Calcular los pesos económicos Inconsistencias.• La función de beneficios no incluía la mayoría de los costes • Se utilizaban sistemas de precios sin contrastar su estabilidad a largo plazo • Utilizar costes e ingresos medios en lugar de los marginales • No ajustaban para tener en cuenta la posibilidad de incrementar un carácter por métodos no genéticos Calcular los pesos económicos Problemas.• Diferentes dependiendo de cómo se define la función de beneficios • Diferentes en función de la base de cálculo (vaca, ternero, unidad de producto) • Diferentes en función de la perspectiva que se contemple 1 Calcular los pesos económicos Diferentes dependiendo de cómo se define la función de beneficios Relación lineal: Beneficio = Ingresos - Costes Mercado fijo (sistema de cuotas): Beneficio = Gastos fijos: Beneficio = Costes Ingresos Ingresos Costes Calcular los pesos económicos Diferentes dependiendo de cómo se define la función de beneficios w: único output con precio a f: único input con precio b • Beneficio = a w – b f • Beneficio = bf aw Ingresos (I) = a w Costes (C) = b f ∂B/∂w = a ∂B/∂b = - b ∂B/∂w = - b µf/a µ2w ∂B/∂b = b/a µw Peso relativo = - a/b Peso relativo = - µf/µw 2 Calcular los pesos económicos • Diferentes en función de la base de cálculo (vaca, ternero, unidad de producto) n: nº lechones por hembra y año w: peso lechón V: valor unidad de producto Base de cálculo C1: costes por lechón y día de cebo C2: costes por hembra y año d: duración del cebo en días Ecuación de beneficios Hembra Beneficio = nwV – n C1d – C2 Lechón Beneficio = wV – C1d – C2/n Beneficio = V – C1d/w – C2/nw Unidad de producto Calcular los pesos económicos • Diferentes en función de la base de cálculo (vaca, ternero, unidad de producto) n: nº lechones por hembra y año w: peso lechón V: valor unidad de producto C1: costes por lechón y día de cebo C2: costes por hembra y año d: duración del cebo en días Ecuación de beneficios Pesos económicos ∂B/∂d ∂B/∂n Hembra Beneficio = nwV – n C1d – C2 wV – C1d – n C1 Lechón Beneficio = wV – C1d – C2/n C2/n – C1 Unidad de producto Beneficio = V – C1d/w – C2/nw C2/nw C1/w Base de cálculo 3 Calcular los pesos económicos Métodos clásicos.• Beneficio marginal (ingresos marginales -gastos marginales) • Facilidad de cálculo • Se basan en relaciones biológicas conocidas • Independientes de estructuras var-cov Calcular los pesos económicos Métodos clásicos.• Beneficio marginal (ingresos marginales -gastos marginales) • Regresión del beneficio sobre el carácter • Son necesarios los resultados económicos de muchos animale • Dependen de estructuras de var-cov poco estables • Si el objetivo es incompleto lleva a contradiciones 4 Calcular los pesos económicos Métodos clásicos.• Beneficio marginal (ingresos marginales -gastos marginales) • Regresión del beneficio sobre el carácter Indices empíricos • Otros métodos Optimización matemática Variabilidad genética Utilización de una función de producción (Amer, Fox y Smith) 1) Función de producción y = k p F1c F2b Y = output (1) p = peso animal comercializado k = constante F1 y F2 = inputs c y b = representan elasticidades parciales de producción 5 Utilización de una función de producción 2) Construir función de beneficios y calcular el valor de los factores que la maximizan B = y a y - (F1 a F1 + F2 a F2 ) a: representa los precios ∂B ∂F F1 y F2 Valores que hacen máximo B e incluidos en (1) dan el valor máximo de y Bmax = ymax ay - (F1 max a F1 + F2 max a F2 ) Utilización de una función de producción 3) Calcular la función de beneficios al modificar un carácter y maximizarla y = k (p + ∂p) F1c F2b Una nueva función de beneficios: B’ = y ay - (F1’ a F1 + F2’ a F2 ) Que dará lugar a nuevos