Les données ont été prises directement à l’élevage expérimental d’Auzeville (Figure 26) à l’aide d’un automate (Figure 27) qui les transmettait directement à la basse de données GEEL d’où on pouvait les récupérer avec le logiciel statistique SAS pour réaliser les analyses statistiques.
Figure 26. Élevage expérimental d’Auzeville. Figure 27. Automate au moment de la pesée des femelles à l’insémination.
Matériel et méthodes
50 Une fois récupérées les données des 13 générations sur SAS, on a procédé a leur mise en forme pour laquelle on a rencontré de très nombreux problèmes.
- Les animaux de cette expérience ont été utilisés à autres finalités, à partir de leur troisième portée, on a donc du éliminer toutes les données récoltées a partir de la troisième portée. - La durée de gestation avait une variabilité de 28 à 34 jours. Pour pouvoir utiliser la variable gestation avec un nombre significatif d’individus par classe, on a regroupé les lapines ayant une gestation de 28 et 29 avec celles de 30 jours, et celles avec 34, avec celles de 33 jours. Et on a procédé de la même façon pour l’intervalle mb_sv, en regroupant les intervalle de 28 et 29 jours (pour 28j il y avait que 62 observations (0.46 % de la population), et 33 34 avec l’intervalle 32 (pour 33j il y avait 245 observations (1.8 %) et pour 34, 13 observations (0.10 %).
- On a trouvé qu’il y avait des animaux avec plusieurs poids à la naissance. Après recherche, on a constaté que c’était des individus qui avaient le même numéro que leur mère : sans doute des morts nés identifiés par leur mère à la naissance. Donc on a éliminé toutes ces répétitions, soit environ 2000 valeurs sur 18000.
- On a trouvé aussi des lignes entièrement répétées, environ 1000 lignes qui ont été éliminées. Après ces recodifications, et ces éliminations on a créé un fichier « poidtot » dans lequel tous les individus (lapereaux) avaient toutes les variables étudiées. Pour les animaux présents et pesés au sevrage (non morts entre naissance et sevrage) on a constitué un autre fichier appelé « poidsv ». Nous avons ainsi pu réaliser les calculs statistiques nécessaires en faisant une bonne séparation entre les donnés (variables) qui correspondent à tous les individus ou seulement aux animaux qui sont arrivés jusqu’au sevrage.
Chaque animal avait un numéro de huit chiffres comme identification (chaque chiffre était un code qui voulait dire l’année de naissance ou le type de naissance, l’ordre, etc. voir Figure 28). Cela nous a permis d’élaborer un fichier avec toute la généalogie de la génération 0 à la génération 12. Dans ce fichier, on avait comme variables le type, le numéro de l’animal, celui de sa mère et celui de son père, le sexe, la date de naissance de l’animal (nais_dat) et la date de sortie de l’élevage (sort_dat). Chaque mère n’a été utilisée que dans une seule génération et les filles d’une génération étaient sélectionnées pour être les mères de la génération suivante. Par contre en faisant un tableau avec tous les pères et les générations dans lesquelles ils sont intervenus, on a vu que jusqu'à la génération 9 un même père pouvait participer à plusieurs générations (deux ou trois générations différentes) alors que pour les générations 10, 11 et 12 ils n’ont contribué qu’à une seule génération.
Matériel et méthodes
51 Figure 28. Code numérique d’identification des lapins.
- En faisant le fichier des généalogies, on a repéré qu’il y avait des animaux avec le numéro du père égal a celui de la mère, le numéro de l’animal égal a celui de sa mère, le numéro de l’animal égal a celui de son père, et il y avait aussi des pères et mères sans aucun numéro. On a vérifié, et on a donné a tous ces pères et mères le numéro ‘00000000’. C’étaient des animaux du début de l’expérience pour lesquels il n’y avait aucune donnée.
