Corrélations génétiques entre les performances à différentes distances de courses chez les pur sang

Au brésil les pur-sang de courses courent sur différentes distances au cours de leur vie: 600à 4000 m ; avec la plupart des courses (90%) qui se concentrent du 1000 m au 1600 m.

Plusieurs caractères ont été utilisés pour mesurer les performances en courses des chevaux comme le classement, les temps mais il existe des divergences pour savoir lequel est le plus approprié.

Plan d’un hippodrome:

Elaboration de données L’utilisation de tel ou tel critère peut se baser

uniquement sur la disponibilité des informations du pays d’origine ou de la race impliquée

Moritsu et al.(1994) Et Oki et al.(1994) Estime que le temps de course est le seul paramètre direct de la vitesse et que c’est une donnée quantitative appropriée qui peut être utilisée pour évaluer les performances génétiques des chevaux

Oki et al.(1995) : les temps de courses à différentes distances doivent être considérés comme différents caractères lors de l’analyse génétique et l’estimation des paramètres génétiques de ces différentes distances est nécessaire pour élaborer un programme de sélection.

Cependant l’évaluation génétique à différentes distances altère la sélection quand des caractères additionnels sont considérés dans le processus.

C’est pourquoi Oki et al.(1997) ont proposé l’utilisation unique du caractère temps par 100m pour l’évaluation génétique des pur-sangs au Japon en raison des corrélations génétiques élevées (0.85 entre les distances de 1000m à 2000m)

Les sélectionneurs brésiliens cherchant des animaux avec un bon potentiel sur plus d’une distance, estiment que les corrélations génétiques entre les performances de courses à différentes distances sont fondamentales pour la surveillance de l'importance de changements corrélés qui se produisent pendant le processus de sélection

Le but de cette étude est d’estimer les corrélations génétiques entres les temps de courses sur différentes distances des pur sang brésiliens pour contribuer à l’élaboration de programmes efficaces de sélection dans cette race.

Données

Une compagnie privée brésilienne (turftotal Ltda)

Courses des hippodromes de Gavea (Rio de Janeiro) et Cidade Jardim (Sao Paulo) entre 1992 et 2002

Données (2)

Evaluation des temps en secondes sur les distances de 1000, 1100, 1200, 1300, 1400, 1500, et 1600 m

32145 courses 238890 enregistrements de temps analysés Les courses à handicap ne sont pas considérées

dans l’étude. La matrice de rapport implique 32977 animaux et

pédigrées remontant à la 3° génération

Méthodes

Les éléments de (co)variance nécéssaires pour obtenir des correlations génètiques ont été estimés par le programme MTGSAM (Multiple-Trait Gibbs Sampler for Animal Models*) décrit par VanTassel et VanVleck avec un modèle animal à 2 caractères

*Échantillonneur Multi-caractères de Gibbs pour modèles animaux

Equation generale:

Phenotype= moy+ effets fixes + effets genetiques + black box

X Z e

Ici ils ont synthetisé deux matrices d’échantillons à multiplier aux vecteurs:

-matrice « fix effects » =>effets environnementaux X

-matrice « random effects » =>effets génétiques Z

Méthodes (2) Modèle utilisé

y = Xβ+Zα+Zp+e

y : vecteurs des enregistrements de temps à une distance donnéeX : matrice d’incidence des différents effetsβ : vecteurs des effets fixes de races (1,…,32,145), de sexes (male et

femelle), de l’age (jusqu’à 3 ans, 4 et 5 ans, plus de 5 ans), de la position de départ (de 1 à 11) associées aux enregistrements dans y par X

Z : matrice d’incidence des effets aléatoiresα : vecteur des effets additifs génétiques aléatoires associés aux

enregistrements dans y par Zp : vecteur des effets environnementaux permanents aléatoires associés

aux enregistrements dans y par Ze : vecteur des effets résiduels

Méthodes (3) Les inférences, en considérant les paramètres de dispersion, ont été

exécutées en se basant sur la distribution obtenue à postériori avec l’échantillonneur de Gibbs