valores de F’max y Y’max B’max = y’max ay - (F1’max a F1 + F2’max a F2 ) 6 Utilización de una función de producción 4) El peso económico de p será: B’max - Bmax ∂p Utilización de una función de producción 1) y = k p F1c F2b ∂B F1max y F2max ∂F Bmax=ymaxay -(F1 maxa F1 +F2maxa F2 ) 2) B = y ay - (F1 a F1 + F2 a F2 ) ; 3) y = k (p + ∂p) F1c F2b 4) B’max - Bmax ∂p Repetir paso 2 para obtener la nueva función de beneficios B’ y los nuevos máximos de F1’, F2’ y B’max 7 Ejemplos de pesos económicos Pesos económicos relativos en vacuno lechero Sin cuotas 1980 Con cuotas 1985 36 14 40 63 23 23 Leche Producción lechera Carne Conversión de alimentos Ganancia media diaria Desarrollo muscular Caracteres secundarios Velocidad de ordeño Dificultad al parto Dificultad al parto Intervalo entre partos Ejemplos de pesos económicos Efecto de la incorporación del coste de la energía necesaria para producir la grasa y proteína de la leche Méritos genéticos Semental Leche Grasa Proteína PD$ Ingresos sobre PD$ por coste marginal unidad de de la energía coste marginal de energía A + 468 + 10,9 +12,2 100 88 8,9 B + 171 + 20,9 + 4,5 100 85 6,6 8 Un ejemplo de pesos económicos Pesos relativos por σa Peso al destete Velocidad de crecimiento Edad al sacrificio Cantidad de leche Peso adulto % distocias 1 1 1,2 11 -1,2 -1 Un ejemplo de pesos económicos Caracteres registrados Peso a 405 días Velocidad de crecimiento Edad al sacrificio Puntuación muscular Objetivo de mejora Peso canal Rendimiento canal Grado de engrasamiento Mérito carnicero Mérito global % distocias Peso nacimiento Longitud de gestación Duración gestación Dificultad al parto Mérito al parto 9 Etapas en el diseño de un programa de mejora •Describir el sistema de producción •Formular el objetivo del sistema •Elegir el sistema de cruzamiento y las razas •Estimar los parámetros de selección y los pesos económicos •Diseñar un sistema de evaluación de los animales •Desarrollar el criterio de selección •Diseñar el sistema de apareamiento entre los animales •Diseñar un sistema de flujo de genes •Comparación de programas alternativos Diseñar un sistema de evaluación • Que medimos, dónde y a quien • Los factores limitantes son la capacidad reproductiva y la longevidad 10 Diseñar un sistema de evaluación Aspectos a considerar: • Información individual • Información de familiares prueba de descendencia raza pura cruzados machos en cebo aptitud materna Diseñar un sistema de evaluación Aspectos a considerar: • Estaciones de prueba información de candidatos información de descendientes 11 Diseñar un sistema de evaluación Aspectos a considerar: • Estaciones de prueba Pruebas cortas Pruebas completas Diseñar un sistema de evaluación Aspectos a considerar: • Estaciones de prueba • Explotaciones: rebaños de vacas rebaños de cebo controlado 12 IA IA IA 8.000 Explotaciones del núcleo de selección Selección terneros sobre ascendentes + individual 400 Selección individual de terneros sobre crecimiento, conformación y transf. Alim. 100 5 + 10 Selección por descendencia sobre facilidad parto, conformación y canal Selección por descendencia sobre caracteres maternos IA Esquemas de evaluación % Información individual En explotación 70 En estación 81 Información de descendientes En explotación 54 En estación 47 13 Estación Nac.