استراتژی های انتخاب برای افزایش نرخ رشد در بلدرچین های ژاپنی
سال انتشار: 1394
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 281
فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_RAP-6-12_020
تاریخ نمایه سازی: 17 مهر 1400
چکیده مقاله:
در این تحقیق، به منظور بررسی برنامه اصلاح نژادی مناسب برای بلدرچینهای ژاپنی، برنامههای مختلف شبیهسازی شد. تابع هدف اصلاح نژدای شامل صفات وزن بدن و وزن تخم بود. جهت بررسی استفاده از نشانگرهای ژنتیکی مرتبط صفت وزن لاشه از پنج برنامه اصلاح نژادی مختلف استفاده شد. پیشبینی میزان پیشرفت ژنتیکی و نرخ همخونی به وسیله شبیهسازی قطعی برنامه انتخاب تک مرحلهای با نسلهای مجزا انجام شد. در برنامه اول تنها از فنوتیپ صفات وزن بدن و وزن تخم استفاده شد. در برنامه دوم، صفت وزن لاشه و در برنامه سوم نیز صفات غیرمستقیم لاشه از جمله وزن سینه و وزن پشت در شاخص انتخاب گنجانده شد. پاسخ ژنتیکی در هر دو حالت برای وزن بدن کاهش یافت. در برنامههای انتخاب به کمک نشانگر، اطلاعات QTL که ۵، ۱۰، ۲۰ و ۵۰ درصد از واریانس ژنتیکی صفت وزن لاشه را توصیف میکنند در تابع شاخص انتخاب در نظر گرفته شدند. در برنامه اول سهم QTL فرضی، در واریانس ژنتیکی وزن لاشه پنج درصد بود، پیشرفت ژنتیکی برای صفت وزن لاشه به میزان ۱/۳ درصد نسبت به حالت پایه افزایش نشان داد که این روند افزایشی برای حالات دیگر سهم واریانس QTL فرضی نیز مشهود بود، به گونهای که در حالت چهارم که ۵۰ درصد از واریانس ژنتیکی صفت وزن لاشه به وسیله QTL فرضی بیان شده بود این افزایش به ۴۲ درصد رسید. پاسخ ژنتیکی برای صفت وزن لاشه به مقدار قابل قبولی با توجه به مقادیر متفاوت واریانس ناشی از QTL افزایش یافت. بنابراین، استفاده از اطلاعات QTL منجر به افزایش دقت برآورد ارزشهای اصلاحی شده و میتوان کاندیداهای برتر از نظر ژنتیکی را با درجه اعتماد بالاتری گزینش نمود.
کلیدواژه ها:
Simulation ، Selection ، Genetic Gain ، Selection Strategies ، Japanese Quail ، شبیه سازی ، انتخاب ، رشد ژنتیکی ، برنامه های اصلاح نژادی ، بلدرچین ژاپنی
نویسندگان
جواد احمدپناه
University of Guilan
نوید قوی حسین زاده
University of Guilan
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :