ГОЛОВНА
ГОЛОВНА Поиск
 

страницы | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 | 21 | 22 | 23 | 24 | 25 | 26 | 27 | 28 | 29 | 30 | 31 | 32 | 33 | 34 | 35 | 36 | 37 | 38 | 39 | 40 | 41 | 42 | 43 | 44 | 45 | 46 | 47 | 48 | 49 | 50 | 51 | 52 | 53 | 54 | 55 | 56 | 57 | 58 | 59 | 60 | 61 | 62 | 63 | 64 |

Селекция собак. Графическое отображение изменчивости признака.

«ZOO-БИЗНЕС» № 3 `2005 Сегодня я остановлюсь на том, как, не проводя сложных вычислений, можно оценить в общих чертах развитие того или иного признака в популяции собак определенной породы. Вызвано это необходимостью максимального упрощения понимания наследования признаков (особенно количественных) большим количеством разведенцев породистых собак. Многие из заводчиков, если и могут произвести расчеты, то не могут объяснить биологическое значение полученных результатов и, соответственно, сделать для себя выводы и подкорректировать свою работу с породистыми собаками. Цифры при биометрических расчетах для многих непонятны и трудны для восприятия. Многими людьми значительно легче воспринимаются графические изображения. О том, как их создать на основе имеющейся статистики и как использовать их в своей работе, и будет рассказано в этой статье. Подчеркну, основа всего — достоверные статистические данные. Если имеется многочисленная группа особей, изучаемых по какому-либо признаку, то различные значения этого признака встречаются неодинаковое количество раз: одни чаще, другие — реже. Это явление называется распределением признака. Обычно на протяжении всего распределения признака — от минимума до максимума — бывает одна группа близких значений, которая появляется заметно чаще других. Иногда наблюдается две или даже три таких группы. В процессе изучения распределения по различным признакам, выявили несколько их типов, получивших математическое оформление. В большинстве распределений, с которыми приходится сталкиваться разведенцу, проявляется определенная закономерность: крайние значения (наименьшее и наибольшее) встречаются редко; чем ближе значение признака к среднему арифметическому, тем оно чаще встречается; в центре распределения имеются такие значения, которые встречаются наиболее часто и образуют модальный класс (Mo — мода). Подобное распределение значений признака встречается настолько часто, что получило название — нормальное распределение. Рис. 1. Нормальное распределение признака


При таком распределении в промежуток ± 2б попадает 95,45 %, а ± 3б — 99,73 % всех значений признака. Это закон нормального распределения признака. Графически распределение признака изображают в виде вариационной кривой. Это очень удобный и наглядный способ иллюстрации, так как на одном графике можно изобразить несколько распределений для сравнения. Перед построением вариационной кривой, необходимо из уже имеющихся статистических данных составить вариационный ряд. Он представляет собой двойной ряд чисел, показывающий, каким образом числовые значения признака связаны с их повторяемостью в данной популяции животных. Пример 1: Статистические данные по весу щенков в помете:


Числа, показывающие, сколько раз данный вариант встречается в популяции, называются частотами (fi) или весами (pi). Вариационные ряды бывают интервальные или безинтервальные (приведенный пример). В интервальных рядах вариация признака разбивается на классы и показывает, сколько раз встречается в данной совокупности значение каждого класса. Интервальные ряды строятся для признаков, характеризующихся непрерывной изменчивостью, то есть выраженных не целыми числами. Например, такой вариационный ряд. Пример 2:

Классовый интервал в данном случае у всех классов должен быть одинаковым. В нашем случае это 0,5 см. Рассчитывается он так:


Количество классов берется произвольно. Желательно, чтобы при делении получилось число с минимальным числом цифр после запятой. По приведенным вариационным рядам можно сказать следующее:


Поскольку оба вариационных ряда соответствуют закону нормального распределения, то 99,73 % всех значений укладывается в пределы ± 3 б (то есть всего 6 б). Поэтому, чтобы найти, мы и делим lim на 6. Этих данных достаточно для выявления общей картины распределения признака. Вариационная кривая — это изображение вариационного ряда в виде кривой, ординаты которой пропорциональны частотам вариационного ряда. Для интервальных рядов при построении вариационной кривой берут середину класса. Рис. 2. Вариационная кривая для примера 1.


Рис. 3. Вариационная кривая для примера 2.


Всех заводчиков собак интересует, сколько же генов отвечает за развитие конкретного количественного признака, и как определить роль каждого из них в его формировании. Думаю, что мы не скоро сможем получить ответ на этот вопрос. Однако, анализируя кривые распределения фенотипов по интересующим признакам, селекционеры могут судить о наследуемости признака в популяции, эффективности отбора, корреляциях и других генетических параметрах. Графические изображения распределения значений признака повсеместно используют при племенном подборе и отборе сельскохозяйственных животных. Однако, иногда построенные кривые не совпадают с кривой нормального распределения. Отклонения от нормы выявляются в виде эксцессов (плоско, остро-, двухвершинные) и асимметрии. Островершинный график часто свидетельствует об очень слабой изменчивости признака. Рис. 4. Островершинная кривая.


Рис. 5. Плосковершинная кривая.


Рис. 6. Двухвершинная кривая.


Плосковершинная или двухвершинная кривые могут быть при одновременном использовании в разведении сильно отличающихся по изучаемому признаку или узкоспециализированных линий. При асимметрии вершина уклоняется вправо или влево, поэтому выделяют позитивную и негативную асимметрию. Рис. 7. Негативная асимметрия.


Рис. 8. Позитивная асимметрия.


В зависимости от того, желательно увеличение или уменьшение значения признака, такой тип графика может свидетельствовать о том, что из разведения не исключают бракованных по данному признаку животных или об отсутствии племенной работы с данным признаком. Однако, прежде чем делать выводы, если получился эксцессивный или асимметричный график, необходимо удостовериться в точности их построения. Такие графики могут получаться при очень маленьком количестве исходных статистических данных. Необходимо также помнить очень важное правило: Правильность выводов по показателям биометрической обработки, основывается на закономерностях нормального распределения. Для заводчиков построение графиков может оказаться полезным, так как: 1. на одном графике можно изобразить несколько кривых, отображающих развитие конкретного признака в разных породных популяциях (линиях). Наглядно будет видно, в какой популяции признак имеет более желательное для породы развитие; 2. можно сделать выводы, соответствует ли среднее значение признака требованиям стандарта или запросам селекционера. Если нет, можно определить, куда необходимо сместить среднее значение признака и соответственно решить — животные с какими значениями по данному признаку должны быть исключены из разведения. 3. благодаря графику можно выдвигать конкретные требования к кобелям-производителям. Они должны по интересующему признаку превосходить среднее значение в популяции в лучшую сторону. Мария Газнюк, зооинженер-селекционер, ассистент кафедры генетики животных и биотехнологии НАУ, г. Киев Отзывы и комментарии по данной статье ждем на форуме http://www.zoobusiness.kiev.ua


Рекламные ссылки на другие сайты