-dest. Cebadero. Matadero Encuestas Reino Unido: Australia: Nueva Zelanda: EEUU: Canadá: Italia: Francia: Alemania: Bélgica: Suiza: Holanda: España: no no si si si si si si si si si si si si si si si si si si si si si si no no si si si no si si no no si no no no no si si si si no no si no si no no si no no no si si no no no no Etapas en el diseño de un programa de mejora •Describir el sistema de producción •Formular el objetivo del sistema •Elegir el sistema de cruzamiento y las razas •Estimar los parámetros de selección y los pesos económicos •Diseñar un sistema de evaluación de los animales •Desarrollar el criterio de selección •Diseñar el sistema de apareamiento entre los animales •Diseñar un sistema de flujo de genes •Comparación de programas alternativos 14 Desarrollo de los criterios de selección H = a’ G = a1G1 + a2G2 +.........+ anGn I = b’ Y = b1y1 + b2y2 +.........+ bnyn b = P-1 C a C = {Cov (yi G)} P = {Cov (yi yj)} a = vector de pesos económicos Método BLUP * Caracteres que se consideran • • • • Peso al nacimiento Peso al destete Ganancia media diaria Dificultad al parto * Modelo que se ajusta y = Xb + Za + Wm + e • b representa los efectos no genéticos: núcleo-año-tipo de manejo número de parto mes del parto sexo de la cría a representa el efecto genético propio del animal • m representa el ambiente materno • 15 Ejemplo de cálculo del valor mejorante para un carácter que tiene una heredabilidad del 40 % valor mejorante (VM) = heredabilidad * desviación de la media Asociación 1 Animal Peso ajustado a 400 días Asociación 2 Desvi. de la media VM (kg) Animal 1 2 3 4 5 450 600 480 570 560 - 82 + 68 - 52 + 38 + 28 -32 +27 -21 +15 +11 Media 532 0 0 Peso ajustado a 400 días Desvi. De la media 470 530 550 490 640 - 66 -6 + 14 - 46 + 104 -26 -2 +5 - 18 + 41 536 0 0 1 2 3 4 5 VM (kg) Intervalo de confianza (95 %) de un valor mejorante para cantidad de leche en 200 días de +10 en función de su precisión 30 25 20 15 10 5 0 -5 20 40 60 80 90 100 -10 Precisión del VM 40 % 60 % 80 % 90 % 100 % Intervalo del 95 % -7 +27 -4 +24 -1 +21 +2 +18 10 16 17 Indice 140 120 100 Porcentaje 2,3 16 50 18 Intervalo de confianza (95 %) de un valor mejorante +10 en función de su precisión 30 25 20 15 10 5 0 -5 20 40 60 80 90 100 -10 Etapas en el diseño de un programa de mejora •Describir el sistema de producción •Formular el objetivo del sistema •Elegir el sistema de cruzamiento y las razas •Estimar los parámetros de selección y los pesos económicos •Diseñar un sistema de evaluación de los animales •Desarrollar el criterio de selección •Diseñar el sistema de apareamiento entre los animales •Diseñar un sistema de flujo de genes •Comparación de programas alternativos 19 Diseñar el sistema de apareamiento • Proporción de animales seleccionados en cada etapa de cada sexo • Estrategia en función del objetivo: + Maximizar el mérito genético esperado + Minimizar la varianza de la respuesta + Minimizar la depresión endogámica + Minimizar la reducción de la varianza genética debido a la endogamia Etapas en el diseño de un programa de mejora •Describir el sistema de producción •Formular el objetivo del sistema •Elegir el sistema de cruzamiento y las razas •Estimar los parámetros de selección y los pesos económicos •Diseñar un sistema de evaluación de los animales •Desarrollar el criterio de selección •Diseñar el sistema de apareamiento entre los animales •Diseñar un sistema de flujo de genes •Comparación de programas alternativos 20 Diseñar el sistema de difusión genética • Debemos considerar: + el número de animales mejorados + la magnitud de la mejora obtenida Utilización de reproducción asistida IA1 TE 4 - 50 < 0,2 Reino Unido < 10 20 - 50 1-8 Italia 30 - 60 <1 España 2 - 30 < 0,1 Francia Alemania 1 % hijos obtenidos mediante reproducción asistida 21 Intervalos entre generaciones en años PADRE-HIJO/ Asturiana Casina Avileña Shorthorn Hereford Padre-hijo 5,0 4,3 5,1 5,1 4,5 Padre-hija 4,8 4,1 4,9 5,0 4,6 Madre-hijo 6,0 6,4 9,9 6,1 6,0 Madre-hija 5,8 6,3 8,9 5,2 5,8 Comparación de programas alternativos Beneficios: Es el reflejo de la masa multiplicada por la magnitud