Caracterización genética del complejo de las caseínas en la raza murciano granadina

• Autores: Maria Gabriela Pizarro Inostroza
• Directores de la Tesis: F.J. Navas (dir. tes.), Vincenzo Landi (dir. tes.), María Amparo Martínez Martínez (dir. tes.)
• Lectura: En la Universidad de Córdoba (ESP) ( España ) en 2020
• Idioma: español
• Tribunal Calificador de la Tesis: Cecilio Barba Capote (presid.), María del Rosario Fresno Baquero (secret.), Emiliano Lasagna (voc.)
• Programa de doctorado: Programa de Doctorado en Recursos Naturales y Gestión Sostenible por la Universidad de Córdoba
• Materias:
  • Ciencias agrarias
    • Ciencias veterinarias
      • Genética
• Enlaces
  • Tesis en acceso abierto en: Helvia
• Resumen

  • 1. Introducción o motivación de la tesis En los últimos años, la producción de leche y queso de cabra ha aumentado considerablemente en todo el mundo, como resultado del aumento del consumo de productos lácteos. En este contexto, razas como la Murciano-Granadina y su asociación de criadores han tenido que adaptarse a las nuevas demandas del mercado y por lo tanto implementar programas de cría enfocados a la mejora de la cantidad, calidad y propiedades tecnológicas de la leche.

    La selección de reproductores, evaluando la conexión específica entre los polimorfismos de un solo nucleótido (SNPs) y los fenotipos deseables permiten aumentar la productividad y la rentabilidad de las explotaciones. En este contexto, las caseínas presentes en la leche (αS1, αS2, β y κ), cuya expresión está regulada por cuatro loci (CSN1S1, CSN1S2, CSN2 y CSN3) agrupados dentro de una región de 250 kb en el cromosoma 6, son algunos de los rasgos económicamente más relevantes para la industria lechera. De este modo, al hilo de lo expuesto anteriormente, la presente tesis doctoral permitirá cuantificar la inclusión de determinados marcadores moleculares, como las dimensiones de agrupamiento de SNPs para el complejo de genes de las caseínas, tanto en relaciones epistáticas, asociación, evaluaciones genéticas, curvas de lactación y efectos fijos, para los loci de los cuatro genes de la caseína (CSN1S1, CSN1S2, CSN2 y CSN3) y su relación con la producción de leche (kg) y su componentes (% de grasa, % de proteína, % de materia seca, % de lactosa y recuento de células somáticas (cs/mL) para evaluar la posible implementación de información molecular sobre las caseínas en el programa de cría de la raza Murciano-Granadina como herramienta de selección de los reproductores.

    2.Contenido de la investigación En el primer trabajo se utilizaron ecuaciones de regresión categórica para predecir qué factores (genéticos y no genéticos) y a qué nivel pueden determinar el rendimiento de la leche (kg), la grasa (kg), la proteína (kg) y el extracto seco (kg). Se estudiaron 2090 registros de producción de leche y sus componentes en 710 cabras Murciano-Granadina organizadas de acuerdo a su genotipo para el locus CSN1S1. Todos los factores ambientales (año de la granja y del parto) y los factores inherentes a los animales (genotipo, tipo de nacimiento y edad) resultaron estadísticamente significativos (P < 0,05) excepto la estación y mes de parto. El efecto del genotipo CSN1S1 fue estadísticamente significativo y explicó del 8,3% al 9,2% de la variabilidad del contenido de proteínas y grasas. La combinación heterocigótica del alelo E con aquellos alelos que influyen fuerte o débilmente en el rendimiento de la leche y sus componentes, como son la presencia de los alelos A, B, B2, F y el genotipo homocigótico BB, mostraron el efecto significativamente más alto con respecto al rendimiento de la leche y sus componentes. Los resultados sugieren que las pruebas no paramétricas pueden reportar resultados contextualmente válidos cuando no es posible tener un tamaño de muestra grande.

    Siguiendo con los genotipos de la CSN1S1, en el segundo estudio se realizó una evaluación genética incluyendo y excluyendo el genotipo CSN1S1, para evaluar su repercusión en la eficiencia de los modelos de cría. A pesar de que no se encontraron diferencias significativas en cuanto a la producción de leche, grasa y materia seca, las proteínas aumentaron considerablemente al incluir el genotipo CSN1S1 en el modelo de cría (+0,23%). Los errores estándar sugirieron que la consideración del genotipo puede mejorar la eficiencia del modelo, traduciéndose en parámetros genéticos y valores de cría (PBV) más precisos. Las correlaciones genéticas oscilaron entre -0,15 y -0,01 entre la proteína/materia seca y la producción de leche/proteína y el contenido de grasa, mientras que las correlaciones fenotípicas fueron de -0,02 para la leche/proteína y -0,01 para la leche/grasa o contenido de proteína. Para los machos, el rango más amplio de fiabilidad (RAP) (0,45-0,71) fue similar al de las hembras (0,37-0,86) cuando se incluyó el genotipo. Los rangos PVB se ampliaron, mientras que el máximo se mantuvo similar (0,61-0,77) para machos y hembras (0,62-0,81) cuando se excluyó el genotipo, respectivamente. Como se ha visto en ambos estudios, la consideración del genotipo para el locus CSN1S1 puede aumentar la eficiencia de la producción y la rentabilidad de la leche.

    Para el resto de los estudios se analizaron 2594 registros de producción y componentes de leche pertenecientes a 159 cabras del núcleo de selección y genotipados para 48 SNPs en los cuatro genes de las caseínas.

    En el tercer y cuarto artículo se evaluó el efecto de los factores no genéticos sobre la producción de leche, grasa, proteína, materia seca, lactosa y recuento de células somáticas, utilizando métodos de regresión lineal bayesiana (tercero) y métodos no paramétricos (cuarto). En ambos, los factores estudiados fueron: granja, número de cabritos nacidos, tipo de parto, nacidos vivos, mes de parto, estación de parto, año de parto, número de control, tipo de control, mes de control, estación de control, año de control, días de lactancia, días desde el primer control, días desde el último control hasta el secado, mes de secado, estación de secado y año de secado.

    En el tercer estudio, todos los factores estudiados influyeron significativamente en todas las variables estudiadas ya sea positiva o negativamente de ligera a moderadamente, como lo sugieren los valores de R2 que van del 21,5% al 47,5%, para el recuento de células somáticas (cs/mL) y la materia seca (kg), respectivamente. A pesar de que las combinaciones de factores no genéticos escogidos en este estudio pueden condicionar significativamente la producción de leche y sus componentes, en el caso del recuento de células somáticas, otros factores significativos adicionales, como la incidencia o prevalencia de enfermedades, cuyos efectos no fueron controlados, también podrían estar implicados en el ganado caprino.

    En el cuarto estudio, todos los factores evaluados presentaron una influencia significativa (P < 0,0001) en todas las variables estudiadas, con la excepción del número de cabritos nacidos muertos, que no influyeron significativamente en cada componente y el año de secado, que no influyó significativamente en el contenido de materia seca.

    Como se observó en ambos estudios, los factores no genéticos afectan a la producción de leche y a su composición en la raza caprina Murciano-Granadina. Además, la inclusión del tipo de control de leche y los parámetros relacionados con la estación de secado como efecto fijo en los modelos de predicción del rendimiento de la leche y su composición pueden proporcionar información interesante, que debe incluirse en las evaluaciones genéticas para promover una producción de leche de mayor y mejor calidad.

    En el quinto trabajo se realizó un estudio de asociación para evaluar los efectos aditivos y de dominancia de 48 SNPs presentes en el complejo de genes de las caseínas sobre la composición y la calidad de la leche mediante pruebas no paramétricas y análisis de los componentes principales. Se detectaron efectos significativos sobre la producción de leche y componentes de dos deleciones en el exón 4 (CSN1S1 y CSN3), una en el exón 7 (CSN2) y otra en el exón 15 (CSN1S2) a frecuencias que oscilan entre 0,12 y 0,50. La corrección de Bonferroni fue utilizada para prevenir los efectos de la posible multicolinealidad derivada de la consideración de un elevado número de SNPs. Los exones 15 y 7 se asociaron significativamente con el rendimiento de la leche y sus componentes, excepto la lactosa y las células somáticas, mientras que el exón 4 se asoció significativamente con el rendimiento de la leche y sus componentes, excepto la proteína y la materia seca. Las asociaciones de los SNPs con las células somáticas fueron menos frecuentes y más débiles que las de la producción de leche y sus componentes. A medida que las caseínas aumentan, las células somáticas disminuyen, lo que reduce la actividad enzimática de la leche y la idoneidad para el consumo. Por consiguiente, la inclusión de información molecular en los planes de cría puede promover la eficiencia de la producción, ya que la selección contra los alelos indeseables podría evitar los compromisos derivados de sus efectos de dominancia.

    En este sentido, en el sexto estudio se evaluaron las interacciones epistáticas entre SNPs, una vez habían sido cuantificados y aislados los efectos aditivos y de dominancia entre el complejo de la caseína en el artículo anterior. De este modo, el objetivo de este trabajo fue cuantificar las interacciones epistáticas entre 48 SNPs del complejo de la caseína en los niveles de expresión de grasa, proteína, materia seca, lactosa y células somáticas. Se utilizó un análisis categórico de componentes principales (CATPCA) como función para limitar y agrupar el número de SNPs estudiados según su relevancia en cuanto a la explicación de la varianza en el rendimiento de la leche y los componentes. Posteriormente, se realizó un análisis de correlaciones canónicas no lineales (OVERALS) para identificar las relaciones entre los SNPs agrupados por el CATPCA. La solución bidimensional para OVERALS explicó el 79,65% de la varianza total de los rasgos fenotípicos evaluados en los grupos de SNPs (57,56% de la varianza para la primera dimensión y 42,43% para la segunda dimensión). De los 48 SNPs evaluados, el SNP18 fue el más frecuente (carga de componentes > |0,5|, para la dimensión 2) y uno de los más relevantes a la hora de explicar la variabilidad epistática intergrupal para la producción de leche y los componentes. En el séptimo estudio, se incluyó en los modelos genéticos de los SNPs del complejo de la caseína, el efecto aditivo, dominante y epistático para estimar los parámetros genéticos (heredabilidad y componentes de la varianza) y los valores de cría y sus precisiones para el rendimiento y los componentes de la leche. La heredabilidad de la producción de leche, la lactosa y el recuento de células somáticas aumentó considerablemente cuando se consideró el modelo que incluía los efectos genéticos (0,46, 0,30 y 0,43, respectivamente). Los errores de predicción estándar de los componentes disminuyeron y la precisión y fiabilidad aumentaron cuando se consideraron los efectos genéticos. En conclusión, la inclusión de los efectos genéticos y las relaciones entre estos biomarcadores hereditarios puede mejorar la eficiencia del modelo, los parámetros genéticos y los valores de cría para el rendimiento y la composición de la leche, optimizando la rentabilidad de las prácticas de selección de los componentes cuya aplicación tecnológica puede ser especialmente pertinente para el sector de los productos lácteos queseros.