Pour pouvoir utiliser la généalogie dans les programmes d’estimation des composantes de la variance, on devait ordonner les individus selon leur ordre de naissance. On a recodé tout les numéros en utilisant la partie dans laquelle est codée le millésime pour les classer par ordre chronologique (Figure 28). Mais on trouvé des animaux dont la mère avait un numéro plus supérieur à son propre numéro (ce qui veut dire que la mère est plus jeune que sa fille). Cela provient du fait que les animaux non gardés comme reproducteurs n’ont pas de millésime attribué et qu’ils ont tous un 0 comme troisième chiffre dans leur numéro d’identification. On a du refaire une codification pour tenir compte de ces particularités.
- On a trouvé des animaux sans sexe. Ils n’ont pas été sexés car ils n’étaient pas gardés pour la reproduction ou ils sont morts avant leur sexage. Pour ces animaux, on leur a attribué le sexe=3. Par contre, on n’a pas pu utiliser cette variable sexe pour l’analyse statistique, car on ne pouvait pas interpréter le sexe=3 comme un caractère réel et on ne pouvait pas non plus éliminer ces animaux de la liste.
Matériel et méthodes
52 - On a aussi constaté que le nombre de lapereaux de quelques portées ne correspondait pas à la déclaration du nombre de nés vivants de la mère. Elles ont été éliminées.
À la fin on avait un fichier avec les lapins ayant un poids à la naissance (18049 observations), un fichier avec les lapins ayant poids au sevrage (13604 observations) et un fichier des généalogie avec tous les individus depuis le début de l’expérience (18693 observations). Les premières analyses de données ont été faites avec le logiciel statistique SAS.
En faisant un glm pour regarder l’effet du nombre de nés vivants (mb_nv) et du nombre de nés totaux (ntot) sur le poids à la naissance, on a constaté qu’il y a une relation inverse entre mortinatalité et poids. Cela veut dire que les animaux nés dans des portées avec le même nombre de nés vivants (mb_nv) ont un poids superieur si la mortinatalité (ntot – mb_nv) est inferieure. Par exemple :
Nombre de nés vivants Nombre de nés totaux Mortinatalité (Ntot-mb_nv) Poids naissance (g) 9 9 0 63.38 9 11 2 59.78 9 13 4 53.07
En effet, on sait déjà chez les ovins que à même mode de naissance, le poids moyen des agneaux est significativement plus élevé lorsqu’il n’y a pas eu mortalité embryonnaire, par exemple s’il y a 3 ovulations à la fois avec fécondation (et implantation) et après il y a un de ces trois embryons qui meure, il nous restera une portée qu’avec deux individus, mais ces deux fœtus ne sont plus capables d’en profiter de la ‘place’ qui à laissé l’embryon mort. Donc ils vont pouvoir profiter que de deux tiers d’espace (pourtant de nutriments) de l’utérus. Par contre, si on a que deux embryons dès le début, ils vont profiter de la moitié de l’utérus chacun, la totalité donc, et ils vont être plus développés. Ça a été prouvé dans la thèse de Lajous D. (1987) avec la race de brebis Romanov.
Pour vérifier ça, on a regardé les valeurs estimées entre chacun de mb_nv et ntot (mb_nv*ntot). Ces valeurs ont un minimum de -3.20, un maximum de -1.89 et une moyenne de -2.41, ce qui confirme qu’il y a une relation inverse entre mortinatalité et poids à la naissance.
On a réalisé le même glm mais cette fois pour le poids au sevrage (sv_pd), et le nombre d’animaux sevrés (sv_nbr) au lieu du nombre de nés vivants. Ici donc, la mortalité est égal au nombre de nés totaux moins le nombre de sevrés. On a trouvé la même relation inverse chez sv_pd, donc on peut dire que l’effet de la mortinatalité se maintien jusqu’au sevrage. Comme valeurs estimés, le minimum était -26.14, le maximum -10.40 et la moyenne -21.21.
Résultats
53
7. RESULTATS
Dans ce projet on a analysé les données obtenues après 13 générations de sélection divergente. En comparant ces données entre les deux lignées pour les trois variables dépendantes qui sont : le poids à la naissance (poids), le poids au sevrage (sv_pd) et la mortalité entre la naissance et le sevrage (mortsv)..