de la mejora Costes: Incluye los procesos de selección, difusión, cruzamiento, producción y procesado 22 Etapas en el diseño de un programa de mejora •Describir el sistema de producción •Formular el objetivo del sistema •Elegir el sistema de cruzamiento y las razas •Estimar los parámetros de selección y los pesos económicos •Diseñar un sistema de evaluación de los animales •Desarrollar el criterio de selección •Diseñar el sistema de apareamiento entre los animales •Diseñar un sistema de flujo de genes •Comparación de programas alternativos Comparación de programas alternativos Cálculo de los ingresos por ciclo de selección t It = ∑ bj Sj j=1 Sj = superioridad genética de la via de transmisión genética j bj = factor de ponderación 23 Comparación de programas alternativos El factor de ponderación bj: Robertson y Rendel: Lindhé y Peterson: bj = 1 Lj λ jk bj = Lj r Lj = intervalo entre generaciones para la ruta j λj = Lj/(1 + r) r = tasa de interés K = nº de años Algunos problemas con una misma base • Efectos maternos • Interacción genotipo-medio • Conexión de la información • Heterogeneidad de varianzas • Evaluaciones internacionales 24 ¿Cuales son los elementos comunes? • Tamaños de rebaño relativamente reducidos • Porcentaje reducido de animales en control • Escasa utilización de reproducción asistida Utilización de nuevas herramientas de genética • Localización de genes y QTLs • Selección asistida por marcadores (MAS) • Identificación individual y sus aplicaciones trazabilidad, asignación de muestras anónimas, parentesco • Estudios de diversidad genética 25 Aplicaciones de los Mapas Genómicos Estrategia de localización de genes I Barrido genómico y Análisis de ligamiento II Saturación con marcadores dicionales y análisis del desequilibrio de ligamiento III Clonado posicional Laboratorio de Genética. Facultad de Veterinaria de Madrid. Aplicaciones de los Mapas Genómicos Métodos utilizados en vacuno de carne I Ligamiento clásico Poblaciones sintéticas F2 Retrocruzamiento Familias de medios hermanos II Análisis de asociación Terwilliger Regresión ANOVA TDT III Clonado posicional 26 Algunos Genes Mayores Localizados Mediante Mapeo Genético ∗ MSTN ∗ Sindactilia ∗ Weaver ∗ Capa Ruana ∗ MCR1 Some of the QTLs founds in dairy cattle Dairy Trait Chromosome 6 Milk Fat & fat % Protein & protein % 6 14 18 6 14 19 26 7 14 19 20 Persistency 11 SCS 15 Fertility 1 26 15 27 Proportion of variance (≥ 10) due to some QTL Chromosome Proportion % Trait 1 Fertility 15 6 6 Protein content Milking speed 18 13 7 Fertility 16 14 14 14 Milk yield Fat content Protein content 13 40 30 19 Protein 17 26 26 Fat Protein 16 10 Some of the QTLs founds in beef cattle Bovine Trait Birth weight Chromosome 1 6 12 Weaning weight 6 Yearling weight 12 Carcass weight 6 Dressing percent 5 6 L. dorsi area Ovulation rate 14 17 29 5 15 29 5 19 7 Porcine Trait Growth 4 % carcass fat Marbling score Tenderness 19 Chromosome 1 3 6 8 13 14 % Ham + loin X Intramuscular fat 7 Carcass fat thickness 4 Meat quality traits 2 4 7 12 28 Q M1 q M2 O1 QM1 ›› q M2 Desequilibrio de ligamiento: Prob (QM1) ≠ Prob (QM2) = 0 Prob (Q)* Prob(M1) Sin embargo....... Puede haber otros alelos ligados al QTL Q M3 q M4 O2 QM3 ›› q M4 O.... 29 Puede haber desequilibrio parcial Q M2 q M1 O3 QM2 ›› q M1 Líneas endogámicas o Líneas especializadas o Líneas puras...... QM q m x QM q m Tipos de gametos y frecuencias F1 Q M x Q M q m QM (1- r)/2 r/2 r/2 (1-r)/2 QM Qm qM qm QM 30 Tipo de hijos del retrocruzamiento QM QM QM qM -a Efecto del QTL QQ d 0 µ-a µMm µMM Qq qq QM QM Qm q m µ+d µ +a µ+a Posición del QTL µMM = µQQ Prob(QQ/MM) + µQq Prob(Qq/MM) µMm = µQQ Prob(QQ/Mm) + µQq Prob(Qq/Mm) µQQ = a µQq = d