Calcular los pesos económicos Calcular los pesos económicos

Calcular los pesos económicos
Inconsistencias.• La función de beneficios no incluía la
mayoría de los costes
• Se utilizaban sistemas de precios sin
contrastar su estabilidad a largo plazo
• Utilizar costes e ingresos medios en lugar
de los marginales
• No ajustaban para tener en cuenta la
posibilidad de incrementar un carácter
por métodos no genéticos
Calcular los pesos económicos
Problemas.• Diferentes dependiendo de cómo se define
la función de beneficios
• Diferentes en función de la base de cálculo
(vaca, ternero, unidad de producto)
• Diferentes en función de la perspectiva
que se contemple
1
Calcular los pesos económicos
Diferentes dependiendo de cómo se define la función de
beneficios
Relación lineal:
Beneficio = Ingresos - Costes
Mercado fijo (sistema de cuotas):
Beneficio =
Gastos fijos:
Beneficio =
Costes
Ingresos
Ingresos
Costes
Calcular los pesos económicos
Diferentes dependiendo de cómo se define la función de
beneficios
w: único output con precio a
f: único input con precio b
• Beneficio = a w – b f
• Beneficio =
bf
aw
Ingresos (I) = a w
Costes (C) = b f
∂B/∂w = a
∂B/∂b = - b
∂B/∂w = - b µf/a µ2w
∂B/∂b = b/a µw
Peso relativo = - a/b
Peso relativo = - µf/µw
2
Calcular los pesos económicos
• Diferentes en función de la base de cálculo
(vaca, ternero, unidad de producto)
n: nº lechones por hembra y año
w: peso lechón
V: valor unidad de producto
Base de cálculo
C1: costes por lechón y día de cebo
C2: costes por hembra y año
d: duración del cebo en días
Ecuación de beneficios
Hembra
Beneficio = nwV – n C1d – C2
Lechón
Beneficio = wV – C1d – C2/n
Beneficio = V – C1d/w – C2/nw
Unidad de producto
Calcular los pesos económicos
• Diferentes en función de la base de cálculo
(vaca, ternero, unidad de producto)
n: nº lechones por hembra y año
w: peso lechón
V: valor unidad de producto
C1: costes por lechón y día de cebo
C2: costes por hembra y año
d: duración del cebo en días
Ecuación de beneficios
Pesos económicos
∂B/∂d
∂B/∂n
Hembra
Beneficio = nwV – n C1d – C2
wV – C1d
– n C1
Lechón
Beneficio = wV – C1d – C2/n
C2/n
– C1
Unidad de producto
Beneficio = V – C1d/w – C2/nw
C2/nw
C1/w
Base de cálculo
3
Calcular los pesos económicos
Métodos clásicos.• Beneficio marginal
(ingresos marginales -gastos marginales)
• Facilidad de cálculo
• Se basan en relaciones biológicas conocidas
• Independientes de estructuras var-cov
Calcular los pesos económicos
Métodos clásicos.• Beneficio marginal
(ingresos marginales -gastos marginales)
• Regresión del beneficio sobre el carácter
• Son necesarios los resultados económicos de muchos animale
• Dependen de estructuras de var-cov poco estables
• Si el objetivo es incompleto lleva a contradiciones
4
Calcular los pesos económicos
Métodos clásicos.• Beneficio marginal
(ingresos marginales -gastos marginales)
• Regresión del beneficio sobre el carácter
Indices empíricos
• Otros métodos Optimización matemática
Variabilidad genética
Utilización de una función
de producción
(Amer, Fox y Smith)
1) Función de producción
y = k p F1c F2b
Y = output
(1)
p = peso animal comercializado
k = constante
F1 y F2
= inputs
c y b = representan elasticidades parciales de producción
5
Utilización de una función
de producción
2) Construir función de beneficios y calcular el valor
de los factores que la maximizan
B = y a y - (F1 a F1 + F2 a F2 )