    En el octavo y noveno estudio se realizó el análisis individualizado de las curvas de lactación, con el objetivo de mejorar la eficiencia del modelo, la capacidad explicativa y el potencial de predicción cuando se trabaja con tamaños muéstrales reducidos, teniendo en cuenta que el genotipado de animales implica un costo considerable. Se utilizó el software SPSS para evaluar el rendimiento individual de 49 modelos lineales y no lineales para ajuste de la curva de lactación de 159 hembras de raza Murciano-Granadina. Se evaluó la forma de la curva de lactancia, el pico y la persistencia para cada modelo, utilizando 3107 controles de producción de leche con un promedio de 3.78 ± 2.05 lactaciones por cabra. En el octavo estudio solo se consideró la producción de leche, mientras que en el noveno se consideraron las producciones de grasa, proteína, extracto seco, lactosa y el recuento de células somáticas.

    En el octavo estudio los valores de mejor ajuste (R2 ajustado) (0,47) fueron alcanzados por el modelo logarítmico de 5 parámetros de Ali y Schaeffer. Todas las cabras encajaban en 38 modelos. La capacidad de ajustar diferentes formas funcionales posibles para cada cabra, que aumentó progresivamente con el número de parámetros comprendidos en cada modelo, se tradujo en una mayor sensibilidad para explicar la variabilidad individual de la forma de la curva.

    En el noveno estudio, los valores de mejor ajuste (R2 ajustado) (0,548, 0,374, 0,429 y 0,624 para el contenido de proteínas, grasas, materia seca y lactosa, respectivamente) fueron alcanzados mediante el modelo logarítmico de 5 parámetros de Ali y Schaeffer (ALISCH), mientras que para el recuento de células somáticas (0,481), se ajustó mejor el modelo de los tres parámetros de densidad de rendimiento parabólico (PARYLDENS). La desviación estándar de R2 ajustado entre individuos fue de alrededor de 0.2 para todos los modelos. 39 modelos se ajustaron con éxito a la curva descrita por cada cabra para todos los componentes. La complejidad paramétrica y computacional parece promover propiedades de captura de variabilidad, mientras que la flexibilidad (MSE, AIC/AICc y BIC) del modelo no mejora significativamente (P > 0,05) (predictiva y potencial explicativo). La mayoría de los modelos utilizados en el octavo y noveno estudio podrían utilizarse sólidamente para estudiar la variabilidad genética que subyace a la producción de leche, y otros rasgos de importancia económica y tal vez mejorar la evaluación de los parámetros de las curvas como criterios de selección fiables en el futuro.

    En el décimo trabajo, se evaluaron los efectos de los haplotipos del complejo de las caseínas en el rendimiento de la leche y sus componentes y los parámetros de la forma de la curva, utilizando inferencia bayesiana para ANOVA. Se identificaron 48 SNPs presentes en el complejo de caseína de 159 individuos no relacionados genealógicamente, portadores de 87 haplotipos. Como habían revelado los dos artículos anteriores, el modelo de ALISCH fue el mejor modelo para el rendimiento de leche (kg), proteína, grasa, materia seca y lactosa (%), mientras que para el conteo de células somáticas (SCC x103 cs/mL) se utilizó el modelo PARYLDENS. El pico y la persistencia para todos los rasgos se calcularon respectivamente. Se encontraron diferencias estadísticamente significativas (P < 0,05) para el rendimiento y los componentes de la leche. Sin embargo, no se encontraron diferencias significativas para ningún parámetro de forma de curva, excepto para el pico de porcentaje de proteína. Aquellos haplotipos para los que se encontraron mayores rendimientos de leche fueron aquellos para los que se obtuvieron porcentajes más altos de proteínas, grasas, materia seca y lactosa, mientras que la tendencia opuesta se describió para el recuento de células somáticas. En conclusión, los haplotipos del complejo de las caseínas pueden incluirse en las estrategias de selección de rasgos económicamente importantes en las cabras lecheras.

    3.Conclusión DEL CAPÍTULO 1: NON-PARAMETRIC ANALYSIS OF THE EFFECTS OF ΑS1-CASEIN GENOTYPE AND PARTURITION NONGENETIC FACTORS ON MILK YIELD AND COMPOSITION IN MURCIANO-GRANADINA GOATS. Pizarro M.G., Landi V., León J.M., Navas-González F.J., Delgado J.V. Ital. J. Anim. Sci. 2019, 18, 1021-1034.

    I. Las pruebas no paramétricas pueden aportar resultados contextualmente válidos cuando no es posible tener un tamaño de muestra grande.

    II. El control de ciertos factores ambientales e intrínsecos al animal, como la selección de ciertos genotipos del gen CSN1S1, puede promover la producción eficiente de leche de mejor calidad y en mayores cantidades, convirtiéndose así en un elemento clave a incluir en los programas de cría destinados a mejorar la rentabilidad de las razas locales.

    DEL CAPÍTULO 2: DOES THE ACKNOWLEDGEMENT OF ΑS1-CASEIN GENOTYPE AFFECT THE ESTIMATION OF GENETIC PARAMETERS AND PREDICTION OF BREEDING VALUES FOR MILK YIELD AND COMPOSITION QUALITY-RELATED TRAITS IN MURCIANO-GRANADINA? Pizarro M.G.; Landi V., Navas-González F.J., León J.M., Martínez M.A., Fernández J., Delgado J.V. Animals. 2019, 9, 679.

    III. El conocimiento de las diferentes formas alélicas presentes en el gen que codifica la αS1-CN puede ser de gran ayuda para mejorar el cálculo del valor genético de los reproductores y sobre todo puede servir de guía para llevar a cabo la selección genética de animales productores de leche con proteínas con características favorables como la αS1-CN para su utilización la industria láctea (leche fresca, cuajada, fermentación, etc.).

    IV. La inclusión del genotipo de este gen como efecto fijo en los modelos que se utilizan para evaluar la producción de leche de cabra y sus componentes puede aumentar la rentabilidad de la leche, como lo sugieren los aumentos en fiabilidad y precisión de los valores genéticos para grasas y proteínas, a pesar de la leve disminución en la precisión de los valores genéticos para otros rasgos como la producción de leche y materia seca.

    V. Las estimaciones de heredabilidad obtenidas confirman la existencia de un nivel considerable de diversidad genética que permite la posibilidad de seguir mejorando la producción de leche, grasa, proteína y materia seca en los programas de cría de cabras de raza Murciano-Granadina.

    DEL CAPÍTULO 3: BAYESIAN LINEAR REGRESSION ANALYSIS OF THE EFFECTS OF NONGENETIC FACTORS RELATED TO LACTATION CYCLE ON MILK YIELD, FAT, PROTEIN, LACTOSE, DRY MATTER CONTENT AND SOMATIC CELL COUNT IN MURCIANO-GRANADINA GOATS. Pizarro M.G., Landi V., Navas-González F.J., León Jurado J., Martínez M.A., Fernández J., Delgado J.V. Small Rumin. Res. (UNDER REVIEW).

    VI. El análisis de la influencia de factores no genéticos en la producción de leche y sus componentes puede resultar crucial para maximizar la eficiencia de los modelos utilizados en el programa de cría en la raza caprina Murciano-Granadina.

    VII. La aplicación del recuento de células somáticas puede requerir la aplicación de modelos más complejos, incluyendo factores adicionales como la incidencia y prevalencia de la enfermedad, en comparación con los que predicen el rendimiento o la composición de la leche.

    VIII. La mejora de la rentabilidad de las razas altamente seleccionadas, que se hace más difícil a medida que aumenta el grado de selección, puede maximizarse mediante la evaluación de determinadas combinaciones de factores que pueden detectar o identificar puntos críticos en el ciclo productivo a controlar, que deberían además ser incluidos en las evaluaciones genéticas, lo que a su vez ayudaría a aprovechar al máximo el potencial productivo de las razas.

    DEL CAPÍTULO 4: NON-PARAMETRIC ANALYSIS OF THE EFFECTS OF NONGENETIC FACTORS ON MILK YIELD, FAT, PROTEIN, LACTOSE, DRY MATTER CONTENT AND SOMATIC CELLS COUNT IN MURCIANO-GRANADINA GOATS. Pizarro M.G., Landi V., Navas-González F.J., León Jurado J., Martínez M.A., Fernández J., Delgado J.V. Ital. J. Anim. Sci. 2020, 19, 930-973.

    IX. Los factores no genéticos afectan a la producción de leche y a su composición en la raza caprina Murciano-Granadina. Además, la inclusión del tipo de control y los parámetros relacionados con el período de secado en los modelos de predicción de la producción y el contenido de la leche pueden proporcionar información interesante, que debe incluirse en las evaluaciones genéticas para promover una mayor producción de leche y de mejor calidad que mejore la rentabilidad de las razas autóctonas.

    DEL CAPÍTULO 5: NON-PARAMETRIC ASSOCIATION ANALYSIS OF ADDITIVE AND DOMINANCE EFFECTS OF CASEIN COMPLEX SNPS ON MILK CONTENT AND QUALITY IN MURCIANO-GRANADINA GOATS. Pizarro M.G., Landi V., Navas-González, F.J., León Jurado J.M., Martínez M.A., Fernández J., Delgado J.V. J. Anim. Breed. Genet. 2019, 00, 1–16.

    X. El conocimiento de las características de cada SNP ayudaría a aplicar políticas de cría que busquen la reducción de la frecuencia de aquellos alelos con repercusión nula o menor en los rasgos cuantitativos o cualitativos de la leche de cabra.