On a d'abord sélectionné les facteurs environnementaux qui avaient un effet significatif, à l’aide du logiciel statistique SAS, et de la procédure ‘proc glm’ comme il est indiqué sur les Figures 29, 30 et 31. Pour chaque variable on a construit un modèle avec toutes les facteurs et leurs interactions possibles. A partir de ce modèle, on a regardé si les estimations étaient cohérentes, et on a commencé à éliminer des facteurs et des interactions avec les plus faibles différences significatives (pvalue >0.005), en regardant la variation de MSe (Carré moyen de l’erreur), R², CV (Coef. Variation), et Root MSE (Carré moyen de la variable dependant), en cherchant toujours un R² élevé, un bas CV et le minimum de variations chez MSe et Root MSE.
Figure 29. Commande pour la réalisation du proc glm pour le poids (SAS).
Figure 30. Commande pour la réalisation du proc glm pour le sv_pd (SAS).
Figure 31. Commande pour la réalisation du proc glm pour le mortsv (SAS).
En étudiant la relation entre nés vivants et nés totaux, le nombre de nés totaux (ntot) est un facteur limitant dans la portée pour le poids à la naissance, et par conséquent pour le poids au sevrage. Mais ce facteur ne peut pas être inclus comme facteur de variation dans les modèles ultérieurs parce qu'il est lui-même soumis à des influences génétiques. On aurait pu faire des anlayses pour chaque taille de portée totale, mais on n’a pas eu le temps.
Pour la variable poids à la naissance, on a testés tous les facteurs possibles avec toutes les interactions . Pour ce modèle complet on obtient les valeurs suivantes des paramètres :
Résultats 54 Poids moyen=55.1083 g MSe=99.386 Root MSE=9.9692 R²=0.4391 CV=18.0903
Mais ce modèle est trop complet et certains facteurs ne sont pas significatifs. On a donc réduit le nombre de facteurs et interactions du modèle. Pour ça, on a supprimé une par une les facteurs qui ont des grosses Pvalues, donc pas de différences significatives, ainsi que les interactions peu significatives et avec des effets incohérents du point de vue biologique. Après ces éliminations, les quatre données qui nous servaient de point de référence (MSe, Root MSe, R², CV) n’ont pas trop changé, donc ça veut dire que le modèle qu’on a eu à la fin (Figure 29) explique la variation de poids entre lapereaux avec la même précision que le modèle complet. Les résultats de ce modèle réduit de la Figure 29 sont :
Poids moyen=55.1083 g MSe=107.553
Root MSE=10.371 R²=0.3872
CV=18.8189
Source DF Type III SS Mean Square F Value Pr > F
Type 1 1362.1571 1362.1571 12.67 0.0004
gestation*NO_PORT 11 442325.1579 40211.3780 373.88 <.0001
MB_NV*ntot 108 496056.0387 4593.1115 42.71 <.0001
SEXE 2 156865.8274 78432.9137 729.25 <.0001
Tableau 3. Résultat général du proc glm pour poids (SAS)
Parameter Estimate Standard Error t Value Pr>|t| type 1 -0.57501167 0.16157470 -3.56 0.0004 type 2 0.00000000 . . . gestation*NO_PORT 1 1 -15.68559082 0.71154447 -22.04 <.0001 gestation*NO_PORT 1 2 -10.71873672 0.99669827 -10.75 <.0001 gestation*NO_PORT 1 3 -2.15951432 2.10733415 -1.02 0.3055 gestation*NO_PORT 3 1 -9.76421522 0.60662513 -16.10 <.0001 gestation*NO_PORT 3 2 -1.17732383 0.60606831 -1.94 0.0521 gestation*NO_PORT 3 3 1.05820260 0.62510893 1.69 0.0905 MB_NV*ntot 7 7 13.64701366 2.63040442 5.19 <.0001 MB_NV*ntot 7 8 11.68849401 2.67782806 4.36 <.0001 MB_NV*ntot 7 9 8.04417841 2.72352402 2.95 0.0031 MB_NV*ntot 7 10 4.22139850 2.76249843 1.53 0.1265 MB_NV*ntot 7 11 3.36171952 3.00251530 1.12 0.2629
Résultats 55 MB_NV*ntot 7 12 2.50544149 3.12561949 0.80 0.4228 MB_NV*ntot 7 13 0.63370437 3.96403057 0.16 0.8730 MB_NV*ntot 9 9 8.27591582 2.61844957 3.16 0.0016 MB_NV*ntot 9 10 7.05995299 2.62680155 2.69 0.0072 MB_NV*ntot 9 11 4.67644009 2.67150158 1.75 0.0801 MB_NV*ntot 9 12 -1.75045485 2.79288825 -0.63 0.5308 MB_NV*ntot 9 13 -2.03456700 2.95005384 -0.69 0.4904 MB_NV*ntot 9 14 -3.11916695 3.07968018 -1.01 0.3112 MB_NV*ntot 9 16 -2.35428787 4.50125921 -0.52 0.6010 SEXE 1 7.91360886 0.21347950 37.07 <.0001 SEXE 2 6.76232983 0.21404884 31.59 <.0001 SEXE 3 0.00000000 . . .