a: representa los precios
∂B
∂F
F1 y F2
Valores que hacen máximo
B e incluidos en (1) dan el
valor máximo de y
Bmax = ymax ay - (F1 max a F1 + F2 max a F2 )
Utilización de una función
de producción
3) Calcular la función de beneficios al modificar
un carácter y maximizarla
y = k (p + ∂p) F1c F2b
Una nueva función de beneficios:
B’ = y ay - (F1’ a F1 + F2’ a F2 )
Que dará lugar a nuevos valores de F’max y Y’max
B’max = y’max ay - (F1’max a F1 + F2’max a F2 )
6
Utilización de una función
de producción
4) El peso económico de p será:
B’max - Bmax
∂p
Utilización de una función
de producción
1) y = k p F1c F2b
∂B
F1max y F2max
∂F
Bmax=ymaxay -(F1 maxa F1 +F2maxa F2 )
2) B = y ay - (F1 a F1 + F2 a F2 ) ;
3) y = k (p + ∂p) F1c F2b
4)
B’max - Bmax
∂p
Repetir paso 2 para obtener la
nueva función de beneficios B’ y
los nuevos máximos de F1’, F2’ y B’max
7
Ejemplos de pesos económicos
Pesos económicos relativos en vacuno lechero
Sin cuotas
1980
Con cuotas
1985
36
14
40
63
23
23
Leche
Producción lechera
Carne
Conversión de alimentos
Ganancia media diaria
Desarrollo muscular
Caracteres secundarios
Velocidad de ordeño
Dificultad al parto
Dificultad al parto
Intervalo entre partos
Ejemplos de pesos económicos
Efecto de la incorporación del coste de la energía necesaria para producir
la grasa y proteína de la leche
Méritos genéticos
Semental
Leche Grasa
Proteína
PD$
Ingresos sobre
PD$ por
coste marginal
unidad de
de la energía
coste marginal
de energía
A
+ 468 + 10,9 +12,2
100
88
8,9
B
+ 171 + 20,9 + 4,5
100
85
6,6
8
Un ejemplo de
pesos económicos
Pesos relativos por σa
Peso al destete
Velocidad de crecimiento
Edad al sacrificio
Cantidad de leche
Peso adulto
% distocias
1
1
1,2
11
-1,2
-1
Un ejemplo de
pesos económicos
Caracteres
registrados
Peso a 405 días
Velocidad de crecimiento
Edad al sacrificio
Puntuación muscular
Objetivo
de mejora
Peso canal
Rendimiento canal
Grado de engrasamiento
Mérito carnicero
Mérito
global
% distocias
Peso nacimiento
Longitud de gestación
Duración gestación
Dificultad al parto
Mérito al parto
9
Etapas en el diseño
de un
programa de mejora
•Describir el sistema de producción
•Formular el objetivo del sistema
•Elegir el sistema de cruzamiento y las razas
•Estimar los parámetros de selección y los pesos económicos
•Diseñar un sistema de evaluación de los animales
•Desarrollar el criterio de selección
•Diseñar el sistema de apareamiento entre los animales
•Diseñar un sistema de flujo de genes
•Comparación de programas alternativos
Diseñar un sistema
de evaluación
• Que medimos, dónde y a quien
• Los factores limitantes son la capacidad
reproductiva y la longevidad
10
Diseñar un sistema
de evaluación
Aspectos a considerar:
• Información individual
• Información de familiares
prueba de descendencia
raza pura
cruzados
machos en cebo
aptitud materna
Diseñar un sistema
de evaluación
Aspectos a considerar:
• Estaciones de prueba
información de candidatos
información de descendientes
11
Diseñar un sistema
de evaluación
Aspectos a considerar:
• Estaciones de prueba
Pruebas cortas
Pruebas completas
Diseñar un sistema
de evaluación
Aspectos a considerar:
• Estaciones de prueba
• Explotaciones:
rebaños de vacas
rebaños de cebo controlado
12
IA
IA
IA
8.000
Explotaciones del
núcleo de selección
Selección terneros sobre
ascendentes + individual
400
Selección individual de
terneros sobre crecimiento,
conformación y transf. Alim.
