Resumen de Predicción genómica de peso vivo con dos métodos de validación cruzada en ganado bovino

Francisco Joel Jahuey Martínez, Juan Gabriel Magaña Monforte, José Candelario Segura Correa, Juan Carlos Martínez González, Raciel Javier Estrada León, Gaspar Manuel Parra Bracamonte

• español

  Se estimó la exactitud de la predicción (EP) de valores genómicos estimados (GEBV) para variables de peso vivo de ganado Charolais utilizando dos métodos de validación cruzada. Se ajustó un modelo BLUP y diferentes métodos de predicción genómica (PG) Genomic-based best linear unbiased prediction (GBLUP), Bayes C (BC) y Single-step Bayesian regression (SSBR). La EP fue comparada mediante grupos de validación (GV) formados aleatoriamente y mediante GC. Los resultados mostraron que los tres métodos de PG proporcionaron exactitudes de predicción similares entre los GV pero no exactitudes de predicción superiores a BLUP. La exactitud de predicción de GBLUP y BLUP fue 0.35 y 0.37 para PN, y de 0.30 y 0.41 para PD, respectivamente. Los resultados muestran bajas exactitudes de PG bajo los escenarios evaluados; por lo que para su correcta implementación es necesario incrementar el número de animales y usar valorees genéticos desregresados como variables de respuesta.

• English

  The accuracy of the estimation (AE) of the genomic breeding values (GEBV) of live weight traits of registered Charolais cattle using two cross validation methods was assessed. A BLUP model and different genomic prediction (PG) methods were fitted: Genomic-based best linear unbiased prediction (GBLUP), Bayes C (BC) and Single-step Bayesian regression (SSBR). AE was compared using randomly formed validation groups (VGs) and CGs. The results showed that all three PG methods provided similar prediction accuracies among GVs but not higher prediction accuracies than BLUP. The prediction accuracy of GBLUP and BLUP was 0.35 and 0.37 for PN, and 0.30 and 0.41 for PD, respectively. The results show that the PG accuracies under the evaluated scenarios are low; Therefore, for its correct implementation, it is necessary to increase the number of animals and use de-returned genetic values as response variables.