Echantillonnage de 1 005 000 échantillons→ obtention des paramètres inconnus et de la densité de probabilité de

chaque paramètre Après élimination des 5000 premiers échantillons un parmi chaque

échantillons de 1000 est stocké pour l’analyse d’inférence avec un total de 1000 échantillons valables pour la description d’une distribution a posteriori

Le nombre d’échantillons devant être éliminés, l’intervalle d’échantillonnage et le nombre total d’échantillons ont été établis en se basant sur les résultats obtenus par le programme Gibanal (VanKaam, 1998) après un tour préliminaire de 50000 échantillons.

Méthodes (4)

Les corrélations génétiques ont été obtenues par la formule

r12 = σ12 / √(σ 12 x σ 2

2)

σ12 : composante entre les 2 caractères de la covariance génétique additive

σ12 et σ2

2 : composantes pour les 2 caractères de la covariance génétique additive

Méthodes (5)

La corrélation environnementale entre les caractères est considérée comme nulle puisque les courses aux distances différentes se produisent à des occasions distinctes et sont donc soumises à différents environnements.

Méthodes (6) Pour déterminer si la séléction indirecte est plus efficace que la

séléction directe pour les caractères étudiés on a appliqué l’équation suivante (VanVleck et al., 1987 adaptée):

Ratio efficiency (%): = RC1(2)/RD1 = [rA1.A2.√h2

2/√h12 -1] x 100

RC1(2) : réponse corrélée du caractère 1 quand sélectionné pour le caractère 2

RC : réponse directe du caractère 1rA1.A2: corrélation génétique entre les 2 caractèresh2

2 : héritabilité du caractère 2h1

2 : héritabilité du caractère 1

Pour 1 distance : Pourcentage et nombre qui ont

couru une distance supérieure ex: 1400m > 66% ont aussi couru 1500m

Pourcentage qui ont couru une distance inférieure ex: pour 1300m > 78% ont aussi couru 1500m

La diagonale : chevaux qui n’ont couru que cette distance « spécialistes »

Ex : 4% de spécialistes du 1600m

Plus l’écart entre 2 distances est grand moins il y a de chevaux qui font ces 2 distances

Ex: 1000 et 1600 m > 25% 1500 et 1400 m > 82% Seul 6% ont couru toutes les distances Plus le panel est grand, moins ils sont nombreux1000 et 1100 : 67%1000et 1100 et 1200 : 37%1000 et 1100 et 1200 et 1400 : 18%

Pourcentage de distances choisies sur les 5 premières courses Au début courses courtes privilégiées:

1000 à 1100 m > 20%Habitude des entraineurs à essayer les chevaux sur

courses courtes et à allonger s’ils montrent des capacités de performances et de résistances (un cheval de 1600m est moins mauvais au 1000m qu’un cheval de 1000m sur 1600m)

Dès la 2° course le pourcentage de courses courtes diminue au profit des longues courses

Au Brésil le 1300m est la distance la plus appréciée (1/5 des partants)

Pourcentage de distances choisies sur les 5 premières courses (2) Moins de variation du pourcentage des

partants pour les distances intermédiaires que pour les distances extrêmes

Courses par cheval

La moyenne de course par cheval est de 10.9 (1 jusqu’à 121) avec

50 % qui ont fait plus de 7 courses 95% qui ont fait moins de 32 courses Seulement 4 chevaux ont fait plus de 100

courses

Etude de la corrélation

Pour différentes distances : diagonale => même distance donc pas

de corrélation au dessus de la diagonale =>

corrélation entre la performance sur deux distances différentes

héritabilité 

Plus faible sur grande distance que sur les courtes

ex : h 1000m=32%

h 1600m=10%

(verifié par des études similaires au japon et aux USA)

Explication

-ex de la différence de la part génétique de la performance entre un galopeur et un trotteur (influence plus grande du débourrage/dressage, mental (mise a la faute), du driver…)

=>explique la différence de prix des paillettes par exemple (il y a aussi les gains et donc les revenus)

-ici même principe, plus une course est courte et plus elle est influencée par la capacité physique pure du cheval ( et donc en partie sa génétique), alors qu’une course plus longue laisse part a la façon de gérer l’effort, le mental, la tactique du jockey…)

Corrélation 

la correlation est POSITIVE et ELEVEE (moyenne de 0.74) Plus la différence entre les deux distances analysées est

faible, plus la performance est correlée, avec un maximum de 0.93 pour les distances de 1300 et 1400m.