100
5
+
10
Selección por descendencia
sobre facilidad parto,
conformación y canal
Selección por descendencia
sobre caracteres maternos
IA
Esquemas de evaluación
%
Información individual
En explotación
70
En estación
81
Información de descendientes
En explotación
54
En estación
47
13
Estación Nac.-dest. Cebadero. Matadero Encuestas
Reino Unido:
Australia:
Nueva Zelanda:
EEUU:
Canadá:
Italia:
Francia:
Alemania:
Bélgica:
Suiza:
Holanda:
España:
no
no
si
si
si
si
si
si
si
si
si
si
si
si
si
si
si
si
si
si
si
si
si
si
no
no
si
si
si
no
si
si
no
no
si
no
no
no
no
si
si
si
si
no
no
si
no
si
no
no
si
no
no
no
si
si
no
no
no
no
Etapas en el diseño
de un
programa de mejora
•Describir el sistema de producción
•Formular el objetivo del sistema
•Elegir el sistema de cruzamiento y las razas
•Estimar los parámetros de selección y los pesos económicos
•Diseñar un sistema de evaluación de los animales
•Desarrollar el criterio de selección
•Diseñar el sistema de apareamiento entre los animales
•Diseñar un sistema de flujo de genes
•Comparación de programas alternativos
14
Desarrollo de los criterios
de selección
H = a’ G = a1G1 + a2G2 +.........+ anGn
I = b’ Y = b1y1 + b2y2 +.........+ bnyn
b = P-1 C a
C = {Cov (yi G)}
P = {Cov (yi yj)}
a = vector de pesos económicos
Método BLUP
* Caracteres que se consideran
•
•
•
•
Peso al nacimiento
Peso al destete
Ganancia media diaria
Dificultad al parto
* Modelo que se ajusta
y = Xb + Za + Wm + e
•
b representa los efectos no genéticos:
núcleo-año-tipo de manejo
número de parto
mes del parto
sexo de la cría
a representa el efecto genético propio del animal
• m representa el ambiente materno
•
15
Ejemplo de cálculo del valor mejorante para un carácter
que tiene una heredabilidad del 40 %
valor mejorante (VM) = heredabilidad * desviación de la media
Asociación 1
Animal
Peso ajustado
a 400 días
Asociación 2
Desvi. de
la media
VM
(kg)
Animal
1
2
3
4
5
450
600
480
570
560
- 82
+ 68
- 52
+ 38
+ 28
-32
+27
-21
+15
+11
Media
532
0
0
Peso ajustado
a 400 días
Desvi. De la
media
470
530
550
490
640
- 66
-6
+ 14
- 46
+ 104
-26
-2
+5
- 18
+ 41
536
0
0
1
2
3
4
5
VM
(kg)
Intervalo de confianza (95 %) de un valor mejorante para
cantidad de leche en 200 días de +10 en función
de su precisión
30
25
20
15
10
5
0
-5
20
40
60
80
90
100
-10
Precisión del VM
40 %
60 %
80 %
90 %
100 %
Intervalo del 95 %
-7 +27
-4 +24
-1 +21
+2 +18
10
16
17
Indice
140
120
100
Porcentaje
2,3
16
50
18
Intervalo de confianza (95 %) de un valor mejorante +10
en función de su precisión
30
25
20
15
10
5
0
-5
20
40
60
80
90
100
-10
Etapas en el diseño
de un
programa de mejora
•Describir el sistema de producción
•Formular el objetivo del sistema
•Elegir el sistema de cruzamiento y las razas
•Estimar los parámetros de selección y los pesos económicos
•Diseñar un sistema de evaluación de los animales
•Desarrollar el criterio de selección
•Diseñar el sistema de apareamiento entre
los animales
•Diseñar un sistema de flujo de genes
•Comparación de programas alternativos
19
Diseñar el sistema de
apareamiento
• Proporción de animales seleccionados en
cada etapa de cada sexo
• Estrategia en función del objetivo:
+ Maximizar el mérito genético esperado
+ Minimizar la varianza de la respuesta
+ Minimizar la depresión endogámica
+ Minimizar la reducción de la varianza
genética debido a la endogamia
Etapas en el diseño
de un
programa de mejora
•Describir el sistema de producción
•Formular el objetivo del sistema
•Elegir el sistema de cruzamiento y las razas
•Estimar los parámetros de selección y los pesos económicos
•Diseñar un sistema de evaluación de los animales
•Desarrollar el criterio de selección
•Diseñar el sistema de apareamiento entre los animales
•Diseñar un sistema de flujo de genes
•Comparación de programas alternativos
20
Diseñar el sistema de
