Analysis of feed efficiency in Holstein calves and adult cows using predictive models

Abstract

[ES] La demanda creciente de alimento debido al aumento de la población requiere de una ganadería más eficiente y sostenible. En la ganadería lechera el 50-70% de los costos de producción se deben a la alimentación, por lo que es necesario optimizar los procesos y seleccionar animales con alto nivel productivo y bajo consumo, es decir, con alta eficiencia alimentaria (EA). No todas las granjas pueden estimar EA en su rebaño porque su medición es costosa; por ello, la genética juega un papel importante en la selección y predicción de este caracter. Este estudio intenta predecir la EA en vacas lactantes usando proxis de vacas adultas y terneras en edades tempranas, además se realiza un análisis genético de la EA en ambos grupos, vacas y terneras. Se estimaron y analizaron cuatro rasgos relacionados con la EA. En vacas: ingesta de materia seca (IMS), eficiencia de conversión de alimento (ECA), consumo residual (CR) y beneficio económico bruto (BB). En terneras: IMS, ECA, CR y ganancia de peso diario (GPD). Para los análisis se utilizaron dos grupos, 1558 registros correspondientes a 104 vacas en producción, y 1141 registros correspondientes a 63 terneras de edades tempranas. Se realizó un análisis de predicción de los fenotipos de los caracteres relacionados con EA usando regresión lineal (LM) y tres algoritmos de aprendizaje automático: K-vecinos más cercanos (K-NN), redes neuronales (NNET), y árboles predictores (Bagging). La predicción se evaluó usando validación cruzada. Se estimaron los parámetros genéticos de cada uno de los caracteres usando inferencia bayesiana (heredabilidad y correlación genética). Se realizó un estudio de asociación del genoma completo a través de una regresión lineal frecuentista (GWAS), LASSO bayesiano, y bosques aleatorios. Finalmente se realizó una predicción genómica usando edades tempranas como proxis y GBLUP como modelo predictor, la precisión se evaluó con correlación genética y error cuadrático medio entre el valor de cría genómico estimado (GEBV) y el fenotipo corregido. Se obtuvieron correlaciones fenotípicas altas entre IMS y CR tanto en vacas como en terneras, mientras ECA y BB mostraron correlaciones altas entre sí. En la predicción fenotípica, el método estadístico con mayor precisión para IMS fue Bagging, para ECA fue LM y para BB fue NNET, mientras que para CR las precisiones fueron muy bajas con todos los modelos. Las estimas de heredabilidad fueron altas para todos los caracteres, sin embargo, las correlaciones genéticas entre los caracteres de vacas y terneras fueron bajas. En los análisis de asociación se detectaron algunas regiones genómicas asociadas simultáneamente a varios caracteres de EA, sobre todo entre IMS y CR, y entre ECA y BB (GDP en terneras). En vacas se observó una mayor coincidencia de regiones comunes entre ambos métodos paramétricos (GWAS y LASSO). Finalmente, las predicciones genéticas tuvieron precisiones muy bajas. Estos resultados sugieren que la EA a edades tempranas está controlada por diferentes genes que en la EA en vacas en lactación. Debido a que el poder estadístico del tamaño de la muestra es muy bajo (<10%), no se pueden asumir conclusiones claras en los análisis genómicos.

[EN] The growing demand for food due to the increase in population requires a more efficient and sustainable cattle industry. In dairy cattle, 50-70% of production costs are due to feeding, so it is necessary to optimize processes and select animals with high production and low intake, that is, high feed efficiency (FE). FE is an expensive and difficult trait to measure; therefore, genetics plays an important role in the selection and prediction of this trait. This study tries to predict FE in lactating cows using proxies from adult cows and calves at early ages. Besides, genetic analysis of FE was performed in both calves and cows. Four traits associated with FE were estimated and analysed. In cows: dry matter intake (DMI), feed conversion efficiency (FCE), residual feed intake (RFI) and return over feed cost (ROFC). In calves: DMI, FCE, RFI and average daily gain (ADG). Two groups were used for the analyses, 1558 records from 104 Holstein cows in production, and 1141 records from 63 Holstein calves of early ages. Prediction analysis of FE-phenotypes was performed using the statistical linear regression model (LM) and three machine learning algorithms: k-nearest neighbours (K-NN), neural networks (NNET), and predictive trees (Bagging). The prediction was evaluated using cross-validation. The genetic parameters of FE traits were estimated using Bayesian inference (heritability and genetic correlation). Genome-wide association studies were performed using a frequentist linear regression (GWAS), Bayesian LASSO, and random forest. Finally, genomic predictions in cows were development using early ages as proxies and GBLUP as predictor model, the accuracies were evaluated with genetic correlation and mean square error between the estimated genomic breeding value (GEBV) and the corrected phenotype. High phenotypic correlations were obtained between DMI and RFI in both cows and calves, whereas FCE and ROFC showed to be highly correlated. In phenotypic prediction, the statistical method with the highest accuracy for DMI was the Bagging method, for FCE the LM method and for ROFC the NNET method, while RFI presented very low precision with all models. Heritability estimates were high for all traits, however, genetic correlations of FE traits between cows and calves were low. Some genomic regions associated simultaneously with many FE traits were detected, especially between DMI and RFI and between FCE and ROFC (ADG in calves). A greater coincidence of common regions detected between both parametric methods was observed. Finally, the genetic predictions had very low accuracy. These results suggest that FE at earlies ages is controlled by different genes than FE in lactating cows. The statistical power of the sample size is very low (<10%), then, clear conclusions cannot be assumed in genomic analyses.