A predição da variância fenotípica é de grande importância para que os sistemas de produção de bovinos de corte consigam aumentar a rentabilidade otimizando o uso de recursos. Modelos mecanicistas dinâmicos do crescimento bovino vêm sendo utilizados como ferramentas de suporte à tomada de decisão em sistemas de manejo individual do gado. Entretanto, a aplicação desses modelos ainda fundamenta-se em parâmetros populacionais, sem qualquer abordagem para que se consiga capturar a variabilidade entre sujeitos nas simulações. Assumindo que modelos mecanicistas sejam capazes de simular o componente de desvio ambiental da variância fenotípica e considerando que marcadores SNPs possam predizer o componente genético dessa variância, esse projeto objetivou evoluir em direção a um modelo matemático que considere a variabilidade entre animais em seu nível genético. Seguindo conceitos de fisiologia genômica computacional, nós assumimos que a variância genética da característica complexa (i.e. produto do comportamento do modelo) surge de características componentes (i.e. parâmetros dos modelos) em níveis hierárquicos mais baixos do sistema biológico. Esse estudo considerou dois modelos mecanicistas do crescimento de bovinos - Cornell Cattle Value Discovery System (CVDS) e Davis Growth Model (DGM) - e ao questionar se os parâmetros de tais modelos mapeariam regiões genômicas que englobam QTLs já descritos para a característica complexa, verificou as suas interpretações biológicas esperadas. Tal constatação forneceu uma prova de conceito de que os parâmetros do CVDS e do DGM são de fato fenótipos cuja interpretação pode ser confirmada através das regiões genômicas mapeadas. Um método de predição genômica foi então utilizado para computar os parâmetros do CVDS e do DGM. Os efeitos dos marcadores SNPs foram estimados tanto para os parâmetros quanto para os fenótipos observados. Nós buscamos qual o melhor cenário de predição - simulações dos modelos com parâmetros computados a partir das informações genômicas ou predição genômica conduzida diretamente nos fenótipos complexos. Nós encontramos que enquanto a predição genômica dos fenótipos complexos pode ser uma melhor opção em relação aos modelos de crescimento, simulações conduzidas com parâmetros obtidos a partir de dados genômicos estão condizentes com simulações geradas com parâmetros obtidos a partir de métodos regulares. Esse é o principal argumento para chamar atenção da comunidade científica de que a abordagem apresentada nesse projeto representa um caminho para o desenvolvimento de uma nova geração de modelos nutricionais aplicados capazes de capturar a variabilidade genética entre bovinos de corte confinados e produzir simulações com variáveis de entrada específicas de cada genótipo. Esse projeto é a primeira abordagem no Brasil conhecida dos autores a usar genótipos Bos indicus para o estudo da aplicação de genômica integrada à modelos mecanicistas para o manejo e comercialização de animais na pecuária. / The prediction of phenotypic variance is important for beef cattle operations to increase profitability by optimizing resource use. Dynamic mechanistic models of cattle growth have been used as decision support tools for individual cattle management systems. However, the application of such models is still based on population parameters, with no further approach to capture between-subject variability. By assuming that mechanistic models are able to simulate environmental deviations components of phenotypic variance and considering that SNPs markers may predict the genetic component of this variance, this project aimed at evolving towards a mathematical model that takes between-animal variance to its genetic level. Following the concepts of computational physiological genomics, we assumed that genetic variance of the complex trait (i.e. outcome of model behavior) arises from component traits (i.e. model parameters) in lower hierarchical levels of biological systems. This study considered two mechanistic models of cattle growth - Cornell Cattle Value Discovery System (CVDS) and Davis Growth Model (DGM) - and verified their expected biological interpretation by asking whether model parameters would map genomic regions that harbors QTLs already described for the complex trait. This provided a proof of concept that CVDS and DGM parameters are indeed phenotypes whose expected interpretations may be stated by means of their mapped genomic regions. A method of genomic prediction to compute parameters for CVDS and DGM was then used. SNP marker effects were estimated both for their parameters and observed phenotypes. We looked for the best prediction scenario - model simulation with parameters computed from genomic data or genomic prediction on complex phenotypes directly. We found that while genomic prediction on complex phenotypes may still be a better option than predictions from growth models, simulations conducted with genomically computed parameters are in accordance with those performed with parameters obtained from regular methods. This is the main argument to call attention from the research community that this approach may pave the way for the development of a new generation of applied nutritional models capable of representing genetic variability among beef cattle under feedlot conditions and performing simulation with inputs from individual\'s genotypes. To our knowledge, this project is the first of this kind in Brazil and the first using Bos indicus genotypes to study the application of genomics integrated with mechanistic models for the management and marketing of commercial livestock.