difusión genética
• Debemos considerar:
+ el número de animales mejorados
+ la magnitud de la mejora obtenida
Utilización de reproducción
asistida
IA1
TE
4 - 50
< 0,2
Reino Unido
< 10
20 - 50
1-8
Italia
30 - 60
<1
España
2 - 30
< 0,1
Francia
Alemania
1
% hijos obtenidos mediante reproducción asistida
21
Intervalos entre generaciones
en años
PADRE-HIJO/
Asturiana
Casina
Avileña
Shorthorn
Hereford
Padre-hijo
5,0
4,3
5,1
5,1
4,5
Padre-hija
4,8
4,1
4,9
5,0
4,6
Madre-hijo
6,0
6,4
9,9
6,1
6,0
Madre-hija
5,8
6,3
8,9
5,2
5,8
Comparación de programas
alternativos
Beneficios:
Es el reflejo de la masa multiplicada
por la magnitud de la mejora
Costes:
Incluye los procesos de selección,
difusión, cruzamiento, producción
y procesado
22
Etapas en el diseño
de un
programa de mejora
•Describir el sistema de producción
•Formular el objetivo del sistema
•Elegir el sistema de cruzamiento y las razas
•Estimar los parámetros de selección y los pesos económicos
•Diseñar un sistema de evaluación de los animales
•Desarrollar el criterio de selección
•Diseñar el sistema de apareamiento entre los animales
•Diseñar un sistema de flujo de genes
•Comparación de programas alternativos
Comparación de programas
alternativos
Cálculo de los ingresos por ciclo de selección
t
It = ∑ bj Sj
j=1
Sj =
superioridad genética de la via de transmisión genética j
bj = factor de ponderación
23
Comparación de programas
alternativos
El factor de ponderación bj:
Robertson y Rendel:
Lindhé y Peterson:
bj = 1
Lj
λ jk
bj =
Lj r
Lj = intervalo entre generaciones para la ruta j
λj = Lj/(1 + r) r = tasa de interés K = nº de años
Algunos problemas con una
misma base
• Efectos maternos
• Interacción genotipo-medio
• Conexión de la información
• Heterogeneidad de varianzas
• Evaluaciones internacionales
24
¿Cuales son los
elementos comunes?
• Tamaños de rebaño relativamente reducidos
• Porcentaje reducido de animales en control
• Escasa utilización de reproducción asistida
Utilización de nuevas
herramientas de genética
• Localización de genes y QTLs
• Selección asistida por marcadores (MAS)
• Identificación individual y sus aplicaciones
trazabilidad, asignación de muestras
anónimas, parentesco
• Estudios de diversidad genética
25
Aplicaciones de los
Mapas Genómicos
Estrategia de localización de genes
I Barrido genómico y Análisis de ligamiento
II Saturación con marcadores dicionales y
análisis del desequilibrio de ligamiento
III Clonado posicional
Laboratorio de Genética. Facultad de Veterinaria de Madrid.
Aplicaciones de los
Mapas Genómicos
Métodos utilizados en vacuno de carne
I Ligamiento clásico
Poblaciones sintéticas
F2
Retrocruzamiento
Familias de medios hermanos
II Análisis de asociación
Terwilliger
Regresión
ANOVA
TDT
III Clonado posicional
26
Algunos Genes Mayores Localizados
Mediante Mapeo Genético
∗ MSTN
∗ Sindactilia
∗ Weaver
∗ Capa Ruana
∗ MCR1
Some of the QTLs founds in dairy cattle
Dairy
Trait
Chromosome
6
Milk
Fat & fat %
Protein & protein %
6
14
18
6
14
19
26
7
14
19
20
Persistency
11
SCS
15
Fertility
1
26
15
27
Proportion of variance (≥ 10) due to some QTL
Chromosome
Proportion %
Trait
1
Fertility
15
6
6
Protein content
Milking speed
18
13
7
Fertility
16
14
14
14
Milk yield
Fat content
Protein content
13
40
30
19
Protein
17
26
26
Fat
Protein
16
10
Some of the QTLs founds in beef cattle
Bovine
Trait
Birth weight
Chromosome
1
6
12
Weaning weight
6
Yearling weight
12
Carcass weight
6
Dressing percent
5
6
L. dorsi area
Ovulation rate
14
17
29
5 15
29
5
19
7
Porcine
Trait
Growth
4
% carcass fat
Marbling score
Tenderness
19
Chromosome
1 3 6 8 13 14
% Ham + loin
X
Intramuscular fat
7
Carcass fat thickness
4
Meat quality traits
2 4 7 12
28
Q
M1
q
M2
O1
QM1 ›› q M2
Desequilibrio de ligamiento:
Prob (QM1)
≠
Prob (QM2)
= 0
Prob (Q)* Prob(M1)
Sin embargo.......