Prob(QQMM) Prob(QQ/MM) = Tipos de gametos y frecuencias Prob(MM) F1 Q M x Q M q m QM (1- r)/2 r/2 r/2 (1-r)/2 QM Qm qM qm Genotipos Probabilidad QQMM QQMm QqMM QqMm (1- r)/2 r/2 r/2 (1- r)/2 QM Prob(MM) = 1/2 Prob(Mm) = 1/2 31 Genotipos Probabilidad QQMM QQMm QqMM QqMm (1- r)/2 r/2 r/2 (1- r)/2 Prob(MM) = 1/2 Prob(Mm) = 1/2 Prob(QQMM) Prob(QQ/MM) = Prob(MM) Prob(QQMm) Prob(QQ/Mm) = Prob(Mm) Prob(QqMM) Prob(Qq/MM) = Prob(MM) Prob(QqMm) Prob(Qq/Mm) = QM QM QM qM µMM Prob(Mm) QM QM Qm q m µMm Efecto del QTL = (1- r)/2 = (1- r) 1/2 = r/2 1/2 = r = r/2 1/2 = r = (1- r)/2 = (1- r) 1/2 Qq qq -a µ-a 0 µ QQ d µ+d +a µ+a Posición del QTL µMM = µQQ Prob(QQ/MM) + µQq Prob(Qq/MM) = a (1- r) + d r µMm = µQQ Prob(QQ/Mm) + µQq Prob(Qq/Mm) = a r + d (1 – r) µMM - µMm = a (1- 2r) – d (1 - 2r) 32 F1 Q M x qq m qm m Tipos de gametos y frecuencias (1- r)/2 r/2 r/2 (1-r)/2 QM Qm qM qm Genotipos QqMm Qqmm qqMm qqmm QM qm qM qm µMm qm Probabilidad (1- r)/2 r/2 r/2 (1- r)/2 QM q m q m qm µmm Prob(MM) = 1/2 Prob(Mm) = 1/2 Genotipos QqMm Qqmm qqMm qqmm Probabilidad (1- r)/2 r/2 r/2 (1- r)/2 µMm = µQq Prob(Qq/Mm) + µqq Prob(qq/Mm) = d (1 – r) - a r µmm = µQq Prob(Qq/mm) + µqq Prob(qq/mm) = d r – a (1 – r) µMm - µmm = a (1- 2r) + d (1 - 2r) 33 Selección asistida por marcadores MAS Se justificaría cuando: Caracteres difíciles de medir Caracteres con bajas heredabilidades Caracteres que se expresan en un solo sexo Caracteres que se expresan tarde en la vida del animal Correlaciones genéticas negativas Existencia de varianza genética no aditiva Introgresión Selección asistida por marcadores MAS Contribución a la ganancia genética: ∆G = i • r / L • Incrementando la precisión del valor genético (r) •Información adicional al fenotipo •Si existe desequilibrio entre marcador y QTL a través de las poblaciones •Aclarando diferencias debidas a varianza de muestreo mendeliano dentro de familias • Aumentando la intensidad de selección (i) • Reduciendo el intervalo generacional (L) 34 Selección asistida por marcadores MAS Nuevos esquemas de mejora? : Esquema actual MOET cerrado MOET abierto 100 118 124 0,05 100 132 135 0,10 102 143 146 Sin MAS MAS ⎨ Selección asistida por marcadores MAS Nuevas estrategias de mejora: Velogenética: Combinación de la MAS con la velogénesis Velogénesis (manipulación de la línea germinal): Crecimiento, maduración y fertilización in vitro de ovocitos prepuberales 35 Selección asistida por marcadores MAS Selección de toros para la prueba de la descendencia Método de MAS Bottom-up Los mejores toros por I.A (toros padres de toros) Se genotipan a las hijas para los marcadores Se identifican los toros heterocigotos para el marcador Para la prueba de descendencia, se eligen a los medios hermanos de la hijas que sean portadores de los alelos favorables del marcador 36 Selección asistida por marcadores MAS Problemas: • Con el paso de las generaciones se reduce la variabilidad genética y, por lo tanto, las ventajas de MAS • La precisión de la estimación de la asociación entre los marcadores y el QTL se reduce con la reducción de las diferencias entre los alelos de los sementales Factores de los que depende el beneficio adicional de MAS • El incremento en precisión que proporciona el marcador para estimar el mérito genético • La proporción del carácter que explica el QTL • La precisión con la que estimamos el efecto de los alelos del QTL • El coste de genotipado 37 Ejemplo de Núcleo Abierto y MAS Población base Sementales del núcleo Vacas del núcleo Mejores sementales Hijos para conocer la fase de los marcadores Mejores vacas Tres embriones macho Tres embriones hembra de cada de cada vaca. Por MAS vaca . Por MAS se elige la mejor se elige el mejor de cada de cada grupo de