Disease resilience is the ability to maintain performance across environments with different disease challenge loads (CL). A reaction norm describes the phenotypes that a genotype can produce across a range of environments and can be implemented using random regression models. The objectives of this study were to: (1) develop measures of CL using growth rate and clinical disease data recorded under a natural polymicrobial disease challenge model; and (2) quantify genetic variation in disease resilience using reaction norm models. Different CL were derived from contemporary group effect estimates for average daily gain (ADG) and clinical disease phenotypes, including medical treatment rate (TRT), mortality rate, and subjective health scores. Resulting CL were then used as environmental covariates in reaction norm analyses of ADG and TRT in the challenge nursery and finisher, and compared using model loglikelihoods and estimates of genetic variance associated with CL. Linear and cubic spline reaction norm models were compared based on goodness-of-fit and with multi-variate analyses, for which phenotypes were separated into three traits based on low, medium, or high CL. Based on model likelihoods and estimates of genetic variance explained by the reaction norm, the best CL for ADG in the nursery was based on early ADG in the finisher, while the CL derived from clinical disease traits across the nursery and finisher was best for ADG in the finisher and for TRT in the nursery and across the nursery and finisher. With increasing CL, estimates of heritability for nursery and finisher ADG initially decreased, then increased, while estimates for TRT generally increased with CL. Genetic correlations for ADG and TRT were low between high versus low CL, but high for close CL. Linear reaction norm models fitted the data significantly better than the standard genetic model without genetic slopes, while the cubic spline model fitted the data significantly better than the linear reaction norm model for most traits. Reaction norm models also fitted the data better than multi-variate models. Reaction norm models identified genotype-by-environment interactions related to disease CL. Results can be used to select more resilient animals across different levels of CL, high-performance animals at a given CL, or a combination of these.

中文翻译：

---

使用反应规范的自然疾病挑战模型下断奶至育成猪的疾病抵抗力遗传分析

疾病复原力是在具有不同疾病挑战负荷 (CL) 的环境中保持性能的能力。反应规范描述了基因型可以在一系列环境中产生的表型，并且可以使用随机回归模型来实现。本研究的目的是：（1）利用在天然多微生物疾病挑战模型下记录的生长速率和临床疾病数据开发 CL 测量；(2) 使用反应规范模型量化疾病恢复力的遗传变异。不同的 CL 来自当代平均日增重 (ADG) 和临床疾病表型的群体效应估计，包括医疗率 (TRT)、死亡率和主观健康评分。然后将得到的 CL 作为环境协变量用于挑战育苗和育肥机中 ADG 和 TRT 的反应规范分析，并使用模型对数似然和与 CL 相关的遗传方差估计进行比较。基于拟合优度和多变量分析对线性和三次样条反应范数模型进行比较，根据低、中或高 CL 将表型分为三个特征。基于模型似然性和由反应范数解释的遗传方差估计，保育室 ADG 的最佳 CL 是基于育成猪的早期 ADG，而从整个保育室和育成猪的临床疾病特征得出的 CL 对 ADG 来说是最佳的完成者和 TRT 在托儿所和托儿所和完成者之间。随着 CL 的增加，对保育期和育成期 ADG 的遗传力估计值最初降低，然后增加，而 TRT 的估计值通常随着 CL 而增加。ADG 和 TRT 的遗传相关性在高 CL 与低 CL 之间较低，但在接近 CL 时较高。线性反应范数模型对数据的拟合显着优于没有遗传斜率的标准遗传模型，而三次样条模型对大多数性状的数据拟合显着优于线性反应范数模型。反应范数模型也比多变量模型更适合数据。反应规范模型确定了与疾病 CL 相关的基因型与环境的相互作用。结果可用于选择不同 CL 级别的更具弹性的动物、给定 CL 的高性能动物或这些的组合。而 TRT 的估计值通常随着 CL 而增加。ADG 和 TRT 的遗传相关性在高 CL 与低 CL 之间较低，但在接近 CL 时较高。线性反应范数模型对数据的拟合显着优于没有遗传斜率的标准遗传模型，而三次样条模型对大多数性状的数据拟合显着优于线性反应范数模型。反应范数模型也比多变量模型更适合数据。反应规范模型确定了与疾病 CL 相关的基因型与环境的相互作用。结果可用于选择不同 CL 级别的更具弹性的动物、给定 CL 的高性能动物或这些的组合。而 TRT 的估计值通常随着 CL 而增加。ADG 和 TRT 的遗传相关性在高 CL 与低 CL 之间较低，但在接近 CL 时较高。线性反应范数模型对数据的拟合显着优于没有遗传斜率的标准遗传模型，而三次样条模型对大多数性状的数据拟合显着优于线性反应范数模型。反应范数模型也比多变量模型更适合数据。反应规范模型确定了与疾病 CL 相关的基因型与环境的相互作用。结果可用于选择不同 CL 级别的更具弹性的动物、给定 CL 的高性能动物或这些的组合。线性反应范数模型对数据的拟合显着优于没有遗传斜率的标准遗传模型，而三次样条模型对大多数性状的数据拟合显着优于线性反应范数模型。反应范数模型也比多变量模型更适合数据。反应规范模型确定了与疾病 CL 相关的基因型与环境的相互作用。结果可用于选择不同 CL 级别的更具弹性的动物、给定 CL 的高性能动物或这些的组合。线性反应范数模型对数据的拟合显着优于没有遗传斜率的标准遗传模型，而三次样条模型对大多数性状的数据拟合显着优于线性反应范数模型。反应范数模型也比多变量模型更适合数据。反应规范模型确定了与疾病 CL 相关的基因型与环境的相互作用。结果可用于选择不同 CL 级别的更具弹性的动物、给定 CL 的高性能动物或这些的组合。反应规范模型确定了与疾病 CL 相关的基因型与环境的相互作用。结果可用于选择不同 CL 级别的更具弹性的动物、给定 CL 的高性能动物或这些的组合。反应规范模型确定了与疾病 CL 相关的基因型与环境的相互作用。结果可用于选择不同 CL 级别的更具弹性的动物、给定 CL 的高性能动物或这些的组合。