RESUMO: A principal contribuição da seleção genômica (SG) é a identificação de animais geneticamente superiores para características de difícil mensuração e/ou avaliadas tardiamente nos animais, tal como o pH da carne suína. Na SG, uma vez que o número de marcadores é geralmente maior que o número de animais genotipados, e tais marcadores são altamente correlacionados (devido ao desequilíbrio de ligação), métodos estatísticos baseados na redução de dimensionalidade têm sido propostos. Dentre estes, destaca-se o Quadrados Mínimos Parciais (PLS) pela simplicidade e alta acurácia de predição. Porém, a determinação do número ótimo de componentes a ser utilizado no PLS ainda se caracteriza como um desafio para a aplicação do método. Assim, objetivou-se aplicar o PLS (e também regressões em componentes principais e a múltipla tradicional) na SG para pH da carne suína (medido aos 45min e às 24 horas após o abate), bem como identificar o número ótimo de componentes por meio dos métodos do grau de liberdade (GL) e validação cruzada (VC). O primeiro é baseado na Teoria de Informação Estatística e VC é empírica e fundamentada em amostras independentes do arquivo original. O PLS superou os demais métodos de regressão, fornecendo predições satisfatórias quando utilizadas apenas informações genotípicas (painel de SNP de baixa densidade). Além disso, os efeitos dos SNPs estimados via PLS possibilitaram identificar uma região relevante no cromossomo 4 que pode influenciar as características estudadas. Os métodos GL e VC foram similares quanto à determinação do número ótimo de componentes na análise PLS, porém o método GL pode ser recomendado devido a sua maior fundamentação estatística.

ABSTRACT: The main application of genomic selection (GS) is the early identification of genetically superior animals for traits difficult-to-measure or lately evaluated, such as meat pH (measured after slaughter). Because the number of markers in GS is generally larger than the number of genotyped animals and these markers are highly correlated owing to linkage disequilibrium, statistical methods based on dimensionality reduction have been proposed. Among them, the partial least squares (PLS) technique stands out, because of its simplicity and high predictive accuracy. However, choosing the optimal number of components remains a relevant issue for PLS applications. Thus, we applied PLS (and principal component and traditional multiple regression) techniques to GS for pork pH traits (with pH measured at 45min and 24h after slaughter) and also identified the optimal number of PLS components based on the degree-of-freedom (DoF) and cross-validation (CV) methods. The PLS method out performs the principal component and traditional multiple regression techniques, enabling satisfactory predictions for pork pH traits using only genotypic data (low-density SNP panel). Furthermore, the SNP marker estimates from PLS revealed a relevant region on chromosome 4, which may affect these traits. The DoF and CV methods showed similar results for determining the optimal number of components in PLS analysis; thus, from the statistical viewpoint, the DoF method should be preferred because of its theoretical background (based on the "statistical information theory"), whereas CV is an empirical method based on computational effort.

In the present study, alternative and traditional nonlinear models to describe growth curves of Morada Nova sheep reared in the state of Bahia, Brazil, were applied. The nonlinear models were: Schnute, Mitscherlich, Gompertz, Logistic, Meloun I Meloun II, III Meloun, Gamito and Meloun IV. The model adjustment was evaluated by using: Adjusted Coefficient of Determination (R²aj), Akaike Information Criterion (AIC), Bayesian Information Criterion (BIC), Mean Squared Error of Prediction (MEP) and Coefficient of Determination of Prediction (R²p). The selection of the best model was based on cluster analysis, using the evaluators as variables. Six out of the nine tested models converged, while Meloun I and Meloun IV were equally effective in explaining animal growth, without significant influence of sex or type of parturition over the curve parameters. The models Meloun I and IV have the best adjustment and reveal a remarkable reduction of weight gain after 150 days of age, which indicates special attention should be given to feeding at this stage.

Objetivou-se com a realização deste trabalho, principalmente, utilizar a análise de agrupamento para classificar modelos de crescimento não-lineares tendo em vista os resultados de diferentes avaliadores de qualidade de ajuste ao considerar dados dos seguintes grupos genéticos de ovinos de corte: Dorper x Morada Nova, Dorper x Rabo Largo e Dorper x Santa Inês. Após a indicação do modelo comum adequado aos três grupos, objetivouse aplicar o teste de identidade de modelos para identificar o grupo genético com maior eficiência de crescimento. Foram realizados ajustes individuais para cada animal, consideraramse 12 modelos não-lineares, cuja qualidade de ajuste foi medida pelo coeficiente de determinação ajustado, critério de informação de Akaike, critério de informação Bayesiano, erro quadrático médio de predição, coeficiente de determinação de predição e percentual de convergência. A análise de agrupamento permitiu indicar o modelo von Bertalanffy como o mais adequado para descrever as curvas de crescimento dos três grupos genéticos considerados. De acordo com testes de identidade de modelos, o grupo genético Dorper x Santa Inês foi o que apresentou maior peso adulto, portanto, este, o mais recomendado para exploração de carne.

The main objective of this work was to use the cluster analysis in order to classify nonlinear growth models in relation to different quality fit evaluators when data from the following lambs genetic groups were utilized: Dorper x Morada Nova, Dorper x Rabo Largo e Dorper x Santa Inês. After the choice of the best model, it was also aimed to apply the identity model test in order to identify the most efficient genetic group. The proposed methodology was applied to data of all animals from each group regarding twelve nonlinear models, whose fit quality was measured by determination coefficient, Akaike information criterion, Bayesian information criterion, mean quadratic error of prediction, predicted determination coefficient and convergence percentual. The cluster analysis indicated the von Bertalanffy as the best model for the three data sets. The model identity tests revealed that the Dorper x Santa Inês group presented higher adult weight, therefore this group is recommend for meat production.

Este estudo teve como objetivo utilizar a análise de agrupamento para classificar modelos de regressão não-lineares usados para descrever a curva de crescimento de ovinos cruzados, tendo em vista os resultados de diferentes avaliadores de qualidade de ajuste. Para tanto, utilizaram-se dados de peso-idade dos seguintes cruzamentos entre raças de ovinos de corte: Dorper x Morada Nova, Dorper x Rabo Largo e Dorper x Santa Inês. Após a indicação do melhor modelo, objetivou-se ainda aplicar a técnica de identidade de modelos a fim de identificar o cruzamento mais produtivo. Foram ajustados doze modelos não-lineares, cuja qualidade de ajuste foi medida pelo coeficiente de determinação ajustado, critérios de informação de Akaike e Bayesiano, erro quadrático médio de predição e coeficiente de determinação de predição. A análise de agrupamento indicou o modelo Richards como o mais adequado para descrever as curvas de crescimento dos três grupos genéticos considerados, e os testes de identidade de modelos indicaram o cruzamento Dorper x Santa Inês como sendo o mais indicado para a pecuária local.

This study had the objectives to use the cluster analysis in order to classify nonlinear regression models used to describe the growth curve in relation to different quality fit evaluators. Were utilized weight-age data from the following crossbred beef lambs Dorper x Morada Nova, Dorper x Rabo Largo e Dorper x Santa Inês. After the choice of the best model, we aimed also to apply the model identity in order to identify the most efficient crossbred group. Eleven nonlinear models were used, whose fit quality was measured by determination coefficient, Akaike information criterion, Bayesian information criterion, mean quadratic error of prediction and predicted determination coefficient. The cluster analysis indicated the Richards as the best model for the three data sets, and the model identity tests revealed that the Dorper x Santa Inês crossbred group was recommend for meat production.