Fundamentos y Aplicaciones de la Selección Genómica en la Mejora Animal

Requisitos para la Aplicación Práctica del BLUP

Para la aplicación práctica del BLUP (Best Linear Unbiased Prediction) es preciso cumplir con los siguientes requisitos:

• a) Genealogías precisas: Disponer de los registros genealógicos de los animales, garantizando la ausencia de errores de parentesco.
• b) Parámetros genéticos: Conocer los parámetros genéticos (heredabilidades, repetibilidades, correlaciones) de los caracteres objeto de mejora.
• c) Base de datos robusta: Contar con una base de datos de testajes, datos reproductivos y de calidad de la canal que sean representativos y carezcan de errores.
• d) Modelos predictores: Diseñar modelos adecuados y definir correctamente la estructura de la información a procesar.
• e) Software especializado: Utilizar el programa informático adecuado para el procesamiento de datos.

Metodología de los Estudios de Asociación del Genoma Completo (GWAS)

Los estudios de asociación del genoma completo se llevan a cabo mediante el siguiente procedimiento:

• Se analizan los genomas de miles de individuos no relacionados.
• Se realiza el análisis con chips de ADN, comparando los resultados con los genomas para identificar variaciones genéticas en caracteres productivos.
• Se emplean chips de SNP (polimorfismos de nucleótido único) que permiten sondear aproximadamente 500.000 polimorfismos.
• Para cada SNP, se analiza si su frecuencia alélica varía significativamente entre grupos; si es así, se determina que el SNP está probablemente asociado con el carácter.

Ventajas de la Selección Genómica en Caracteres de Baja Heredabilidad

La selección genómica es altamente efectiva en caracteres con baja heredabilidad, donde el fenotipo observado está fuertemente influenciado por el ambiente, ocultando el valor genético real del animal. Mientras que el rendimiento puede verse alterado por el manejo o la alimentación, la selección genómica se basa en el análisis del ADN, el cual es independiente de las condiciones ambientales. Esto permite una estimación más precisa y fiable del mérito genético del individuo.

Actualización de las Ecuaciones de Predicción

Las ecuaciones de predicción genómica dependen del desequilibrio de ligamiento entre los marcadores (SNPs) y los genes de interés. Dado que los fenómenos de recombinación durante la meiosis pueden romper estas asociaciones a lo largo de las generaciones, la capacidad predictiva disminuye con el tiempo. Por ello, es necesario reestimar las ecuaciones aproximadamente cada tres generaciones, actualizando la población de referencia para mantener la precisión.

Impacto de la Genómica en el Progreso Genético del Bovino Lechero

La respuesta genética se define por la intensidad de selección (i), la desviación genética aditiva (σA), la fiabilidad de la evaluación (ρAP) y el intervalo generacional (t). La selección genómica optimiza este progreso mediante tres vías:

1. Mayor intensidad de selección (i): Evaluación temprana de un gran número de animales.
2. Mayor fiabilidad (ρAP): Estimación precisa del valor genético mediante marcadores moleculares.
3. Reducción del intervalo generacional (t): Selección a edades tempranas sin esperar registros productivos de la descendencia.

En conclusión, la genómica incrementa el progreso genético al permitir selecciones más tempranas, precisas e intensas.

Diferencias entre Bovino Lechero y Porcino

El éxito de la selección genómica en el bovino lechero se debe a la existencia de una gran población de referencia internacional y a la homogeneidad genética de razas como la Frisona. En contraste, el sector porcino presenta poblaciones más fragmentadas, lo que obliga a desarrollar poblaciones de referencia específicas, aumentando los costes y dificultando la aplicabilidad global.

Técnicas de Imputación Genética

La imputación genética es una técnica que permite predecir SNPs no genotipados directamente, utilizando chips de baja densidad para reducir costes. Mediante métodos estadísticos que aprovechan el desequilibrio de ligamiento y la información de una población de referencia de alta densidad, es posible inferir los genotipos faltantes con alta probabilidad, manteniendo una fiabilidad elevada de forma económicamente viable.