Made available in DSpace on 2015-03-26T13:32:22Z (GMT). No. of bitstreams: 1 texto completo.pdf: 434501 bytes, checksum: 0ab5e3021a0cbd11c8c868f09b269488 (MD5) Previous issue date: 2014-02-21 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / The analysis of growth curves of animals has been widely used to increase the efficiency of beef cattle ranching. Related to growth curves with nonlinear mixed models strategic, studies have strategic applications in genetic improving programs in defining selection criteria for earliness and weight gain, aimed at, that for each individual is estimated a random coefficient, facilitating identification and selection of more efficient animals based on the coefficients. This methodology considers the variability between and within individuals. The objective of this study was to evaluate the efficiency of the adjustment of growth curves by nonlinear mixed models. Nonlinear models, Michaelis-Menten Modified, Logistic, von Bertalanffy, Gompertz, Richards and Brody, were fitted, with and without the incorporation of random effects for analysis of growth in beef cattle Tabapuã race. For comparison between fixed and mixed models were used the following adjustment quality evaluators: Akaike s information criterion (AIC), Bayesian information criterion (BIC), mean absolute deviation (DMA), mean square error (MSE) and coefficient of determination (R2). The use of nonlinear mixed model was efficient to describe bovine growth curves. / A análise de curvas de crescimento de animais tem sido muito utilizada para aumentar a eficiência da pecuária de corte. Estudos relacionados a curvas de crescimento com modelos não lineares mistos podem ter aplicações estratégicas em programas de melhoramento genético na definição de critérios de seleção para precocidade e ganho de peso, tendo em vista, que para cada indivíduo é estimado um coeficiente aleatório, facilitando a identificação e seleção de animais mais eficientes com base nos coeficientes. Essa metodologia considera a variabilidade entre e dentro de indivíduos. O objetivo deste trabalho foi avaliar a eficiência do ajuste de curvas de crescimento através de modelos não lineares mistos. Foram ajustados os modelos não lineares Michaelis-Menten Modificado, Logístico, von Bertalanffy, Gompertz, Richards e Brody, com e sem a incorporação de efeitos aleatórios para análise de curva de crescimento de bovinos de corte da raça Tabapuã. Para comparação entre modelos fixos e mistos foram utilizados os seguintes avaliadores de qualidade de ajuste: critério de informação de Akaike (AIC), critério de informação bayesiano (BIC), desvio médio absoluto (DMA), erro quadrático médio (EQM) e coeficiente de determinação (R2). A utilização de modelos não lineares mistos foi eficiente para descrever curvas de crescimento de bovinos.