Tableau 4. Extrait du tableau de sortie du proc glm pour poids (SAS).
Dans le Tableau 4 on peut voir un extrait du tableau complet donné par le proc glm.
- Pour le type, on voit que les lapins sont moins lourds à la naissance pour le type 1: lignée hétérogène (Estimation= -0.5750).
- Le poids augmente avec le numéro de la portée quelque soit la durée de gestation (gestation*no_port)
- Pour l'interaction nés vivants – nés totaux (mb_nv*ntot), on observe ce que l'on a déjà expliqué : (moins mortalité à la naissance est liée à des poids supérieurs)
- pour le sexe, comme on s'y attendait, les mâles (sexe=1) sont plus lourds que les femelles.
On a procédé de la même manière pour le poids au sevrage (sv_pd) que pour le poids à la naissance : estimation avec le modèle le plus complet au début puis élimination des facteurs et interactions non significatifs..
Avec le modèle complet on a eu : Sv_pd moyen= 649.8788
MSe= 10927.4 Root MSE= 110.3560 R²= 0.5469
CV= 16.0791
En retirant les variables et interactions non significatifs, on vérifie que le modèle final explique les variation des poids au sevrage avec un peu moins de précision , mais avec beaucoup moins de variables et d'interactions. Les résultats sont plus généraux, et on peut appliquer les conclusions à n’importe quelle population de lapins.
Le modèle réduit donne : Sv_pd moyen= 649.8788 MSe= 12347.0
Résultats
56 Root MSE= 111.1170
R²= 0.4775 CV= 17.0981
Source DF Type III SS Mean Square F Value Pr > F
gener*type 25 14646280.63 585851.23 47.45 <.0001
gestation*NO_PORT 11 13505693.18 1227790.29 99.44 <.0001
MB_NV*mb_sv 45 4108374.70 91297.22 7.39 <.0001
SV_NBR*MB_NV 93 8923276.98 95949.21 7.77 <.0001
SEXE 2 339983.25 169991.63 13.77 <.0001
Tableau 5. Résultat général du proc glm pour sv_pd (SAS).