Efficacité de la sélection indirecte

Sélectionner un cheval sur une distance x d’après sa performance est-il efficace pour sélectionner aussi sa performance sur une plus grande distance ?

Sélectionner le cheval sur ses performances en temps sur 1000m à 1300m semble être efficace pour sélectionner un gain de performance sur une distance plus élevée.

( calculé d’après la formule vue précédemment )

Etude du temps sur 1000m 

Semble être un très bon paramètre pour être une base de travail dans un programme d’élevage/entraînement.

=>représente la première performance pure du cheval =>valeur numérique sur laquelle s’appuyer pour la plupart des individus

=>héritabilité plus importante sur cette distance donc plus fiable pour évaluer la part génétique qu’une performance sur 1600m (3 fois moins héritable )

=>la sélection directe est meilleur qu’une sélection indirecte pour 1300m ou plus

Conclusion de l’étude en vue d’un programme de sélection De toute façon, la corrélation est variable

mais reste très élevée quelque soit les distances (moyenne de 0.74) donc performante.

Pour sélectionner différentes distances, on peut donc conseiller aux éleveurs ou entraîneurs de se concentrer sur la valeur de la performance sur 1000m.

Intérêt de cette étude pour les vétérinaires  Un vt équin est en général peu impliqué dans les choix de l’éleveur ou

de l’entraîneur.→ Moyen d’utiliser a bon escient nos capacités pour influencer

positivement les choix du client (sorte de management sportif) Pouvoir répondre à des questions sur les performance en fonction des

performances actuelles, des distances envisagées… Valoriser des chevaux aux bonnes performances pures mais qui ne le

sont pas par leur carriere (mauvais entrainement, carriere courte (mort, blessure…), faible palmares (peu de chance, mauvais choix de courses)

Réalité : une place importante à prendre qui n’est pas vraiment occupée pour le moment mais qui sera dure à prendre dans ce milieu très conservateur (cf méthodes d’entraînements physiologiques), cependant l’utilisation de ces données vaut toujours mieux que le hasard même si elles n’expliquent pas tout.

Critiques et discussion 

validité des données :Avantage grosse base de données d’enregistrements de temps

(représentatif) sur 10 ans

Points faibles représente un seul pays, non représentatif du monde des

courses hippiques 1000 à 1600m= sprinters et milers, il reste d’autres distances à

investiguer la part génétique du 1000m n’est pas forcément représentative

du monde entier, en tous cas cela mérite d’être vérifié car il y a des pays avec des potentiels génétiques qui semblent plus forts (USA, IRL, GB, FR…)

Approximation et réalité 

L’environnement temporaire était bien trop variable pour être pris en compte et effectivement il est bien trop complexe pour être quantifié !

Cependant on sait pertinemment que ça joue un rôle majeur dans la performance du cheval

- terrain (sec, humide, gras, souple…)- l’hippodrome- corde- procédure de départ- sol (psf, sable, herbe)- saison, dernières performances… (liste non

exhaustive)

Le départ , source de stress variable selon les chevaux (entrée musclée, bruit, habitude…)

Herbe (fréquent) PSF (piste sable fibré) pour les meeting d’hiver

Le terrain:

Bibliographie:

Web:

-www.francegalop.com (base de données)

Littérature:

-Genetic correlations between performance at different racing distances in Thoroughbreds, M.D.S. da motta, livestock science 104 (2006) 227-232

Images:

-divers sites webs et les auteurs.

Merci de votre attention…