Puede haber otros alelos ligados al QTL
Q
M3
q
M4
O2
QM3 ›› q M4
O....
29
Puede haber desequilibrio parcial
Q
M2
q
M1
O3
QM2 ›› q M1
Líneas endogámicas o
Líneas especializadas o
Líneas puras......
QM q m
x
QM q m
Tipos de gametos y frecuencias
F1 Q M x Q M
q m QM
(1- r)/2
r/2
r/2
(1-r)/2
QM
Qm
qM
qm
QM
30
Tipo de hijos del retrocruzamiento
QM
QM
QM
qM
-a
Efecto del QTL
QQ
d
0
µ-a
µMm
µMM
Qq
qq
QM QM
Qm q m
µ+d
µ
+a
µ+a
Posición del QTL
µMM = µQQ Prob(QQ/MM) + µQq Prob(Qq/MM)
µMm = µQQ Prob(QQ/Mm) + µQq Prob(Qq/Mm)
µQQ = a
µQq = d
Prob(QQMM)
Prob(QQ/MM) =
Tipos de gametos y frecuencias
Prob(MM)
F1 Q M x Q M
q m QM
(1- r)/2
r/2
r/2
(1-r)/2
QM
Qm
qM
qm
Genotipos
Probabilidad
QQMM
QQMm
QqMM
QqMm
(1- r)/2
r/2
r/2
(1- r)/2
QM
Prob(MM) = 1/2
Prob(Mm) = 1/2
31
Genotipos
Probabilidad
QQMM
QQMm
QqMM
QqMm
(1- r)/2
r/2
r/2
(1- r)/2
Prob(MM) = 1/2
Prob(Mm) = 1/2
Prob(QQMM)
Prob(QQ/MM) =
Prob(MM)
Prob(QQMm)
Prob(QQ/Mm) =
Prob(Mm)
Prob(QqMM)
Prob(Qq/MM) =
Prob(MM)
Prob(QqMm)
Prob(Qq/Mm) =
QM
QM
QM
qM
µMM
Prob(Mm)
QM QM
Qm q m
µMm
Efecto del QTL
=
(1- r)/2
= (1- r)
1/2
=
r/2
1/2
= r
=
r/2
1/2
= r
=
(1- r)/2
= (1- r)
1/2
Qq
qq
-a
µ-a
0
µ
QQ
d
µ+d
+a
µ+a
Posición del QTL
µMM = µQQ Prob(QQ/MM) + µQq Prob(Qq/MM) = a (1- r) + d r
µMm = µQQ Prob(QQ/Mm) + µQq Prob(Qq/Mm) = a r + d (1 – r)
µMM - µMm = a (1- 2r) – d (1 - 2r)
32
F1 Q M x qq m
qm
m
Tipos de gametos y frecuencias
(1- r)/2
r/2
r/2
(1-r)/2
QM
Qm
qM
qm
Genotipos
QqMm
Qqmm
qqMm
qqmm
QM
qm
qM
qm
µMm
qm
Probabilidad
(1- r)/2
r/2
r/2
(1- r)/2
QM q m
q m qm
µmm
Prob(MM) = 1/2
Prob(Mm) = 1/2
Genotipos
QqMm
Qqmm
qqMm
qqmm
Probabilidad
(1- r)/2
r/2
r/2
(1- r)/2
µMm = µQq Prob(Qq/Mm) + µqq Prob(qq/Mm) = d (1 – r) - a r
µmm = µQq Prob(Qq/mm) + µqq Prob(qq/mm) = d r – a (1 – r)
µMm - µmm = a (1- 2r) + d (1 - 2r)
33
Selección asistida por marcadores
MAS
Se justificaría cuando:
Caracteres difíciles de medir
Caracteres con bajas heredabilidades
Caracteres que se expresan en un solo sexo
Caracteres que se expresan tarde en la vida del animal
Correlaciones genéticas negativas
Existencia de varianza genética no aditiva
Introgresión
Selección asistida por marcadores
MAS
Contribución a la ganancia genética:
∆G = i
•
r / L
• Incrementando la precisión del valor genético (r)
•Información adicional al fenotipo
•Si existe desequilibrio entre marcador y QTL a través de las poblaciones
•Aclarando diferencias debidas a varianza de muestreo mendeliano dentro de familias
• Aumentando la intensidad de selección (i)
• Reduciendo el intervalo generacional (L)
34
Selección asistida por marcadores
MAS
Nuevos esquemas de mejora? :
Esquema
actual
MOET
cerrado
MOET
abierto
100
118
124
0,05
100
132
135
0,10
102
143
146
Sin MAS
MAS
⎨
Selección asistida por marcadores
MAS
Nuevas estrategias de mejora:
Velogenética:
Combinación de la MAS con la velogénesis
Velogénesis (manipulación
de la línea germinal):
Crecimiento, maduración y fertilización in vitro de
ovocitos prepuberales
35
Selección asistida por marcadores
MAS
Selección de toros para la prueba de la descendencia
Método de MAS Bottom-up
Los mejores toros por I.A (toros padres de toros)
