Correlation genetique entre performance et distance de course

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 pursangs 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 donnée
X : matrice d’incidence des différents effets
β : 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 aléatoires
α : vecteur des effets additifs génétiques aléatoires associés aux
enregistrements dans y par Z
p : vecteur des effets environnementaux permanents aléatoires associés
aux enregistrements dans y par Z
e : 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 22)
σ12 : composante entre les 2 caractères de la
covariance génétique additive
σ12 et σ22 : 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.√h22/√h12 -1] x 100
RC1(2) : réponse corrélée du caractère 1 quand sélectionné pour le
caractère 2
RC : réponse directe du caractère 1
rA1.A2: corrélation génétique entre les 2 caractères
h22 : héritabilité du caractère 2
h12 : 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 nombreux
1000 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…)
Le terrain:
Herbe (fréquent)
PSF (piste sable fibré)
pour les meeting d’hiver
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…