Genetisk variasjon og clusteranalyse på bakgrunn av slektskapsdata hjå dølahest

Abstract

Formålet med denne oppgåva var å analysere genetisk variasjon hjå dølahesten, å sjå på slektskapsstruktur i rasen ved hjelp av clusteranalyse, samt å sjå på moglegheiter for gode strategiar for berekraftig avl i framtida. Datasettet som er bakgrunn for oppgåva vart motteke av Norsk Hestesenter/Norsk Rikstoto i 2016 og omfattar alle registrerte dølahestar i perioden 1847-2016 (N=32997). Effektiv populasjonsstorleik (Ne) vart rekna ut ved hjelp av to metodar. Metode 1 er basert på slektskapsinformasjon i ein referansepopulasjon med hestar fødd 2010-2015 (N=948), og gir eit bilete av genetisk variasjon i populasjonen basert på informasjon om seleksjonsavgjersler dei siste åra. Metode 2 estimerer Ne basert på log-regresjon av fødselsår av referansepopulasjonen inkludert aner (N=3932), og gir ei oversikt over populasjonen over lengre tid. Ne estimert med Metode 1 gav eit resultat på 151,66 dyr, medan Metode 2 gav eit resultat på 51 dyr. Clusteranalysen syner at det gjennomsnittlege slektskapet i referansepopulasjonen er svært høgt (nærmare 30%). Resultatet syner også at den genetiske diversiteten i rasen er representert i veldig små cluster, der mykje av variasjonen er å finne i importerte linjer. For å sikre ein langsiktig og berekraftig forvaltning av rasen, er det naudsynt å ta grep for å auke genetisk mangfald og avgrense innavlsnivået. Fokuset må ligge på å auke populasjonsstorleiken (fleire registrerte føl), auke tal hingstar i avl, halde oversikt over slektskapet mellom avlshingstar og sørge for mest moglege homogene avkomsgrupper. Å køyre clusteranalyse på heile populasjonen kan vere eit effektivt tiltak for å sikre at den genetiske variasjonen i rasen vert ivaretatt. Clusteranalyse kan også vere eit visuelt og nyttig verktøy for den enkelte hesteeigar når paringsavgjersler skal takast. I tillegg vil det vere lettare å sikre at hingstar i dei ulike clusterane vert kåra. For å sikre langsiktig og berekraftig forvaltning av rasen, bør ein innføre seleksjon for optimale bidrag.

The purpose of this thesis was to calculate inbreeding parameters, investigate the pedigree structure in the breed by cluster analysis and find potential for good strategies for long term breeding. The data consisted of all registered Dole horses in the period 1847-2016 (N=32997), and was received from the Norwegian Horse Centre in 2016. Effective population size (Ne) was calculated based on two different methods. Method 1 is based on the pedigree information in a reference population of horses born 2010-2015 (N=948), and provides a picture of genetic variation in the population based on information from the last years mating decisions. Method 2 calculates Ne based on log regressions of birthyears of the reference population including ancestors (N=3932), and gives an overview of the population over time. Ne estimated by Method 1 gave a result of 151,66 animals, while Method 2 estimated Ne to be 51 animals. The cluster analysis indicates that the average relationship in the reference population is very high (almost 30%). The results also indicate that the genetic variation in the breed is represented in very small clusters, and most of the variation is to be found in imported lines. To ensure long-term management of the breed, it is advisable to have a good overview of the family structure when selection decisions are to be made. The focus must be on increasing the population (multiple registered foals), increasing the number of sires that are mating, having focus on relationships between potential breeding animals and to avoid large variation in the progeny group of the sires. To do a cluster analysis on the whole population can be an effective tool to ensure that the genetic variation in the breed is included in the next generation. Cluster analysis can also be a visual and easy tool for horseowners when mating decisions are to be made. In addition, it can be easier to ensure that sires in different clusters are selected. For long-term management, selection for optimal contribution should be used.