Se genotipan a las hijas para los marcadores
Se identifican los toros heterocigotos para el marcador
Para la prueba de descendencia, se eligen a los medios hermanos
de la hijas que sean portadores de los alelos favorables del marcador
36
Selección asistida por marcadores
MAS
Problemas:
• Con el paso de las generaciones se reduce la
variabilidad genética y, por lo tanto, las ventajas
de MAS
• La precisión de la estimación de la asociación entre los
marcadores y el QTL se reduce con la reducción de las
diferencias entre los alelos de los sementales
Factores de los que depende el beneficio adicional
de MAS
• El incremento en precisión que proporciona el marcador
para estimar el mérito genético
• La proporción del carácter que explica el QTL
• La precisión con la que estimamos el efecto de los alelos del
QTL
• El coste de genotipado
37
Ejemplo de Núcleo Abierto y MAS
Población base
Sementales del núcleo
Vacas del núcleo
Mejores sementales
Hijos para conocer la
fase de los marcadores
Mejores vacas
Tres embriones macho
Tres embriones hembra de cada
de cada vaca. Por MAS
vaca . Por MAS se elige la mejor
se elige el mejor de cada de cada grupo de hermanas
grupo de hermanos
Reposición núcleo
Ejemplo de Núcleo Abierto y MAS
8000 O
Población base
150O
8000 O
10 Mejores sementales
Mejores vacas
5 Sementales + 125 Vacas del núcleo
38
Población base
120 O
5 Sementales + 125 Vacas del núcleo
100 Hijos para conocer la
fase de los marcadores
Tres embriones macho
de cada vaca (~350). Por
MAS se elige el mejor de
cada grupo de hermanos
(125 machos a probar y
elegir 5)
Tres embriones hembra de cada
vaca (~350) . Por MAS se elige
la mejor de cada grupo de
hermanas (125 terneras para
elegir 100)
Ejemplo de Núcleo Abierto y MAS
Mejores vacas
25 Mejores vacas
Tres embriones macho
de cada vaca (~350). Por
MAS se elige el mejor de
cada grupo de hermanos
(125 machos a probar y
elegir 5)
5O
Tres embriones hembra de cada
vaca (~350) . Por MAS se elige
la mejor de cada grupo de
hermanas (125 terneras para
elegir 100)
100 O
Reposición núcleo
39
Estructuras de mejora
Asociaciones de ganaderos propietarias de fenotipos, incluso
de bancos de ADN
Estandarización de datos fenotípicos: >precisión, más caracteres
Asociaciones de ganaderos obtendrán los méritos genéticos
basados en la información fenotípica
Empresas de biotecnología adquieren la información y buscan
genes de interés y marcadores que serán utilizados para
caracterizar su plantilla de reproductores
Los derechos de propiedad intelectual
y el problema de las patentes
40
Derechos de propiedad intelectual: patentes
Para patentar un gen hay que demostrar que es útil,
no obvio y novedoso
Una patente de un gen puede impedir el derecho
de utilización (tratamiento, diagnóstico) o venta
de su invención durante 20 años
Derechos de propiedad intelectual: patentes
Durante 20 años se puede controlar el uso del gen:
•
•
•
•
•
impedir pruebas diagnósticas de una enfermedad
impedir investigar para mejorar una prueba genética
impedir el desarrollo de un método de terapia génica