    DEL CAPÍTULO 6: NON-PARAMETRIC ANALYSIS OF CASEIN COMPLEX GENE EPISTASIS AND ITS EFFECT ON PHENOTYPIC EXPRESSION OF MILK YIELD AND COMPOSITION IN MURCIANO-GRANADINA GOATS. Pizarro M.G., Landi V., Navas-González F.J., León Jurado J., Martínez M.A., Fernández J., Delgado J.V. J. Dairy Sci. 2020, 103, 8274-8291.

    XI. Al evaluar las relaciones epistáticas y la asociación en el complejo de las caseínas, la presencia de ciertas mutaciones puede alterar la expresión de las proteínas de tal manera que se modifique también el rendimiento productivo.

    XII. El estudio de haplotipos o genotipos puede captar interacciones epistáticas entre los SNPs que de otro modo se perderían. Esto aumenta la precisión de la estimación de las interacciones epistáticas entre los SNPs y su asociación con los rasgos de producción de leche (rendimiento y componentes).

    XIII. La capacidad de rendimiento quesero y su asociación significativa con el genotipo αS1-caseína puede ser un indicador indirecto de la asociación significativa con el contenido de proteínas, que podría ser consecuencia del efecto negativo de los altos niveles de recuento de células somáticas en el proceso de coagulación, lo que apoya indirectamente las pruebas de una asociación significativa entre los haplotipos de CSN1S1 y el recuento de células somáticas.

    XIV. La importante asociación del CSN3 con el contenido de grasa o lactosa puede indicar que la κ-caseína podría desempeñar una función de estabilización del fosfato de calcio en la leche que podría sumarse al hecho de que se acepta universalmente que esta caseína es el principal factor estabilizador de la micela de caseína. Sin embargo, los puntos de acceso a la recombinación encontrados en el locus CSN3 pueden ser la base de la falta de potencial explicativo entre grupos de la varianza de esta caseína, lo que sugiere una falta de interacción entre este gen y el resto de los genes complejos de caseína.

    DEL CAPÍTULO 7: INTEGRATING CASEIN COMPLEX SNPS ADDITIVE, DOMINANCE AND EPISTATIC EFFECTS ON GENETIC PARAMETERS AND BREEDING VALUES ESTIMATION FOR MURCIANO-GRANADINA GOAT MILK YIELD AND COMPONENTS. Pizarro M.G., Landi V., Navas-González F.J., León Jurado J., Delgado J.V., Fernández J., Martínez M.A. Genes. 2020, 11(3), 309.

    XV. La inclusión de los efectos aditivos, dominantes y epistáticos de los SNPs del complejo de los genes de las caseínas en el modelo utilizado en las evaluaciones genéticas de la producción y los componentes de la leche pueden aumentar el poder de estimación de los modelos y la exactitud de los valores de cría. Esto puede traducirse en una mejora del progreso genético de la raza y reforzar la competitividad internacional de la raza Murciano-Granadina en la industria de las cabras lecheras.

    DEL CAPÍTULO 8: SOFTWARE-AUTOMATIZED INDIVIDUAL LACTATION MODEL FITTING, PEAK AND PERSISTENCE AND BAYESIAN CRITERIA COMPARISON FOR MILK YIELD GENETIC STUDIES IN MURCIANO-GRANADINA GOATS. Pizarro M.G., Navas-González F.J., Landi V., León Jurado J., Delgado, J.V., Fernández J., Martínez M.A. Mathematics. 2020, 8(9), 1505.

    XVI. Los modelos paramétricos complejos pueden beneficiarse de la inclusión de formas logarítmicas en sus funciones, ya que esta práctica puede promover la adaptación de las curvas de lactancia descritas por cada cabra individualmente a las propiedades del modelo, lo que puede explicar la mayor capacidad de captación de variabilidad de los modelos en comparación con el resto.

    XVII. El modelo ALISCH es preferible en los estudios en los que se utilizan muestras reducidas y se realiza un estudio automatizado individualizado de las curvas de lactación de la leche de cabra, ya que puede captar toda la variabilidad que puede atribuirse a la evolución de la producción de leche en el tiempo, además de alrededor del 4% de dependencia lineal con otros factores.

    DEL CAPÍTULO 9: GOAT MILK NUTRITIONAL QUALITY SOFTWARE-AUTOMATIZED INDIVIDUAL CURVE MODEL FITTING, SHAPE PARAMETERS CALCULATION AND BAYESIAN FLEXIBILITY CRITERIA COMPARISON. Pizarro M.G., Navas-González F.J., Landi V., León Jurado J., Delgado, J.V., Fernández J., Martínez M.A. Animals (UNDER REVIEW).

    XVIII. Los modelos ALISCH y PARYLDENS podrían usarse para estudiar la variabilidad genética existente para de la composición de la leche de cabra como modelos de evaluación confiables para enfrentar los desafíos futuros que ofrece la industria lechera caprina.

    XIX. Los resultados más exitosos de PARYLDENS al ajustar el recuento total de células somáticas se pueden atribuir al hecho de que puede representar mejor los eventos puntuales de mastitis, que presumiblemente pueden basarse en el menor número de parámetros del modelo PARYLDENS.

    XX. El modelo PARYLDENS puede superar los valores medios para Adj. R2 para modelos con el mismo número o incluso más alto de parámetros. Por lo tanto, su mejor capacidad explicativa puede basarse en su complejidad computacional, derivada de la inclusión de un exponente negativo.

    DEL CAPÍTULO 10: BAYESIAN ANALYSIS OF THE ASSOCIATION BETWEEN CASEIN COMPLEX HAPLOTYPE VARIANTS AND MILK YIELD, COMPOSITION AND CURVE SHAPE PARAMETERS IN MURCIANO-GRANADINA GOATS. Pizarro M.G., Navas-González F.J., Landi V., León Jurado J., Delgado J.V., Fernández J., Martínez M.A. Animals (UNDER REVIEW).

    XXI. La variabilidad de las secuencias haplotípicas en los loci del complejo de los genes de las caseínas se puede utilizar para definir modelos de selección y estrategias para rasgos económicamente importantes en las cabras lecheras. Sin embargo, aparte de la producción de leche y los rasgos de composición, fuera de los parámetros de forma curva, solo los picos de porcentaje de proteína son candidatos potenciales en los planes de mejoramiento considerando los diferentes haplotipos de caseína como criterios de selección.

    XXII. Una definición completa de los haplotipos para el complejo de los genes de las caseínas en cabras es difícil, dada la alta variabilidad genética que se promueve cuando se consideran las secuencias en el locus para las cuatro caseínas.

    CONCLUSIÓN GENERAL La introducción de los efectos aditivos, dominantes y epistáticos de los SNPs del complejo de las caseínas en los modelos utilizados para las evaluaciones genéticas de la producción y los componentes de la leche en la raza Murciano-Granadina pueden aumentar el poder de estimación de los modelos y la exactitud de los valores de cría, identificando alelos con repercusión nula o menor en los rasgos cuantitativos o cualitativos de la leche, permitiendo seleccionar reproductores portadores de genes capaces de sintetizar proteínas con características favorables para su utilización en la industria láctea (leche fresca, fermentación, rendimiento quesero, etc.), reforzando la competitividad internacional de la raza. Además, teniendo en cuenta que los efectos de los polimorfismos en estos genes pueden cambiar los rasgos relacionados con la producción de leche y sus componentes a lo largo de la curva de lactación, el estudio individual de las mismas aporta información providencial para la selección de ejemplares, al igual que la inclusión de la variabilidad de las secuencias haplotípicas en los loci del complejo de los genes de las caseínas. Dado que esta información todavía no se ha utilizado para la evaluación genética de las cabras de raza Murciano-Granadina dentro del programa de cría, los resultados de este estudio pueden ser la antesala para la integración de los mismos en selección de reproductores de la raza, al igual que se establece una base preliminar para futuras investigaciones sobre la asociación entre los SNPs y los rasgos productivos.

    4. Bibliografía Addass P., Tizhe M., Midau A., Alheri P., Yahya M. (2013). Effect of genotype, stage of lactation, season and parity on milk composition of goat, in Mubi, Adamawa State, Nigeria. Ann. Biol. Res. 4, 248-252.

    Adediran S. A., Ratkowsky D. A., Donaghy D. J., & Malau-Aduli A. E. O. (2012). Comparative evaluation of a new lactation curve model for pasture-based Holstein-Friesian dairy cows. J. Dairy Sci. 95, 5344-5356. Doi: 10.3168/jds.2011-4663.

    Agudelo-Gómez D., Pineda-Sierra S., Cerón-Muñoz M.F. (2015). Genetic evaluation of dual-purpose buffaloes (Bubalus bubalis) in Colombia using principal component analysis. PLoS One. 10, e0132811. Doi: 10.1371/journal.pone.0132811.

    Alais C. (1998). Ciencia de la leche: principios de técnica lechera; Reverté S.A: Barcelona, España.

    Alderson G. (2018). Conservation of breeds and maintenance of biodiversity: Justification and methodology for the conservation of Animal Genetic Resources. Arch. Zootec. 67, 300–309. Doi: 10.21071/az.v67i258.3668.

    Ali T., and Schaeffer L. (1987). Accounting for covariances among test day milk yields in dairy cows. Canadian. J. Dairy Sci. 67(3):637-644. Doi: 10.4141/cjas87-067.

    Alhussien M., Manjari P., Sheikh A., Seman S.M., Reddi S., Mohanty A., Mukherjee J., Dang A. (2016). Immunological attributes of blood and milk neutrophils isolated from crossbred cows during different physiological conditions. Czech J. Anim. Sci. 61, 223-231. Doi: 10.17221/63/2015-CJAS.

    Analla M., Jiménez-Gamero I., Muñoz-Serrano A., Serradilla J.M., Falagán A. (1996). Estimation of Genetic Parameters for Milk Yield and Fat and Protein Contents of Milk from Murciano-Granadina Goats. J. Dairy Sci. 79, 1895–1898. Doi: 10.3168/jds.S0022-0302(96)76558-X.

    Andonov S., Ødegård J., Svendsen M., Ådnøy T., Vegara M., Klemetsdal G. (2013). Comparison of random regression and repeatability models to predict breeding values from test-day records of Norwegian goats. J. Dairy Sci. 96, 1834-1843. Doi: 10.3168/jds.2012-5910.

    Andonov S., Ødegård, J., Boman I., Svendsen M., Holme I., Ådnøy T., Vukovic V., Klemetsdal G. (2007). Validation of test-day models for genetic evaluation of dairy goats in Norway. J. Dairy Sci. 90, 4863–4871. Doi: 10.3168/jds.2006-626.

    Andreazza J., Rorato P.R.N., El Faro L., Boligon A.A., Weber T., Kippert C.J., Lopes J.S. (2008) .Parâmetros genéticos e eficiência relativa de seleção para a produção de leite no dia do controle para vacas da raça Holandesa. Ciênc. Rural. 38, 451-456. Doi: 10.1590/S0103-84782008000200025.

    Appleman R.D., Delouche J.C. (1958). Behavioral, physiological and biochemicalresponses of goats to temperature, 0 to 40° C. J. Anim. Sci. 17, 326-335. Doi: 10.2527/jas1958.172326x.

    Araújo C. V. d., Torres R. d. A., Costa C. N., Torres Filho R. d. A., Araújo S. I., Lopes P. S., Regazzi A. J., Pereira C. S., and Sarmento J. L. R. (2006). Uso de modelos de regressão aleatória para descrever a variação genética da produção de leite na raça Holandesa. R. Bras. Zootec. 35(3):975-981.Doi: 10.1590/S1516-35982006000400006.

    ARCA. (2019). Datos productivos-Raza caprina MURCIANO. Catálogo of razas. Available from: http://www.mapama.gob.es/es/ganaderia/temas/zootecnia/razasganaderas/razas/catalogo/autoctona-fomento/caprino/murcianogranadina/datos_productivos.aspx.

    Arora J. S. (2017). Chapter 14 - Practical Applications of Optimization. Pages 601-680 in Introduction to Optimum Design (Fourth Edition). J. S. Arora, ed. Academic Press, Boston.

    Arnal M., Robert-Granié C., Larroque H. (2018). Diversity of dairy goat lactation curves in France. J. Dairy Sci. 101, 11040-11051. Doi: 10.3168/jds.2018-14980.

    Assan N. (2015). Significance of parity, year-season and prolificacy in influencing goat milk production traits. Agric. Adv. 4, 1-6. Doi: 10.14196/aa.v4i1.1764.

    Asherson R., Walker S., and Jara L. J. (2008). Endocrine manifestations of systemic autoimmune diseases. Elsevier, London.

    Atashi H., Salavati M., De Koster J., Ehrlich J., Crowe M., Opsomer G., Gplus E.c., Hostens M. (2020). Genome-wide association for milk production and lactation curve parameters in Holstein dairy cows. J. Anim. Breed. Genet. 137, 292-304. Doi: 10.1111/jbg.12442.

    Aydin Z., Marcussen T., Ertekin A.S., Oxelman B. (2014). Marginal likelihood estimate comparisons to obtain optimal species delimitations in Silene sect. Cryptoneurae (Caryophyllaceae). PLoS One. 9, e106990. Doi: 10.1371/journal.pone.0106990.

    Bagnicka E., Distl O., Hamann H., Lukaszewicz M. (2004). Heritabilities and genetic correlations between the dairy traits in goats estimated in first vs later lactations. Anim. Sci. Pap. Rep. 22, 205–213.

    Bagnicka E., Hamann H., Distl O. (2015). Structure and the non-genetic and genetic effects on milk traits in Polish dairy goat population. Anim. Sci. Pap. Rep. 33, 59-69.

    Bagnicka E., Lukaszewicz M., Ådnøy T. (2016). Genetic parameters of somatic cell score and lactose content in goats milk. J. Anim. Feed Sci. 25, 210-215. Doi: 10.22358/jafs/65552/2016.

    Baltrėnaitė L., Liucvaikienė K., Makštutienė N., Morkūnienė K., Šalomskienė L., Miceikienė I., Stankevičius R., and Kerzienė S. (2013). Ožkų pieno baltymų genų įvairovės poveikis pieninėms savybėms/ The influence of goat milk protein gene polymorphism to milk traits. Vet. Med. Zoot. 62, 8-13.

    Barbieri M. (1995). Polymorphisme de la caseine alpha s1 effets des genotypes sur des performances zootechiniques et utilisation en selection caprine. PhD Thesis. Institut National Agronomique Paris-Grignon. Paris, France.

    Bárcenas P., Elortondo F. P., and Albisu M. (2003). Comparison of free choice profiling, direct similarity measurements and hedonic data for ewes’ milk cheeses sensory evaluation. Int. Dairy J. 13, 67-77. Doi: 10.1016/S0958-6946(02)00139-5.

    Barillet F. (2007). Genetic improvement for dairy production in sheep and goats. Small Rumin Res. 70, 60–75.Doi: 10.1016/j.smallrumres.2007.01.004.

    Bayarri M. J., Berger J. O., Forte A., and García-Donato G. (2012). Criteria for Bayesian model choice with application to variable selection. Ann. Stat. 40(3):1550-1577. Doi: 10.1214/12-AOS1013.

    Braunschweig M., Hagger C., Stranzinger G., Puhan Z. (2000). Associations between casein haplotypes and milk production traits of Swiss Brown cattle. J. Dairy Sci. 83, 1387-1395. Doi: 10.3168/jds.S0022-0302(00)75007-7.

    Beja-Pereira A., Luikart G., England P. R., Bradley D. G., Jann O. C., Bertorelle G., Chamberlain A. T., Nunes T. P., Metodiev S., Ferrand N., and Erhardt G. (2003). Gene-culture coevolution between cattle milk protein genes and human lactase genes. Nat. Genet. 35, 311-313. Doi: 10.1038/ng1263.

    Berget I., Martens H., Kohler A., Sjurseth S., Afseth N., Narum B., Ådnøy T., Lien S. (2010). Caprine CSN1S1 haplotype effect on gene expression and milk composition measured by Fourier transform infrared spectroscopy. J. Dairy Sci. 93, 4340-4350. Doi: 10.3168/jds.2009-2854.

    Benradi Z. (2007). Genetic analysis of milk composition, cheese yield and reological traits and the Malagueña and Murciano-Granadina goat breeds. MSc Thesis. International Centre for Advanced Mediterranean Agronomic Studies, Zaragoza, Spain.

    Bersaglieri T., Sabeti P. C., Patterson N., Vanderploeg T., Schaffner S. F., Drake J. A., Rhodes M., Reich D. E., and Hirschhorn J. N. (2004). Genetic signatures of strong recent positive selection at the lactase gene. Am. J. Hum. Genet. 74, 1111-1120. Doi: 10.1086/421051.

    Bet R., Kosgey I., Bebe B., Kahi A. (2007). Genetic improvement of the Kenya dual purpose goat: Influence of economic values and prospects for a practical breeding programme. Trop. Sci. 47, 105–119. Doi: 10.1002/ts.204.

    Bevilacqua C., Ferranti P., Garro G., Veltri C., Lagonigro R., Leroux C., Pietrola E., Addeo F., Pilla F., Chianese L. (2002). Interallelic recombination is probably responsible for the occurrence of a new as1-casein variant found in the goat species. Eur. J. Biochem. Febs. J. 269, 1293–1303. Doi: 10.1046/j.1432-1033.2002.02777.x.

    Bidanel J. (1998). Benefits and limits of increasingly sophisticated models for genetic evaluation: the example of pig breeding. In Proceedings of the 6th World Congress on Genetics Applied to Livestock Production; Armidale, Australia, January 11-16, pp. 11-16.

    Bignardi A., El Faro L., Rosa G., Cardoso V., Machado P.F., Albuquerque L.G.d. (2012). Principal components and factor analytic models for test-day milk yield in Brazilian Holstein cattle. J. Dairy Sci. 95, 2157-2164. Doi: 10.3168/jds.2011-4494.

    Bignardi A., Santana Jr. M., Eler J., Ferraz J. (2014). Models for genetic evaluation of growth of Brazilian Bonsmara cattle. Livest. Sci. 162, 50-58. Doi: 10.1016/j.livsci.2014.01.031.

    Bionaz M., Loor J.J. (2007). Identification of reference genes for quantitative real-time PCR in the bovine mammary gland during the lactation cycle. Physiol. Genomics. 29, 312-319. Doi: 10.1152/physiolgenomics.00223.2006.

    Boettcher P.J., Caroli A., Stella A., Chessa S., Budelli E., Canavesi F., Ghiroldi S., Pagnacco G. (2004). Effects of casein haplotypes on production traits in Italian Holstein and Brown cattle. J. Dairy Sci. 87, 4311-4317. Doi: 10.3168/jds.S0022-0302(04)73576-6.

    Boichard D., Bouloc N., Ricordeau G., Piacere A., Barillet F. (1989). Genetic parameters for first lactation dairy traits in the Alpine and Saanen goat breeds. Genet. Sel. Evol. 21, 205. Doi: 10.1186/s12711-019-0485-3.

    Boldman K.G., Kriese L.A., Vleck L.D., Tassell C.P., Kachman S.D. (1995). A manual for use of MTDFREML. A set of programs to obtain estimates of variances and covariances. 1st ed. Washington (DC): US Department of Agriculture, Agricultural Research Service. pp. 114.

    Bolormaa S., Hayes B. J., Savin K., Hawken R., Barendse W., Arthur P. F., ... & Goddard, M. E. (2011). Genome-wide association studies for feedlot and growth traits in cattle. J. Anim. sci. 89, 1684-1697. Doi: 10.2527/jas.2010-3079.

    Bömkes D., Hamann H., Distl O. (2004). Estimation of genetic parameters for test day records of milk yield traits in German Improved Eawn. Arch. Tierz. 47, 193–202. Doi: 10.3168/jds.2011-4706.

    Bonanno A., Di Grigoli A., Di Trana A., Di Gregorio P., Tornambè G., Bellina V., Claps S., Maggio G., Todaro M. (2013). Influence of fresh forage-based diets and αS1-casein (CSN1S1) genotype on nutrient intake and productive, metabolic, and hormonal responses in milking goats. J. Dairy Sci. 96, 2107–2117. Doi: 10.3168/jds.2012-6244.

    Bonanno A., Di Grigoli A., Montalbano M., Bellina V., Mazza F., Todaro M. (2013). Effects of diet on casein and fatty acid profiles of milk from goats differing in genotype for aS1- casein synthesis. Eur. Food Res. Technol. 237, 951–963. Doi: 10.1007/s00217-013-2069-8.

    Bouallegue M., and M’Hamdi N. (2019). Mathematical Modeling of Lactation Curves: A Review of Parametric Models. in Lactation in Farm Animals-Biology, Physiological Basis, Nutritional Requirements, and Modelization. IntechOpen. Doi: 10.5772/intechopen.90253.

    Bouwman A. C., Bovenhuis H., Visker M. H., & van Arendonk J. A. (2011). Genome-wide association of milk fatty acids in Dutch dairy cattle. BMC genetics. 12, 43. Doi: 10.1186/1471-2156-12-43.

    Brewer M. J., Butler A., and Cooksley S. L. (2016). The relative performance of AIC, AICC and BIC in the presence of unobserved heterogeneity. Methods Ecol. Evol. 7(6):679-692. Doi: 10.1111/2041-210X.12541.

    Brito L., Silva F., Melo A., Caetano G., Torres R., Rodrigues M., Menezes G. (2011). Genetic and environmental factors that influence production and quality of milk of Alpine and Saanen goats. Genet. Mol. Res. 10, 3794–3802. Doi: 10.4238/2011.December.14.9.

    Brotherstone, S., I. White, and K. Meyer. (2000). Genetic modelling of daily milk yield using orthogonal polynomials and parametric curves. Anim. Sci. 70(3):407-415. Doi: 10.1017/S1357729800051754.

    Broucek J., Mihina S., Kisac P., Hanus A., Uhrincat M., Foltys V., Marencak S., Benc F. (2005). Environmental factors and progeny affecting milk yield and composition during the first lactation. J. Anim. Feed Sci. 14, 461. Doi: 10.22358/jafs/67040/2005.

    Brown J.D. (2008). Effect size and eta squared. JALT Test. Eval. Sig News. 12, 38–43.

    Buchberger J., and Dovč P. (2000). Lactoprotein genetic variants in cattle and cheese making ability. Food Technol. Biotechnol. 38, 91-98.

    Bulmer M. (1971). The effect of selection on genetic variability. Am. Nat. 105, 201-211.

    Burnham, K. and D. R. Anderson. (2002). Model Selection and Multimodel Inference, KP Burnham, DR Anderson, Eds. Springer-Verlag, New York.

    Burnham K. P., and Anderson D. R. (2004). Multimodel inference: understanding AIC and BIC in model selection. Sociol. Methods Res. 33(2):261-304. Doi: 10.1177/0049124104268644.

    Buzanskas M., Savegnago R., Grossi D., Venturini G., Queiroz S., Silva L., Júnior R.T., Munari D., Alencar M. (2013). Genetic parameter estimates and principal component analysis of breeding values of reproduction and growth traits in female Canchim cattle. Reprod. Fert. Develop. 25, 775-781. Doi: 10.1071/RD12132.

    Buzanskas M.E., Grossi D.A., Ventura R.V., Schenkel F.S., Sargolzaei M., Meirelles S.L., Mokry F.B., Higa R.H., Mudadu M.A., da Silva M.V.B. (2014). Genome-wide association for growth traits in Canchim beef cattle. PLoS One. 9, e94802. Doi: 10.1371/journal.pone.0094802.

    Cardona S.J.C., Cadavid H.C., Corrales J.D., Munilla S., Cantet R.J., Rogberg-Muñoz A. (2016). Longitudinal data analysis of polymorphisms in the κ-casein and β-lactoglobulin genes shows differential effects along the trajectory of the lactation curve in tropical dairy goats. J. Dairy Sci. 99, 7299-7307. Doi: 10.3168/jds.2016-10954.

    Camacho M.E., Barba C.J., León J.M., Vallecillo A., Pleguezuelos J. (2010). Especie Caprina: Murciano Granadina. In Guía de Campo de Razas Autóctonas Españolas; Fernández M., Goméz M., Delgado J.V., Adán M., Jiménez M., Eds. Ministerio de Medio Ambiente y Medio Rural y Marino: Madrid, Spain, pp. 220–222.

    Cannon A. and Hsieh W. (2008). Robust nonlinear canonical correlation analysis: application to seasonal climate forecasting. Nonlin. Processes Geophy. 15, 221-232. Doi: 10.5194/npg-15-221-2008.

    Caravaca F., Ares J. L., Carrizosa J., Urrutia B., Baena F., Jordana J., Amills M. (2011). Effects of αS1-casein (CSN1S1) and κ-casein (CSN3) genotypes on milk coagulation properties in Murciano- Granadina goats. J. Dairy Res. 78, 32–37. Doi: 10.1017/S002202991000083X.

    Caravaca F., Carrizosa J., Urrutia B., Baena F., Jordana J., Amills M., Badaoui B., Sánchez A., Angiolillo A., Serradilla J. (2009). Short communication: effect of alphaS1-casein (CSN1S1) and kappa-casein (CSN3) genotypes on milk composition in Murciano-Granadina goats. J. Dairy Sci. 92, 2960-2964. Doi: 10.3168/jds.2008-1510.

    Cardak A., Yetismeyen A., and Bruckner H. (2003). Quantitative comparison of camel, goat and cow milk fatty acids. Milchwissenschaft. 58, 34-36.

    Carillier-Jacquin C., Larroque H., Robert-Granie C. (2016). Including αS1 casein gene information in genomic evaluations of French dairy goats. Genet. Sel. Evol. 48:54. Doi: 10.1186/s12711-016-0233-x.

    Carnicella D., Dario M., Ayres M.C.C., Laudadio V., Dario C. (2008). The effect of diet, parity, year and number of kids on milk yield and milk composition in Maltese goat. Small Rumin Res. 77, 71–74. Doi: 10.1016/j.smallrumres.2008.02.006.

    Caroli A., Chiatti F., Chessa S., Rignanese D., Bolla P., & Pagnacco G. (2006). Focusing on the goat casein complex. J. Dairy Sci. 89, 3178–3187. Doi: 10.3168/jds.S0022-0302(06)72592-9.

    Caroli A., Chessa S., Bolla P., Budelli E., Gandini G.C. (2004). Genetic structure of milk protein polymorphisms and effects on milk production traits in a local dairy cattle. J. Anim. Breed Genet. 121. 119-127. Doi: 10.1111/j.1439-0388.2003.00443.x.

    Caroprese M., Albenzio M., Bruno A., Annicchiarico G., Marino R., Sevi A. (2012). Effects of shade and flaxseed supplementation on the welfare of lactating ewes under high ambient temperatures. Small Ruminant Res. 102, 177-185. Doi: 10.1016/j.smallrumres.2011.07.010.

    Carrizosa J., Falagan A., Urrutia B., Lafuente A. (1993). Notas preliminares sobre lactaciones normalizadas de cabras Murciano-Granadinas en Murcia: I. Influencia de la época de partos. V Jorn. Sobre Prod. Anim. AIDA. Vol extra 12. pp. 3-5.

    Carter A.J., Hermisson J., Hansen T.F. (2005). The role of epistatic gene interactions in the response to selection and the evolution of evolvability. Theor. Popul. Biol. 68, 179-196. Doi: 10.1016/j.tpb.2005.05.002.

    Castañeda-Bustos V., Montaldo H., Torres-Hernández G., Pérez-Elizalde S., Valencia-Posadas M., Hernández-Mendo O., Shepard L. (2014). Estimation of genetic parameters for productive life, reproduction, and milk-production traits in US dairy goats. J. Dairy Sci. 97, 2462–2473. Doi: 10.3168/jds.2013-7503.

    Clark S.A., Hickey J.M., Daetwyler H.D., van derWerf J.H.J. (2012). The importance of information on relatives for the prediction of genomic breeding values and the implications for the makeup of reference data sets in livestock breeding schemes. Genet. Sel. Evol. 44, 4. Doi: 10.1186/1297-9686-44-4.

    Clyde M., Cetinkaya-Rundel M., Rundel C., Banks D., Chai C., Huang L. (2019). Chapter 7. Bayesian Model Choice. in: Clyde M., Cetinkaya-Rundel M., Rundel C., Banks D., Chai C., Huang L. (Eds.), An Introduction to Bayesian Thinking. https://statswithr.github.io/book/.

    Cockerham C. C. (1954). An extension of the concept of partitioning hereditary variance for analysis of covariances among relatives when epistasis is present. Genetics. 39, 859-882.

    Cordell H. J. (2002). Epistasis: what it means, what it doesn't mean, and statistical methods to detect it in humans. Hum. Mol. Genet. 11, 2463-2468. Doi: 10.1093/hmg/11.20.2463.

    Crepaldi P., Corti M., Cicogna M., (1999). Factors affecting milk production and prolificacy of Alpine goats in Lombardy (Italy). Small Ruminant Res. 32, 83-88. Doi: 10.1016/S0921-4488(98)00156-4.

    Crona K., Gavryushkin A., Greene D., and Beerenwinkel N. (2017). Inferring genetic interactions from comparative fitness data. Elife. 6, e28629. Doi: 10.7554/eLife.28629.

    Congleton J.r., W., Everett R. (1980). Error and bias in using the incomplete gamma function to describe lactation curves. J. Dairy Sci. 63, 101-108. Doi: 10.3168/jds.S0022-0302(80)82894-3.

    Congleton J.r., W., Everett R. (1980). Application of the incomplete gamma function to predict cumulative milk production. J. Dairy Sci. 63, 109-119. Doi: 10.3168/jds.S0022-0302(80)82895-5.

    Cuyabano B. C. D., Su G., Rosa G., Lund M. S., and Gianola D. (2015). Bootstrap study of genome-enabled prediction reliabilities using haplotype blocks across Nordic Red cattle breeds. J. Dairy Sci. 98, 7351-7363. Doi: 10.3168/jds.2015-9360.

    Chanat E., Martin P., and Ollivier-Bousquet M. (1999). Alpha (S1)-casein is required for the efficient transport of beta-and kappa-casein from the endoplasmic reticulum to the Golgi apparatus of mammary epithelial cells. J. Cell. Sci. 112, 3399-3412.

    Chaneton L., Bonta M., Pol M., Tirante L., Bussmann L. (2013). Milk lactoferrin in heifers: influence of health status and stage of lactation. J. Dairy Sci. 96, 4977-4982. Doi: 10.3168/jds.2012-6028.

    Chen J., Wang Y., Zhang Y., Sun D., Zhang Y. (2009). Estimation of economic values for production and functional traits in Chinese Holstein. J. Anim. Vet. Adv. 8, 2125–2132. Doi: javaa.2009.2125.2132.

    Chen Z., Yao Y., Ma P., Wang Q., Pan Y. (2018). Haplotype-based genome-wide association study identifies loci and candidate genes for milk yield in Holsteins. PloS One. 13, e0192695. Doi: 10.1371/journal.pone.0192695.

    Chessa S., Budelli E., Chiatti F., Cito A., Bolla P., & Caroli A. (2005). Predominance of β-casein (CSN2) C allele in goat breeds reared in Italy. J. Dairy Sci. 88, 1878–1881. Doi: 10.3168/jds.S0022-0302(05)72863-0.

    Chessa S., Rignanese D., Küpper J., Pagnacco G., Erhardt G., & Caroli A. (2008). The β-casein (CSN2) silent allele C1 is highly spread in goat breeds. J. Dairy Sci. 91, 4433–4436. Doi: 10.3168/jds.2008-1228.

    Cheverud J., & Wolf J. B. (2009) Genetics and evolutionary consequences of maternal effects. In D. Maestripieri, & J. M. Mateo (Eds.), Maternal effects in mammals. pp. 11–37). Chicago, IL: Chicago University Press.

    Cheverud J.M., Routman E.J. (1995). Epistasis and its contribution to genetic variance components. Genetics. 139, 1455-1461.

    Chiatti F., Chessa S., Bolla P., Cigalino G., Caroli A., Pagnacco G. (2007). Effect of κ-casein polymorphism on milk composition in the Orobica goat. J. Dairy Sci. 90, 1962–1966. Doi: 10.3168/jds.2006-508.

    Chickering D.M., Heckerman D. (1996). Efficient approximations for the marginal likelihood of incomplete data given a Bayesian network. XII international conference on Uncertainty in artificial intelligence, Burlington, MA. pp. 158-168.

    Damian J., Sacchi I., Reginensi S., De Lima D., Bermúdez J. (2008). Cheese yield, casein fractions and major components of milk of Saanen and Anglo-Nubian dairy goats. Arq. Bras. Med. Vet. Zoo. 60, 1564–1569. Doi: 10.1590/S0102-09352008000600040.

    Dagnachew B. S., & Ådnøy T. (2014). Additive and dominance effects of casein haplotypes on milk composition and quality in Norwegian dairy goats. Small Ruminant Res. 122, 59–69. Doi: 10.1016/j.small rumres.2014.07.020.

    Dagnachew B. S., and Ådnøy T. (2014). Additive and dominance effects of casein haplotypes on milk composition and quality in Norwegian dairy goats. Small Ruminant Res. 122, 59-69. Doi: 10.1016/j.smallrumres.2014.07.020.

    Dagnachew B. S., Thaller G., Lien S., & Ådnøy T. (2011). Casein SNP in Norwegian goats: Additive and dominance effects on milk composition and quality. Genet. Sel. Evol. 43, 31. Doi: 10.1186/1297-9686-43-31.

    Dagnachew B. S., Thaller G., Lien S., and Ådnøy T. (2011). Casein SNP in Norwegian goats: additive and dominance effects on milk composition and quality. Genet. Sel. Evol. 43, 31. Doi: 10.1186/1297-9686-43-31.

    Dania A., Vagenas G., and Tyrovola V. (2013). Typological classifications of Greek dance forms according to the type of choros “sta tria”: A non-parametric and non-linear canonical correlation analysis of 122 Greek folk dances. A. Ethnogr. Hung. 58, 229-254. Doi: 10.1556/AEthn.58.2013.1.16.

    Daye Z. J., Chen J., and Li H. (2012). High‐Dimensional Heteroscedastic Regression with an Application to eQTL Data Analysis. Biometrics. 68, 316-326. Doi: 10.1111/j.1541-0420.2011.01652.x.

    de los Campos G., Hickey J.M., Pong-Wong R., Daetwyler H.D., Calus M.P. (2013). Whole-genome regression and prediction methods applied to plant and animal breeding. Genetics. 193, 327-345. Doi: 10.1534/genetics.112.143313.

    de Haas Y., Barkema H.W., Veerkamp R.F. (2002). The effect of pathogen-specific clinical mastitis on the lactation curve for somatic cell count. J. Dairy Sci. 85, 1314-1323. Doi: 10.3168/jds.S0022-0302(02)74196-9.

    de Souza G.N., Brito J.R.F., Brito M.A.V.P., Lange C., de Faria C.G., de Moraes L.C.D., Fonseca R.G., de Almeida Silva Y. (2009). Composição e contagem de células somáticas no leite de rebanhos caprinos do Sudeste do Brasil. Braz. J. Vet. Res. Anim. Sci. 46, 19-24.

    Delgado J., Gómez M., Pleguezuelos J. Catálogo de Sementales 2011 de la Asociación Nacional de Criadores de Caprino de Raza Murciano-Granadina; Asociación Nacional de Criadores de Caprino de Raza Murciano-Granadina: FuenteVaqueros, Spain, 2012.

    Delgado J., León J., Gama L., Lozano J., Quiroz J., Camacho M. (2006). Genetic parameters for milk traits in Murciano-Granadina goats in the high lands. In Proceedings of the 8th World Congress on Genetics Applied to Livestock Production, Belo Horizonte, Minas Gerais, Brazil, 13–18 August; pp. 2–13.

    Delgado J.V., Landi V, Barba C.J., Fernández J., Gómez M.M., Camacho M.E., Martínez M.A., Navas F.J., León J.M. (2017). Sustainable goat production in adverse environments: Volume II. Murciano-Granadina Goat: A Spanish local breed ready for the challenges of the twenty-first century. Cham (Switzerland): Springer. Chapter 18, pp. 205–219.

    Dematawewa C., Pearson R., and VanRaden P. (2007a). Modeling extended lactations of Holsteins. J. Dairy Sci. 90(8):3924-3936. Doi: 10.3168/jds.2006-790.

    Dematawewa C. M. B., Pearson R. E., and VanRaden P. M. (2007b). Modeling Extended Lactations of Holsteins. J. Dairy Sci. 90(8):3924-3936. Doi: 10.3168/jds.2006-790.

    Depaoli S., Van de Schoot R. (2017). Improving transparency and replication in Bayesian statistics: The WAMBS-Checklist. Psychol. Methods. 22, 240. Doi: 10.1037/met0000065.

    Deroide C.A.S., Jacopini L.A., Delgado J.V., León J.M., Brasil L.H.A., Ribeiro M.N. (2016). Inbreeding depression and environmental effect on milk traits of the Murciano-Granadina goat breed. Small Rumin Res. 134, 44–48. Doi: 10.1016/j.smallrumres.2015.12.008.

    Dı́az E., Analla M., Muñoz-Serrano A., Alonso-Moraga A., Serradilla J. (1999). Variation of milk yield and contents of total casein and casein fractions in Murciano-Granadina goats. Small Ruminant Res. 34, 141-147. Doi: 10.1016/S0921-4488(99)00053-X.

    Dı́az E., Analla M., Muñoz-Serrano A., Alonso-Moraga A., Serradilla J. (1999). Variation of milk yield and contents of total casein and casein fractions in Murciano-Granadina goats. Small Ruminant Res. 34, 141-147. Doi: 10.1016/S0921-4488(99)00053-X.

    Domingo J., Diss G., and Lehner B. (2018). Pairwise and higher-order genetic interactions during the evolution of a tRNA. Nature. 558, 117. Doi: 10.1038/s41586-018-0170-7.

    Domínguez-Viveros J., Rodríguez-Almeida F., Burrola-Barraza M., Callejas-Juárez N., Ortega-Gutiérrez J. (2019). Análisis con componentes principales y estimación de parámetros genéticos para medidas zoométricas en caballo pura raza española de México. Arch. Zootec. 68, 434-439.

    Dong G., Ray N., and Acton S. T. (2005). Intravital leukocyte detection using the gradient inverse coefficient of variation. IEEE Trans. Med. Imaging. 24(7):910-924. Doi: 10.1109/TMI.2005.846856.

    Drton M., Plummer M. (2017). A Bayesian information criterion for singular models. J. R. Stat. Soc. Series B. Stat. Methodol. 79, 323-380. Doi: 10.1111/rssb.12187.

    Ducrocq V., Quaas R., Pollak E., and Casella G. (1988). Length of productive life of dairy cows. 1. Justification of a Weibull model. J. Dairy Sci. 71(11):3061-3070. Doi: 10.3168/jds.S0022-0302(88)79906-3.

    Durbin, J. (1970). Testing for serial correlation in least-squares regression when some of the regressors are lagged dependent variables. Econometrica: J. Econom. Soc.410-421. Doi: 10.2307/1909547.

    Ehrmann S., Bartenschlager H., and Geldermann H. (1997). Quantification of gene effects on single milk proteins in selected groups of dairy cows. J. Anim. Breed Genet. 114, 121-132. Doi: 10.1111/j.1439-0388.1997.tb00499.x.

    Druet T., Jaffrézic F., Boichard D., Ducrocq V. (2003). Modeling lactation curves and estimation of genetic parameters for first lactation test-day records of French Holstein cows. J. Dairy Sci. 86, 2480-2490. Doi: 10.3168/jds.S0022-0302(03)73842-9.

    El-Tarabany M.S., El-Tarabany A.A., Roushdy E.M. (2018). Impact of lactation stage on milk composition and blood biochemical and hematological parameters of dairy Baladi goats. Saudi J. Biol. Sci. 25, 1632-1638. Doi: 10.1016/j.sjbs.2016.08.003.

    Ercili-Cura D., Huppertz T., and Kelly A. (2015). Enzymatic modification of dairy product texture. Pages 71-97 in Modifying Food Texture: Novel Ingredients and Processing Techniques. Volumen I. J. Chen and A. Rosenthal. Woodhead Publishing/Elsevier, Sawston, UK. Doi: 10.1016/B978-1-78242-333-1.00004-8.

    Eqsquest. (2020). Symbolab Vol. 2020. Eqsquest Israel.

    Everitt, B. (1998). The cambridge dictionary of statistics cambridge university press. Cambridge, UK Google Scholar.

    France J., Kebreab E. (2008). Mathematical Modelling in Animal Nutrition; CABI: Wallingford, UK.

    Feistauer M., Dolejší V., Knobloch P., and Najzar K. (2004). Numerical Mathematics and Advanced Applications: Proceedings of ENUMATH 2003 the 5th European Conference on Numerical Mathematics and Advanced Applications Prague, August 2003. Springer, Berlin Heidelberg.

    Filho E.C.P., Sarmento J.L.R., Ribeiro M.N. (2004). Efeitos genéticos e ambientais que afetam a produção de leite e duração da lactação de cabras mestiças no estado da Paraíba. R. Bras. Zootec. 33, 1426-1431. Doi: 10.1590/S1516-35982004000600009.

    Fisher R. A. (1919). XV. The correlation between relatives on the supposition of Mendelian inheritance. Earth Env. Sci. T. R. So. 52, 399-433. Doi: 10.1017/S0080456800012163.

    Ferrell James E., Tsai Tony Y.-C., Yang Q. (2011). Modeling the Cell Cycle: Why Do Certain Circuits Oscillate? Cell. 144, 874-885. Doi: 10.1016/j.cell.2011.03.006.

    Fresno M., Gómez J., Molina A., Darmanin N., Capote J., Delgado J. (1994). Preliminary Study of the Majorera Milk Goat Productive Performance Estudio Preliminar del Rendimiento Prodcutivo de la Cabra. Arch. Zootec. 43, 181-186.

    Frisse L., Hudson R., Bartoszewicz A., Wall J., Donfack J., and Di Rienzo A. (2001). Gene conversion and different population histories may explain the contrast between polymorphism and linkage disequilibrium levels. Am. J. Hum. Genet. 69, 831-843. Doi: 10.1086/323612.

    Gabriel S. B., Schaffner S. F., Nguyen H., Moore J. M., Roy J., Blumenstiel B., Higgins J., DeFelice M., Lochner A., and Faggart M. (2002). The structure of haplotype blocks in the human genome. Sci. 296, 2225-2229. Doi: 10.1126/science.1069424.

    Galina M.A., Silva E., Morales R., Lopez B. (1995). Reproductive performance of Mexican dairy goats under various management systems. Small Rumin Res. 18, 249–253. Doi: 10.1016/0921-4488(95)00693-6.

    Gambacorta, E.; Perna, A.; Cosentino, E. (2012). Attitudine alla caseificazione del latte di bovine Jersey in funzione del genotipo ai loci αs1, β, k-caseina. In Proceedings of Proc. 18th World Buiatrics Congress. Bologna, Italy. Editografica, Bologna, Italy, pp. 953-956.

    Gambacorta, E.; Cosentino, C.; Gambacorta, M.; Marsico, D.; Perna, A. (2005). Podolian breed cows: Casein genotype and cheesemaking attitude in pasta filata and in hard pressed curd cheese. In Proceedings of. 40th Simposio Internacional de Zootecnia From Genome to Proteome in Animal Science. Istituto Sperimentale Italiano “Lazzaro Spallanzani,” Lodi, Italy, pp.153-162.

    García-Peniche T., Montaldo H.H., Valencia-Posadas M., Wiggans G., Hubbard S., Torres-Vázquez J., Shepard L. (2012). Breed differences over time and heritability estimates for production and reproduction traits of dairy goats in the United States. J. Dairy Sci. 95, 2707–2717. Doi: 10.3168/jds.2011-4714.

    Gawad A. E., Mona A., & Ahmed N. S. (2011). Cheese yield as affected by some parameters review. Acta Sci. Pol. Technol. Aliment. 10, 131–153. Doi: 10(2) 2011, 131-153.

    Gayawan E., and Ipinyomi R. A. (2009). A comparison of Akaike, Schwarz and R square criteria for model selection using some fertility models. Aust. J. Basic Appl. Sci. 3(4):3524-3530.

    Gelman A., Carlin J.B., Stern H.S., Dunson D.B., Vehtari A., Rubin D.B. (2013) Bayesian data analysis. Chapman and Hall/CRC. London, UK.

    Græsbøll K., Kirkeby C., Nielsen S.S., Halasa T., Toft N., Christiansen L.E. (2016). Models to estimate lactation curves of milk yield and somatic cell count in dairy cows at the herd level for the use in simulations and predictive models. Front. Vet. Sci. 3, 115. Doi: 10.3389/fvets.2016.00115.

    George D., and Mallery M. (2003). Spss for Windows Step by Step: a Simple Guide and Reference, 11.0 Update. 4th ed. Allyn & Bacon, Boston, MA.

    Green, M.; Green, L.; Schukken, Y.; Bradley, A.; Peeler, E.; Barkema, H.; De Haas, Y.; Collis, V.; Medley, G. (2004). Somatic cell count distributions during lactation predict clinical mastitis. J. Dairy Sci., 87, 12561264. Doi: 10.3168/jds.S0022-0302(04)73276-2.

    Greenberg, D.; Kerwick, S.; Encheva, T.; Williamson, D.; Mingyuan, Z.; Muthuraman, K.; Moliski, L.; Murray, J. Durbin watson statistic after the two statisticians. In STA 371G, University of Texas: Austin, TX, 2020; pp. 2-16.

    Gervais O., Pong-Wong R., Navarro P., Haley C.S., Nagamine Y. (2017). Antagonistic genetic correlations for milking traits within the genome of dairy cattle. PLoS One. 12, e0175105. Doi: 10.1371/journal.pone.0175105.

    Gigli I., Maizon D. O., Riggio V., Sardina M., & Portolano B. (2008). Casein haplotype variability in Sicilian dairy goat breeds. J. Dairy Sci. 91, 3687–3692. Doi: 10.3168/jds.2008-1067.

    Giorgio D., Di Trana A., Claps S. (2018). Oligosaccharides, polyamines and sphingolipids in ruminant milk. Small Rumin Res. 160, 23–30. Doi: 10.1016/j.smallrumres.2018.01.006.

    Gipson T., and Grossman M. (1990). Lactation curves in dairy goats: a review. Small Ruminant Res. 3(4):383-396. Doi: 10.1016/0921-4488(90)90019-3.

    Goetsch A., Zeng S., Gipson T. (2011). Factors affecting goat milk production and quality. Small Ruminant Res. 101, 55-63. Doi: 10.1016/j.smallrumres.2011.09.025.

    Gómez E., Silvestre M., Martínez B., Peris C. (2002). Caracteres de lactación en cabras Murciano-Granadinas de la comunidad Valenciana: Estudios preliminares sobre factores de variación. XXVII Jornadas Sociedad Española de Ovinotecnia y Caprinotecnia (SEOC).

    González-Peña D., Gómez E., Martínez-Navalón B., and Peris C. (2011). Individual lactation curves in Murciano Granadina goats. XIV Jornadas sobre Producción Animal, Zaragoza, España, 17 y 18 de mayo de 2011. 461-463.

    González-Peña D., Acosta J., Guerra D., González N., Acosta M., Sosa D., and Torres-Hernández G. (2012). Modeling of individual lactation curves for milk production in a population of Alpine goats in Cuba. Livest. Sci. 150(1):42-50. Doi: 10.1016/j.livsci.2012.07.026.

    Granado R.J., Rodríguez M.S., Arce C., Estévez V.R. (2014). Factors affecting somatic cell count in dairy goats: a review. Span. J. Agric. Res. 133-150. Doi: 10.5424/sjar/2014121-3803.

    Greenacre M., and Hastie T. (1987). The Geometric Interpretation of Correspondence Analysis. J. Am. Stat. Assoc. 82, 437-447. Doi: 10.2307/2289445.

    Greppi G., Roncada P., Fortin R. (2008). Protein components of goat’s milk. Dairy goats feeding and nutrition. 2, 71-94.

    Groenen M., Dijkhof R., Verstege A., & Van der Poel J. (1993). The complete sequence of the gene encoding bovine α2-casein. Gene. 123, 187–193. Doi: 10.1016/0378-1119(93)90123-K.

    Groenen M., Dijkhof R., Verstege A., and Van der Poel J. (1993). The complete sequence of the gene encoding bovine α2-casein. Gene. 123, 187-193. Doi: 10.1016/0378-1119(93)90123-K.

    Grosclaude F., Joudrier P., and Mahe´ M. F. (1978). Polymorphisme de la case´ine αS2 bovine: e´troite liaison du locus αS2-Cn avec les loci αS1-Cn, β-Cn et κ-Cn, mise en e´vidence d’un de´le´tion dans le variant αS2-CnD. Ann. Genet. Sel. Anim. 10, 313–327.Doi: 10.1186/1297-9686-10-3-313.

    Grosclaude F., Mahé M.-F., Brignon G., Di Stasio L., and Jeunet R. (1987). A Mendelian polymorphism underlying quantitative variations of goat α s1-casein. Genet. Sel. Evol. 19, 399. Doi: 10.1186/1297-9686-19-4-399.

    Grosclaude F., Ricordeau G., Martin P., Remeuf F., Vassal L., and Bouillon J. (1994). Du gène au fromage: le polymorphisme de la caséine αs1 caprine, ses effets, son évolution. INRA Prod Anim.7, 3-19.

    Guariglia B. A. D., dos Santos P. de Souza Araújo A., Giovannini L., Neves C. I., Nicolau R. B. S., E. S., & da Silva M. A. P. (2015). Effect of the somatic cell count on physicochemical components of milk from crossbred cows. Afr. J. Biotechnol. 14, 1519–1524. Doi: 10.5897/AJB20 15.14540.

    Glusman G., Cox H.C., Roach J.C. (2014). Whole-genome haplotyping approaches and genomic medicine. Genome Med. 6, 73. Doi: 10.1186/s13073-014-0073-7.

    Haile-Mariam M., Pryce J. (2017). Genetic parameters for lactose and its correlation with other milk production traits and fitness traits in pasture-based production systems. J. Dairy Sci. 100, 3754–3766. Doi: 10.3168/jds.2016-11952.

    Ham J. S., Lee S. G., Jeong S. G., Oh M. H., Kim D. H., and Park Y. W. (2010). Characteristics of Korean-Saanen goat milk caseins and somatic cell counts in comparison with Holstein cow milk counterparts. Small Ruminant Res. 93, 202-205. Doi: 10.1016/j.smallrumres.2010.05.006.