Parameter Estimate Standard Error t Value Pr>|t| gener*type 2 1 111.1611313 8.3889234 13.25 <.0001 gener*type 2 2 104.5824657 8.1694591 12.80 <.0001 gener*type 5 1 48.7992854 8.1702027 5.97 <.0001 gener*type 5 2 68.3259422 7.7569788 8.81 <.0001 gener*type 8 1 -0.4977500 7.6465911 -0.07 0.9481 gener*type 8 2 26.5851219 7.0705196 3.76 0.0002 gener*type 12 1 23.8382720 7.1427602 3.34 0.0008 gener*type 12 2 0.0000000 . . . gestation*NO_PORT 2 1 -108.1495082 9.3013460 -11.63 <.0001 gestation*NO_PORT 2 2 -45.6569967 9.2119410 -4.96 <.0001 gestation*NO_PORT 2 3 -36.0928528 9.9289351 -3.64 0.0003 gestation*NO_PORT 3 1 -94.2908084 8.5194266 -11.07 <.0001 gestation*NO_PORT 3 2 -24.7004123 8.3730011 -2.95 0.0032 gestation*NO_PORT 3 3 -9.9919554 8.6197475 -1.16 0.2464 MB_NV*mb_sv 4 1 242.4365856 40.4323053 6.00 <.0001 MB_NV*mb_sv 4 2 320.8225750 39.9529268 8.03 <.0001 MB_NV*mb_sv 4 3 368.7819978 42.0511836 8.77 <.0001 MB_NV*mb_sv 4 4 398.4093660 50.4259788 7.90 <.0001 MB_NV*mb_sv 7 1 110.0847870 38.7048053 2.84 0.0045 MB_NV*mb_sv 7 2 142.8642870 38.0156162 3.76 0.0002 MB_NV*mb_sv 7 3 183.6925860 38.0837471 4.82 <.0001 MB_NV*mb_sv 7 4 219.7253785 38.6226841 5.69 <.0001 MB_NV*mb_sv 10 1 4.9113220 38.4031619 0.13 0.8982 MB_NV*mb_sv 10 2 22.9367660 37.7808386 0.61 0.5438 MB_NV*mb_sv 10 3 55.7418208 37.8954617 1.47 0.1413 MB_NV*mb_sv 10 4 86.0008855 38.3430904 2.24 0.0249 SV_NBR*MB_NV 4 4 0.0000000 . . . SV_NBR*MB_NV 4 5 0.2437587 17.1662797 0.01 0.9887 SV_NBR*MB_NV 4 6 51.1345994 15.5274896 3.29 0.0010
Résultats 57 SV_NBR*MB_NV 4 7 59.1596213 20.2051508 2.93 0.0034 SV_NBR*MB_NV 4 8 27.6498190 20.2309675 1.37 0.1717 SV_NBR*MB_NV 4 9 85.3707890 25.3662169 3.37 0.0008 SV_NBR*MB_NV 4 10 54.4577471 19.0822461 2.85 0.0043 SV_NBR*MB_NV 4 11 54.6928249 28.3260246 1.93 0.0535 SV_NBR*MB_NV 4 12 -38.0474142 40.4364094 -0.94 0.3468 SV_NBR*MB_NV 4 13 79.8558807 37.6527364 2.12 0.0340 SV_NBR*MB_NV 4 14 173.0977433 57.2262518 3.02 0.0025 SV_NBR*MB_NV 7 7 0.0000000 . . . SV_NBR*MB_NV 7 8 38.2339628 7.3017746 5.24 <.0001 SV_NBR*MB_NV 7 9 27.3910581 8.5934055 3.19 0.0014 SV_NBR*MB_NV 7 10 28.8874362 9.9183705 2.91 0.0036 SV_NBR*MB_NV 7 11 66.0146807 11.6351252 5.67 <.0001 SV_NBR*MB_NV 7 12 71.4583990 16.6457405 4.29 <.0001 SV_NBR*MB_NV 7 13 77.7697776 28.8174077 2.70 0.0070 SV_NBR*MB_NV 7 14 78.2997515 24.3806803 3.21 0.0013 SV_NBR*MB_NV 11 11 0.0000000 . . . SV_NBR*MB_NV 11 12 7.4711548 9.8832480 0.76 0.4497 SV_NBR*MB_NV 11 13 72.1409983 21.0562242 3.43 0.0006 SV_NBR*MB_NV 11 14 21.9880497 19.9812184 1.10 0.2712 SV_NBR*MB_NV 11 15 -45.9617137 27.8382585 -1.65 0.0988 SV_NBR*MB_NV 11 16 156.3455913 39.3068231 3.98 <.0001 SEXE 1 9.1499281 7.7803306 1.18 0.2396 SEXE 2 -1.0060490 7.7863796 -0.13 0.8972 SEXE 3 0.0000000 . . .
Tableau 6. Extrait du tableau de sortie du proc glm pour sv_pd (SAS).
Ce Tableau 6 est un résumé du tableau complet obtenu grâce au proc glm.
- Pour l'intéraction entre type et génération, on voit qu’il n’y a pas la même tendance entre générations, mais qu'il y a bien une différence entre les deux types à chaque génération.
- Pour l'interaction entre la durée de gestation et le numéro de portée, on voit que pour toutes les durées de gestations, les poids au sevrage sont plus élevés dans les numéros de portées supérieures (no_port=3 > no_port=2 > no_port=1)
- Pour l'interaction nombre de nés vivants – intervalle entre mise bas sevrage, on observe qu'à même nombre de nés vivants, le poids au sevrage est plus lourd quand on augmente l’intervalle mise bas - sevrage, ce qui est logique car plus l'allaitement est long, plus le poids augmente.
- En général, quand on a une femelle qui met bas 10 lapereaux vivants, et que certains meurent, les lapereaux restant devraient être plus lourds car le lait de la mère est partagé entre un nombre plus petit de lapereaux. Cependant, selon l'analyse glm, pour l’interaction sv_nbr*mb_nv on ne trouve pas cette tendance. Cela peut être du aux faibles effectifs dans chaque cellule sv_nbr*mb_nv pour voir cette tendance.
Résultats
58 - Et finalement, comme pour le poids à la naissance, on voit qu'au sevrage les mâles (sexe=1) sont plus lourds que les femelles.
La variable mortsv, est une variable binaire (0, 1), on devrait donc faire une analyse spécifique pour ce type de données, en faisant un proc genmod. Mais on n’a pas eu le temps et les conditions expérimentales permettant de faire une analyse classique en considérant cette variable comme continue sont vérifiées. Ces conditions supposent que la variable (ici la mortalité) est relativement équilibrée entre tous les niveaux des différents facteurs de variation et que le pourcentage ne soit pas extrême et proche de l'intervalle 30 - 70%. Par ailleurs utiliser une technique "classique" permet de comparer facilement les résultats avec ceux obtenus sur les autres caractères. Cela permet aussi d'interpréter facilement les résultats, car le modèle est linéaire. Alors que l'interprétation des résultats par Genmod est beaucoup moins simple. C'est d'ailleurs pour cela que beaucoup d'auteurs à l'heure actuelle utilisent les méthodes qui considère que le caractère est un caractère continu alors qu'il est binaire.
Pour ces différentes raisons, on a fait une analyse avec glm pour mortsv, et on l’a sélectionné les effets de la même façon que pour les autres deux variables dépendantes.
Au début avec le modèle complet, on avait : Mortsv moyen= 0.7544
MSe= 0.1236 Root MSE= 0.3516 R²= 0.3413
CV= 46.6109
Après sélection des effets, on a fini par avoir le modèle de la Figure 31, avec les résultats ci dessous. Mortsv moyen= 0.7544 MSe= 0.1261 Root MSE= 0.3551 R²= 0.3253 CV= 47.0722
Source DF Type III SS Mean Square F Value Pr > F
batchr 51 944.8286177 18.5260513 146.89 <.0001
type 1 4.3150700 4.3150700 34.21 <.0001
MB_NV*ntot 108 130.0973777 1.2046053 9.55 <.0001
Résultats
59 Tableau 8. Extrait du tableau de sortie du proc glm pour mortsv (SAS).
Selon ce tableau extrait du proc glm pour la mortsv :
- Batchr. Il y a plusieurs batch mais chaque batch n’appartient qu’a une seule génération, comme on peut voir sur la Figure 32. Les résultats indiquent que la mortalité varie énormément d’un batch à un autre mais on observe pas de tendance claire.
- Pour le type, on voit qu’il y a un peu plus de mortalité chez le type 1 (hétérogène). - Pour l’interaction mb_nv*ntot, on a une tendance générale marquée avec plus de
Parameter Estimate Standard Error t Value Pr>|t| batchr 6 -0.140042955 0.09173775 -1.53 0.1269 batchr 7 -0.150660385 0.09349724 -1.61 0.1071 batchr 8 -0.111327044 0.09068260 -1.23 0.2196 batchr 25 -0.938234524 0.09094516 -10.32 <.0001 batchr 26 -0.928028502 0.09106985 -10.19 <.0001 batchr 27 -0.917677018 0.09149647 -10.03 <.0001 batchr 32 -0.048040034 0.09203629 -0.52 0.6017 batchr 33 -0.187119637 0.09120078 -2.05 0.0402 batchr 47 -0.047355124 0.09120882 -0.52 0.6036 batchr 48 -0.064665033 0.09142202 -0.71 0.4794 type 1 -0.032811598 0.00560953 -5.85 <.0001 type 2 0.000000000 . . . MB_NV*ntot 7 7 0.367758545 0.09143062 4.02 <.0001 MB_NV*ntot 7 8 0.371116485 0.09301354 3.99 <.0001 MB_NV*ntot 7 9 0.239206006 0.09445427 2.53 0.0113 MB_NV*ntot 7 10 0.191332780 0.09565064 2.00 0.0455 MB_NV*ntot 7 11 0.204764952 0.10416698 1.97 0.0493 MB_NV*ntot 7 12 0.401916836 0.10855251 3.70 0.0002 MB_NV*ntot 7 13 0.139042269 0.13736264 1.01 0.3114 MB_NV*ntot 9 9 0.372933590 0.09095037 4.10 <.0001 MB_NV*ntot 9 10 0.353026012 0.09127620 3.87 0.0001 MB_NV*ntot 9 11 0.328190155 0.09279578 3.54 0.0004 MB_NV*ntot 9 12 0.110139317 0.09682596 1.14 0.2553 MB_NV*ntot 9 13 0.374503510 0.10253710 3.65 0.0003 MB_NV*ntot 9 14 0.250119198 0.10680843 2.34 0.0192 MB_NV*ntot 9 16 -0.360973225 0.15558494 -2.32 0.0203 MB_NV*ntot 10 10 0.368766731 0.09086594 4.06 <.0001 MB_NV*ntot 10 11 0.329264253 0.09147762 3.60 0.0003 MB_NV*ntot 10 12 0.310260791 0.09248191 3.35 0.0008 MB_NV*ntot 10 13 0.272252846 0.09599273 2.84 0.0046 MB_NV*ntot 10 14 0.237991257 0.09851730 2.42 0.0157 MB_NV*ntot 10 15 -0.315616482 0.14965432 -2.11 0.0350 MB_NV*ntot 10 20 0.444688775 0.15007604 2.96 0.0030
Résultats
60 mortalité quand la différence entre le nombre de nés totaux et le nombre de nés vivants augmente.
Figure 32. Extrait du proc freq entre batch et gener.
Après avoir fait ces premières analyses qui nous ont permis de sélectionner les facteurs de variation non génétiques, on a rajouté un fichier avec la généalogie des individus. Cela nous a permis d'estimer les composantes de la variance et de comparer le modèle qui a été utilisé lors de l'expérience de sélection et qui ne considère que l'effet maternel avec différents modèles plus complets qui comprenaient l’effet maternel et l’effet direct génétique ainsi que l'effet permanent femelles qui est appelé ici effet "utérus" . Cela a été fait avec des analyses ASREML sur les mêmes trois variables dépendantes avec plusieurs modèles génétiques. Pour les trois variables, on a considéré dans les modèles génétiques les effets environnementaux sélectionnés par glm dans l'étape précédente. Pour le poids naissance et la mortalité ce sont : type, gener, type*gener, batchr, no_port et gestation et pour le poids au sevrage, on a considéré : type, gener, type*gener, batchr, no_port, gestation et mb_sv.
Résultats
61 Pour chacune de ces trois variables dépendantes, on a réalisé plusieurs modélisations de la variance avec différents modèles génétiques.
- Le premier a été fait juste avec le facteur animal, pour voir l’effet génétique direct de l’animal.
- Après on a mis seulement le père pour voir l’effet génétique direct du père, et le comparer au modèle animal. Si la structure génétique est équilibré, si le nombre de pères est suffisant et si les mères ne sont pas trop apparentés, l'héritabilité devrait être voisine dans les deux modèles
- Puis un modèle avec uniquement la mère, comme si la mère n'avait qu’un effet génétique maternel.,
- On a fait aussi le modèle génétique mère+utérus, pour voir la part de variance due à