A predição da variância fenotípica é de grande importância para que os sistemas de produção de bovinos de corte consigam aumentar a rentabilidade otimizando o uso de recursos. Modelos mecanicistas dinâmicos do crescimento bovino vêm sendo utilizados como ferramentas de suporte à tomada de decisão em sistemas de manejo individual do gado. Entretanto, a aplicação desses modelos ainda fundamenta-se em parâmetros populacionais, sem qualquer abordagem para que se consiga capturar a variabilidade entre sujeitos nas simulações. Assumindo que modelos mecanicistas sejam capazes de simular o componente de desvio ambiental da variância fenotípica e considerando que marcadores SNPs possam predizer o componente genético dessa variância, esse projeto objetivou evoluir em direção a um modelo matemático que considere a variabilidade entre animais em seu nível genético. Seguindo conceitos de fisiologia genômica computacional, nós assumimos que a variância genética da característica complexa (i.e. produto do comportamento do modelo) surge de características componentes (i.e. parâmetros dos modelos) em níveis hierárquicos mais baixos do sistema biológico. Esse estudo considerou dois modelos mecanicistas do crescimento de bovinos - Cornell Cattle Value Discovery System (CVDS) e Davis Growth Model (DGM) - e ao questionar se os parâmetros de tais modelos mapeariam regiões genômicas que englobam QTLs já descritos para a característica complexa, verificou as suas interpretações biológicas esperadas. Tal constatação forneceu uma prova de conceito de que os parâmetros do CVDS e do DGM são de fato fenótipos cuja interpretação pode ser confirmada através das regiões genômicas mapeadas. Um método de predição genômica foi então utilizado para computar os parâmetros do CVDS e do DGM. Os efeitos dos marcadores SNPs foram estimados tanto para os parâmetros quanto para os fenótipos observados. Nós buscamos qual o melhor cenário de predição - simulações dos modelos com parâmetros computados a partir das informações genômicas ou predição genômica conduzida diretamente nos fenótipos complexos. Nós encontramos que enquanto a predição genômica dos fenótipos complexos pode ser uma melhor opção em relação aos modelos de crescimento, simulações conduzidas com parâmetros obtidos a partir de dados genômicos estão condizentes com simulações geradas com parâmetros obtidos a partir de métodos regulares. Esse é o principal argumento para chamar atenção da comunidade científica de que a abordagem apresentada nesse projeto representa um caminho para o desenvolvimento de uma nova geração de modelos nutricionais aplicados capazes de capturar a variabilidade genética entre bovinos de corte confinados e produzir simulações com variáveis de entrada específicas de cada genótipo. Esse projeto é a primeira abordagem no Brasil conhecida dos autores a usar genótipos Bos indicus para o estudo da aplicação de genômica integrada à modelos mecanicistas para o manejo e comercialização de animais na pecuária. / The prediction of phenotypic variance is important for beef cattle operations to increase profitability by optimizing resource use. Dynamic mechanistic models of cattle growth have been used as decision support tools for individual cattle management systems. However, the application of such models is still based on population parameters, with no further approach to capture between-subject variability. By assuming that mechanistic models are able to simulate environmental deviations components of phenotypic variance and considering that SNPs markers may predict the genetic component of this variance, this project aimed at evolving towards a mathematical model that takes between-animal variance to its genetic level. Following the concepts of computational physiological genomics, we assumed that genetic variance of the complex trait (i.e. outcome of model behavior) arises from component traits (i.e. model parameters) in lower hierarchical levels of biological systems. This study considered two mechanistic models of cattle growth - Cornell Cattle Value Discovery System (CVDS) and Davis Growth Model (DGM) - and verified their expected biological interpretation by asking whether model parameters would map genomic regions that harbors QTLs already described for the complex trait. This provided a proof of concept that CVDS and DGM parameters are indeed phenotypes whose expected interpretations may be stated by means of their mapped genomic regions. A method of genomic prediction to compute parameters for CVDS and DGM was then used. SNP marker effects were estimated both for their parameters and observed phenotypes. We looked for the best prediction scenario - model simulation with parameters computed from genomic data or genomic prediction on complex phenotypes directly. We found that while genomic prediction on complex phenotypes may still be a better option than predictions from growth models, simulations conducted with genomically computed parameters are in accordance with those performed with parameters obtained from regular methods. This is the main argument to call attention from the research community that this approach may pave the way for the development of a new generation of applied nutritional models capable of representing genetic variability among beef cattle under feedlot conditions and performing simulation with inputs from individual\'s genotypes. To our knowledge, this project is the first of this kind in Brazil and the first using Bos indicus genotypes to study the application of genomics integrated with mechanistic models for the management and marketing of commercial livestock.