hermanas grupo de hermanos Reposición núcleo Ejemplo de Núcleo Abierto y MAS 8000 O Población base 150O 8000 O 10 Mejores sementales Mejores vacas 5 Sementales + 125 Vacas del núcleo 38 Población base 120 O 5 Sementales + 125 Vacas del núcleo 100 Hijos para conocer la fase de los marcadores Tres embriones macho de cada vaca (~350). Por MAS se elige el mejor de cada grupo de hermanos (125 machos a probar y elegir 5) Tres embriones hembra de cada vaca (~350) . Por MAS se elige la mejor de cada grupo de hermanas (125 terneras para elegir 100) Ejemplo de Núcleo Abierto y MAS Mejores vacas 25 Mejores vacas Tres embriones macho de cada vaca (~350). Por MAS se elige el mejor de cada grupo de hermanos (125 machos a probar y elegir 5) 5O Tres embriones hembra de cada vaca (~350) . Por MAS se elige la mejor de cada grupo de hermanas (125 terneras para elegir 100) 100 O Reposición núcleo 39 Estructuras de mejora Asociaciones de ganaderos propietarias de fenotipos, incluso de bancos de ADN Estandarización de datos fenotípicos: >precisión, más caracteres Asociaciones de ganaderos obtendrán los méritos genéticos basados en la información fenotípica Empresas de biotecnología adquieren la información y buscan genes de interés y marcadores que serán utilizados para caracterizar su plantilla de reproductores Los derechos de propiedad intelectual y el problema de las patentes 40 Derechos de propiedad intelectual: patentes Para patentar un gen hay que demostrar que es útil, no obvio y novedoso Una patente de un gen puede impedir el derecho de utilización (tratamiento, diagnóstico) o venta de su invención durante 20 años Derechos de propiedad intelectual: patentes Durante 20 años se puede controlar el uso del gen: • • • • • impedir pruebas diagnósticas de una enfermedad impedir investigar para mejorar una prueba genética impedir el desarrollo de un método de terapia génica extender los derechos no sólo a mutaciones actuales, sino a las que se descubran en el futuro impedir investigar sobre la función de las proteínas que codifica el gen patentado 41 Ejemplos de alguna de las “faenas” Athena Neurosciences, Inc. No permite a ningún laboratorio buscar mutaciones en el gen APOE, asociado a la enfermedad de Alzheimer Myriad Genetics prohibe a cualquier Laboratorio, hospital, etc analizar las mutaciones del BRCA1, asociado al cancer de mama, y esto a pesar de que ellos sólo examinan entre el 10 y el 20 % de las posibles mutaciones de interés GlaxoSmithKline, Plc patenta un gen que determina la eficiencia de uno de sus productos impidiendo a continuación el desarrollo de cualquier prueba diagnóstica de dicho gen Efectos sobre la investigación Una investigación para curar el cáncer de mama tiene que negociar con cientos de tenedores de patentes de genes relacionados con ese cáncer incremento de costes Trabajos sobre la frecuencia de determinadas mutaciones o búsqueda de nuevas mutaciones no son posibles sin el permiso de la patente La patente interfiere el uso de los métodos de detección, dificultando el desarrollo de mejores métodos o de costes mas reducidos 42 Efectos sobre la investigación En definitiva: •a pesar de las dudas sobre la “patentabilidad” de los genes, la discusión y la batalla legal se establecen sobre quien puede utilizarlos •para un laboratorio será siempre más rentable pagar por el uso de la patente y repercutir el coste que entablar un conflicto Sería de gran interés que organizaciones de potenciales beneficiarios empezaran a cuestionar los sistemas actuales y estuvieran atentos a los efectos que se empiezan a producir Selección asistida por marcadores MAS Optimización de las colecciones de ADN: Mayor número de fenotipos registrados Mayor número