Genetic parameters of litter size in meat rabbits estimated using the Bayesian approach and REML

Abstract

Nuestro objetivo en esta investigación fue estimar componentes de varianza y parámetros genéticos para características de tamaño de camada en conejos para carne, mediante enfoques frecuentista y bayesiano.  Analizamos 957 registros de parto, provenientes de 354 hembras de cuatro grupos genéticos, recolectados entre noviembre de 2023 y febrero de 2025 en la Unidad de Investigación Aplicada en Producción Cunícola de la Universidad Autónoma Chapingo. Las características analizadas fueron los números de gazapos nacidos vivos, muertos y totales, así como tamaño de camada a los 7, 35 y 70 días. Los componentes de varianza se estimaron mediante máxima verosimilitud restringida con el algoritmo de información promedio (AI-REML) y muestreo de Gibbs (MCMC-GS), ambos implementados con BLUPF90. Utilizamos un modelo animal univariado o bivariado, que incluyó como efectos fijos raza, grupo contemporáneo, tipo de servicio y estado fisiológico de la hembra; y los efectos genético aditivo del animal y ambiente permanente de la hembra como aleatorios. Las heredabilidades (h²) fueron bajas con AI-REML (0.00 a 0.09) y MCMC-GS (0.02 a 0.10), aunque ligeramente superiores para el enfoque Bayesiano. Las repetibilidades oscilaron entre 0.00 y 0.17 con AI-REML, y entre 0.05 a 0.17 con MCMC-GS, siendo ligeramente mayores con el enfoque bayesiano. La precisión de las estimaciones fue superior con MCMC-GS, especialmente para h². Las correlaciones genéticas (r_g) fueron inconsistentes entre metodologías: AI-REML en algunos casos no convergió, generando valores extremos con errores estándar nulos, mientras que MCMC-GS produjo estimaciones plausibles (por ejemplo, r_g(NV,NT): 0.85 ± 0.23 con MCMC-GS vs -1.00 ± 0.00 con AI-REML). Concluimos que el enfoque bayesiano ofrece estimaciones más estables y confiables en poblaciones pequeñas, aunque la alta incertidumbre en algunas estimaciones indica la necesidad de incrementar la cantidad de datos.