extender los derechos no sólo a mutaciones actuales, sino a las
que se descubran en el futuro
impedir investigar sobre la función de las proteínas que codifica
el gen patentado
41
Ejemplos de alguna de las “faenas”
Athena Neurosciences, Inc. No permite a ningún laboratorio
buscar mutaciones en el gen APOE, asociado a la enfermedad
de Alzheimer
Myriad Genetics prohibe a cualquier Laboratorio, hospital, etc
analizar las mutaciones del BRCA1, asociado al cancer de
mama, y esto a pesar de que ellos sólo examinan entre el
10 y el 20 % de las posibles mutaciones de interés
GlaxoSmithKline, Plc patenta un gen que determina la eficiencia
de uno de sus productos impidiendo a continuación el desarrollo
de cualquier prueba diagnóstica de dicho gen
Efectos sobre la investigación
Una investigación para curar el cáncer de mama tiene que
negociar con cientos de tenedores de patentes de genes
relacionados con ese cáncer
incremento de costes
Trabajos sobre la frecuencia de determinadas mutaciones
o búsqueda de nuevas mutaciones no son posibles sin el
permiso de la patente
La patente interfiere el uso de los métodos de detección,
dificultando el desarrollo de mejores métodos o de costes
mas reducidos
42
Efectos sobre la investigación
En definitiva:
•a pesar de las dudas sobre la “patentabilidad” de los genes, la discusión
y la batalla legal se establecen sobre quien puede utilizarlos
•para un laboratorio será siempre más rentable pagar por el uso de la
patente y repercutir el coste que entablar un conflicto
Sería de gran interés que organizaciones de potenciales
beneficiarios empezaran a cuestionar los sistemas actuales y
estuvieran atentos a los efectos que se empiezan a producir
Selección asistida por marcadores
MAS
Optimización de las colecciones de ADN:
Mayor número de fenotipos registrados
Mayor número de animales con fenotipos registrados
Mayor calidad, precisión, de los fenotipos registrados
43
Utilización de información molecular
Dificultades y problemas :
Genes mayores
Aditivos, dominantes y epistáticos
Interacción con el sistema de manejo
Marcadores
Diferente efecto en diferentes familias
Necesidad de caracterizar los alelos en las razas
Aplicaciones de los
Marcadores Moleculares
Identificación individual
44
Identificación Genética Individual
Laboratorio de Genética. Facultad de Veterinaria de Madrid.
Aplicaciones de los
Marcadores Moleculares
TRAZABILIDAD
Laboratorio de Genética. Facultad de Veterinaria de Madrid.
45
Aplicaciones de los
Marcadores Moleculares
Laboratorio de Genética. Facultad de Veterinaria de Madrid.
Aplicaciones de los
Marcadores Moleculares
Control de filiación
Laboratorio de Genética. Facultad de Veterinaria de Madrid.
46
Control de filiación
Impacto sobre los programas de mejora
% de errores
Ganancia Genética
h2 = 0,20
h2 = 0,50
0
100
100
5
95
98
10
89
95
20
77
87
Control de filiación
Impacto sobre los programas de mejora
% de errores
Incremento nº hijos
necesarios
0
0
5
10
10
20
20
37
47
Aplicaciones de los
Marcadores Moleculares
Asignación de
muestras anónimas
Laboratorio de Genética. Facultad de Veterinaria de Madrid.