de animales con fenotipos registrados Mayor calidad, precisión, de los fenotipos registrados 43 Utilización de información molecular Dificultades y problemas : Genes mayores Aditivos, dominantes y epistáticos Interacción con el sistema de manejo Marcadores Diferente efecto en diferentes familias Necesidad de caracterizar los alelos en las razas Aplicaciones de los Marcadores Moleculares Identificación individual 44 Identificación Genética Individual Laboratorio de Genética. Facultad de Veterinaria de Madrid. Aplicaciones de los Marcadores Moleculares TRAZABILIDAD Laboratorio de Genética. Facultad de Veterinaria de Madrid. 45 Aplicaciones de los Marcadores Moleculares Laboratorio de Genética. Facultad de Veterinaria de Madrid. Aplicaciones de los Marcadores Moleculares Control de filiación Laboratorio de Genética. Facultad de Veterinaria de Madrid. 46 Control de filiación Impacto sobre los programas de mejora % de errores Ganancia Genética h2 = 0,20 h2 = 0,50 0 100 100 5 95 98 10 89 95 20 77 87 Control de filiación Impacto sobre los programas de mejora % de errores Incremento nº hijos necesarios 0 0 5 10 10 20 20 37 47 Aplicaciones de los Marcadores Moleculares Asignación de muestras anónimas Laboratorio de Genética. Facultad de Veterinaria de Madrid. Mirandesa 0.5 0.2 0.2 0.1 0.05 99.4 0.04 0.00 0.02 0.00 0.00 0.2 0.02 97.6 0.06 0.3 0.1 0.00 0.04 96.8 0.2 0.6 0.02 0.3 0.7 0.2 0.02 0.1 0.3 0.08 0.00 0.04 0.8 0.06 0.00 0.00 0.1 0.04 0.01 0.08 0.1 0.07 0.02 0.01 0.01 0.05 0.1 0.01 0.08 0.01 0.1 0.1 0.2 0.01 0.01 0.1 0.02 0.07 0.7 0.2 0.06 0.06 0.01 1.1 0.8 0.2 0.02 0.2 0.00 1.7 95.6 0.4 0.1 0.03 0.1 0.07 0.6 0.3 96.4 0.2 0.2 0.08 0.04 0.1 0.04 0.3 98.9 0.03 0.01 0.00 0.06 0.01 0.2 0.03 95.1 0.7 2.1 0.1 93.9 0.2 Salers Mertolenga 0.5 0.05 0.04 Gasconne Maronesa 0.3 0.2 Aubrac Barrosã 0.1 Alentejana 94.5 Tudanca Sayaguesa AsturVall Sayaguesa Tudanca Alentejana Barrosã Maronesa Mertolenga Mirandesa Aubrac Gasconne Salers AsturVall Asignación de Individuos a Poblaciones 0.09 0.03 0.00 0.9 95.2 0.8 0.02 0.01 0.03 0.02 0.2 1.8 0.5 96.4 Laboratorio de Genética. Facultad de Veterinaria de Madrid. 48 Aplicaciones de los Marcadores Moleculares Estudios de diversidad y estructura de población Laboratorio de Genética. Facultad de Veterinaria de Madrid. Alistana 31/50 Tudanca 42/50 Asturiana de Montaña Asturiana de Valles Asturiana de Montaña Asturiana de Montaña Sayaguesa 42/50 49 Genómica funcional Marcadores de secuencias expresadas Expresión génica Caracterización de proteínas Chips de ADN Sondas de ADNc Laboratorio de Genética. Facultad de Veterinaria de Madrid. 50 Nº de secuencias ESTs (Expressed Sequence Tags) disponibles en especies de mamíferos Homo sapiens ≈ 4.000.000 Mus musculus ≈ 2.000.000 Bos taurus ≈ 200.000 Sus scrofa ≈ 65.000 Canis familiaris Equus caballus ≈ 1.200 ≈ 400 Laboratorio de Genética. Facultad de Veterinaria de Madrid. Ratón normal Ratón knock-out para el gen GDF-8 51 Péptido señal Péptido bioactivo Péptido latente nt821(del 11) nt414(C-T) nt374-50(G-A) nt267(A-G) nt324(C-T) nt747+7 (G-A) nt374-16(del 1) nt374-51(T-C) nt387(G-A) nt747+11(A-G) nt748-78(del1) 1-1 1 S105C 2 F94L 1-2 4 Q204X 2-1 5 D182N 2-2 2-3 2-4 6 nt419 (del7-ins10) 3-1 7 E226X 8 C313Y 3-2 3 nt821 (del 11) 9 E291X Ilustración del gen de la miostatina y sus mutaciones. Las flechas rojas indican la posición de las mutaciones inactivantes, las verdes las mutaciones silenciosas o intrónicas, la flecha azul indica la mutación no sinónimas que no altera gravemente la secuencia aminoacídica 52 Efecto del gen MSTN mh/+ vs +/+ σresidual Superficie del L. dorsi Piezas nobles Peso al nacimiento 1,35 1,6 0,41 Grado de veteado -1,01 Espesor de la grasa subcutánea -0,86 53