tem as correlações mais altas (0,72–0,81) com o cenário base”, disseram os cientistas.
 

• Cenário 5

É interessante notar que o cenário 5, que possui informações de CH4 e características preditoras (ECM e PC) nas populações de referência e validação, obteve as maiores acurácias de previsão. No entanto, como os GEBV são geralmente previstos para animais jovens antes que eles tenham seus próprios fenótipos, o cenário 5 não está intimamente alinhado com os esquemas de seleção genômica na prática. Os pesquisadores sugeriram que esse cenário pode ser importante ao tentar prever CH4 em vacas de segunda lactação ou mais (com informações de ECM e PC disponíveis).
 

Observações finais

Este estudo demonstrou que uma predição genômica multicaracterística leva a uma precisão de previsão mais alta do que a predição genômica tradicional de uma única característica, particularmente quando as características preditoras são altamente correlacionadas geneticamente com a característica alvo.

Pode-se concluir que o cenário multicaracterística mais viável em termos de viabilidade ao prever CH4 para animais jovens é o cenário com informações de CH4, ECM e PC na população de referência. Este cenário também se mostrou o mais correlacionado geneticamente com o cenário base.

Embora o cenário que tem informações de CH4 e características preditoras (ECM e PC) nas populações de referência e validação tenha alcançado as maiores precisões de previsão, os pesquisadores acham que é mais adequado quando se prevê o CH4 em vacas de segunda lactação ou mais (com informações de ECM e PC disponíveis).

As informações são do Dairy Global, traduzidas e adaptadas pela equipe MilkPoint. 

Referências
Este artigo é baseado no artigo original de Manzanilla-Pech C.I.V., D. Gordo, G.F. Difford, P. Lovendahl e J. Lassen. 2020. Multitrait genomic prediction of methane emissions in Danish Holstein cattle, Journal of Dairy Science Vol 103, 2020. https://doi.org/10.3168/jds.2019-17857.