Mirandesa
0.5
0.2
0.2
0.1 0.05
99.4
0.04 0.00 0.02 0.00 0.00
0.2
0.02 97.6 0.06
0.3
0.1
0.00 0.04 96.8
0.2
0.6
0.02
0.3
0.7
0.2
0.02
0.1
0.3
0.08 0.00 0.04
0.8
0.06 0.00 0.00
0.1
0.04 0.01 0.08
0.1
0.07 0.02 0.01
0.01 0.05
0.1
0.01 0.08 0.01
0.1
0.1
0.2
0.01
0.01
0.1
0.02
0.07
0.7
0.2
0.06
0.06
0.01
1.1
0.8
0.2
0.02
0.2
0.00
1.7
95.6
0.4
0.1
0.03
0.1
0.07
0.6
0.3
96.4
0.2
0.2
0.08
0.04
0.1
0.04
0.3
98.9 0.03
0.01
0.00
0.06 0.01
0.2
0.03 95.1
0.7
2.1
0.1
93.9
0.2
Salers
Mertolenga
0.5
0.05 0.04
Gasconne
Maronesa
0.3
0.2
Aubrac
Barrosã
0.1
Alentejana
94.5
Tudanca
Sayaguesa
AsturVall
Sayaguesa
Tudanca
Alentejana
Barrosã
Maronesa
Mertolenga
Mirandesa
Aubrac
Gasconne
Salers
AsturVall
Asignación de Individuos
a Poblaciones
0.09 0.03 0.00
0.9
95.2
0.8
0.02 0.01 0.03 0.02
0.2
1.8
0.5
96.4
Laboratorio de Genética. Facultad de Veterinaria de Madrid.
48
Aplicaciones de los
Marcadores Moleculares
Estudios de diversidad
y
estructura de población
Laboratorio de Genética. Facultad de Veterinaria de Madrid.
Alistana
31/50
Tudanca
42/50
Asturiana de Montaña
Asturiana de Valles
Asturiana de Montaña
Asturiana de Montaña
Sayaguesa
42/50
49
Genómica funcional
Marcadores de secuencias expresadas
Expresión génica
Caracterización de proteínas
Chips de ADN
Sondas de ADNc
Laboratorio de Genética. Facultad de Veterinaria de Madrid.
50
Nº de secuencias ESTs (Expressed
Sequence Tags) disponibles en
especies de mamíferos
Homo sapiens
≈ 4.000.000
Mus musculus
≈ 2.000.000
Bos taurus
≈ 200.000
Sus scrofa
≈ 65.000
Canis familiaris
Equus caballus
≈ 1.200
≈ 400
Laboratorio de Genética. Facultad de Veterinaria de Madrid.
Ratón normal
Ratón knock-out para el gen GDF-8
51
Péptido señal
Péptido bioactivo
Péptido latente
nt821(del 11)
nt414(C-T)
nt374-50(G-A)
nt267(A-G)
nt324(C-T)
nt747+7 (G-A)
nt374-16(del 1)
nt374-51(T-C)
nt387(G-A)
nt747+11(A-G)
nt748-78(del1)
1-1
1
S105C
2
F94L
1-2
4
Q204X
2-1
5
D182N
2-2
2-3
2-4
6
nt419
(del7-ins10)
3-1
7
E226X
8
C313Y
3-2
3
nt821 (del 11)
9
E291X
Ilustración del gen de la miostatina y sus mutaciones.
Las flechas rojas indican la posición de las mutaciones inactivantes,
las verdes las mutaciones silenciosas o intrónicas,
la flecha azul indica la mutación no sinónimas que no altera gravemente la secuencia aminoacídica
52
Efecto del gen MSTN
mh/+ vs +/+
σresidual
Superficie del L. dorsi
Piezas nobles
Peso al nacimiento
1,35
1,6
0,41
Grado de veteado
-1,01
Espesor de la grasa subcutánea
-0,86
53