    Hanuš O., Hronek M., Hyšpler R., Yong T., Tichá A., Fikrová P., Hanušová K., Sojková K., Kopecký J., Jedelská R. (2014). Relationship between somatic cell count and lactose content in milk of various species of mammals. Acta Univ. Agric. Silvic. Mendel Brun. 58, 87-100. Doi: 10.11118/actaun201058020087.

    Hao K., Li C., Rosenow C., and Wong W. H. (2004). Detect and adjust for population stratification in population-based association study using genomic control markers: an application of Affymetrix Genechip® Human Mapping 10K array. Eur. J. Hum. Genet. 12, 1001-1006. Doi: 10.1038/sj.ejhg.5201273.

    Harmon R. (1994). Physiology of mastitis and factors affecting somatic cell counts. J. Dairy Sci. 77, 2103–2112. Doi: 10.3168/jds.S0022-0302(94)77153-8.

    Hayes B., Goddard M. (2001). Prediction of total genetic value using genome-wide dense marker maps. Genetics. 157, 1819-1829.

    Hayes B., Hagesæther N., Ådnøy T., Pellerud G., Berg P. R., & Lien S. (2006). Effects on production traits of haplotypes among casein genes in Norwegian goats and evidence for a site of preferential recombination. Genetics. 174, 455–464. Doi: 10.1534/genetics.106.058966.

    Hayes B., Hagesæther N., Ådnøy T., Pellerud G., Berg P. R., and Lien S. (2006). Effects on production traits of haplotypes among casein genes in Norwegian goats and evidence for a site of preferential recombination. Genetics. 174, 455-464. Doi: 10.1534/genetics.106.058966.

    Heck, D. (2019). A Caveat on the Savage-Dickey Density Ratio: The Case of Computing Bayes Factors for Regression Parameters. Brit. J. Math. Stat. Psy. 72:316-333. Doi: 10.1111/bmsp.12150.

    Hedrick P.W. (2015). Heterozygote advantage: the effect of artificial selection in livestock and pets. J. Hered. 106, 141–154. Doi: 10.1093/jhered/esu070.

    Henao K., Blandón Y., González-Herrera, L., Cardona-Cadavid H., Corrales J., Calvo S. (2017). Efectos genéticos y ambientales sobre la curva de lactancia en cabras lecheras del trópico. Livest. Res. Rural. Dev. 29, 97.

    Hickson R., Lopez-Villalobos N., Dalley D., Clark D., Holmes C. (2006). Yields and persistency of lactation in Friesian and Jersey cows milked once daily. J. Dairy Sci. 89, 2017-2024. Doi: 10.3168/jds.S0022-0302(06)72269-X.

    Horne B. D., and Camp N. J. (2004). Principal component analysis for selection of optimal SNP‐sets that capture intragenic genetic variation. Genet. Epidemiol. 26, 11-21. Doi: 10.1002/gepi.10292.

    Hristov J.P., Teofanova D., Georgieva A., Radoslavov G. (2018). Effect of genetic polymorphism of αS1-casein gene on qualitative and quantitative milk traits in native Bulgarian Rhodopean cattle breed. Genet. Mol. Res. 17, 1–5. Doi: 10.4238/gmr16039868.

    Hsieh W. W. (2000). Nonlinear canonical correlation analysis by neural networks. Neural Netw. 13, 1095-1105. Doi: 10.1016/S0893-6080(00)00067-8.

    Hsieh W. W. (2004). Nonlinear multivariate and time series analysis by neural network methods. Rev. Geophys. 42(1). Doi: 10.1029/2002RG000112.

    Hubbard T., Barker D., Birney E., Cameron G., Chen Y., Clark L., Cox T., Cuff J., Curwen V., and Down T. (2002). The Ensembl genome database project. Nucleic acids. Res. 30, 38-41. Doi: 10.1093/nar/30.1.38.

    Hubbard T., Barker D., Birney E., Cameron G., Chen Y., Clark L., Down T. (2002). The Ensembl genome database project. Nucleic Acids. Res. 30, 38–41. Doi: 10.1093/nar/30.1.38.

    ICAR. (2018). Guidelines for performance recording in dairy sheep and dairy goats; Rome, Italy, p 35.

    IBM Corp. 2017a. IBM SPSS Statistics Algorithms. Page 110. 25.0 ed. IBM Corp., Armonk, NY.

    IBM Corp. 2017b. IBM SPSS Statistics for Windows. 25.0 ed. IBM Corp., Armonk, NY.

    Ibnelbachyr M., Boujenane I., Chikhi A., Noutfia Y. (2015). Effect of some non-genetic factors on milk yield and composition of Draa indigenous goats under an intensive system of three kiddings in 2 years. Trop. Anim. Health Prod. 47, 727-733. Doi: 10.1007/s11250-015-0785-8.

    Idowu S.T., Adewumi O.O. (2017). Genetic and non-genetic factors affecting yield and milk composition in goats. J. Adv. Dairy Res. 5, 175. Doi: 10.4172/2329-888X.1000175.

    Inbaraj S., Kundu A., De A.K., Sunder J., Sejian V. (2018). Seasonal changes in blood biochemical and endocrine responses of different indigenous goat breeds of tropical island agroecological environment. Biol. Rhythm. Res. 49, 412–421. Doi: 10.1080/09291016.2017.1366723.

    International Beef Recording Scheme. A Basic Guide to BREEDPLAN PBVs; University of New England: Biddeford, ME, USA, 2015. pp. 28. 37.

    Iraqi M., El-Labban A., Khalil M. (2000). Estimation of breeding values and their accuracies using multivariates animal model analysis for growth traits in three local strains of chickens. Egypt. Poult Sci. 20, 981–1002.

    Ishag I., Abdalla S., Ahmed M. (2012). Factors affecting milk production traits of Saanen goat raised under Sudan-semi arid conditions. Online J. Anim. Feed Res. 1, 435-438.

    Jaafar S.H.S., Hashim R., Hassan Z., Arifin N. (2018). A comparative study on physicochemical characteristics of raw goat milk collected from different farms in Malaysia. Trop. Life Sci. Res. 29, 195–212. Doi: 10.21315/tlsr2018.29.1.13.

    Jeffreys H. (1961). Theory of probability, 3rd edn oxford: Oxford university press.

    Jiang L., Liu J., Sun D., Ma P., Ding X., Yu Y., & Zhang Q. (2010). Genome wide association studies for milk production traits in Chinese Holstein population. PloS One. 5 (10). Doi: 10.1371/journal.pone.0013661.

    Jolliffe I.T., Cadima J. (2016). Principal component analysis: a review and recent developments. Philos. Trans. A. Math. Phys. Eng. Sci. 374, 20150202. Doi: 10.1098/rsta.2015.0202.

    Kadri N.K., Sahana G., Charlier C., Iso-Touru T., Guldbrandtsen B., Karim L., Nielsen U.S., Panitz F., Aamand G.P., Schulman N., et al. (2014). A 660-Kb deletion with antagonistic effects on fertility and milk production segregates at high frequency in Nordic Red cattle: additional evidence for the common occurrence of balancing selection in livestock. PLoS Genet. 10, e1004049. Doi: 10.1371/journal.pgen.1004049.

    Kala S., Prakash B. (1990). Genetic and phenotypic parameters of milk yield and milk composition in two Indian goat breeds. Small Ruminant Res. 3, 475-484. Doi: 10.1016/0921-4488(90)90078-K.

    Kamiński S., Help H., Brym P., Ruść A., & Wójcik E. (2008). SNiPORK–A Microarray of SNPs in Candidate Genes potentially associated with pork yield and quality-development and validation in commercial breeds. Anim. Biotechnol. 19, 43–69. Doi: 10.1080/10495 39070 1880946.

    Kaplan D., Depaoli S. (2012). Bayesian structural equation modeling. in: Hoyle, R. (Eds.), Handbook of structural equation modeling. Guilford Press. New York, NY. pp. 650–673.

    Karangeli M., Abas Z., Koutroumanidis T., Malesios C., and Giannakopoulos C. (2011). Comparison of Models for Describing the Lactation Curves of Chios Sheep Using Daily Records Obtained from an Automatic Milking System. Pages 571-589 in Proc. HAICTA.

    Kelm S., Freeman A. (2000). Direct and Correlated Responses to Selection for Milk Yield: Results and Conclusions of Regional Project NC-2,“Improvement of Dairy Cattle through Breeding, with Emphasis on Selection” 1. J. Dairy Sci. 83, 2721-2732. Doi: 10.3168/jds.S0022-0302(00)75166-6.

    Kempthorne O. (1954). The correlation between relatives in a random mating population. Proc. R. Soc. Lond. B.143, 103-113. Doi: 10.1098/rspb.1954.0056.

    Khatib H., Zaitoun I., Wiebelhaus-Finger J., Chang Y., and Rosa G. (2007). The association of bovine PPARGC1A and OPN genes with milk composition in two independent Holstein cattle populations. J. Dairy Sci. 90, 2966-2970. Doi: 10.3168/jds.2006-812.

    Kramer E., Stamer E., Spilke J., Thaller G., Krieter J. (2009). Analysis of water intake and dry matter intake using different lactation curve models. J. Dairy Sci. 92, 4072-4081. Doi: 10.3168/jds.2008-1957.

    Kljajevic N.V., Tomasevic I.B., Miloradovic Z.N., Nedeljkovic A., Miocinovic J.B., Jovanovic S.T. (2018). Seasonal variations of Saanen goat milk composition and the impact of climatic conditions. J. Food Sci. Technol. 55, 299–303. Doi: 10.1007/s13197-017-2938-4.

    Knight C. (2000). The importance of cell division in udder development and lactation. Livest. Prod. Sci. 66, 169-176. Doi: 10.1016/S0301-6226(00)00224-4.

    Knight C., Peaker M. (1982). Development of the mammary gland. Reproduction. 65, 521-536. Doi: 10.1002/wdev.35.

    Koczan D., Hobom G., and. Seyfert H. M. (1993). Characterization of the bovine αs1‐casein gene C‐allele, based on a Mae III polymorphism. Anim. Genet. 24, 74-74. Doi: 10.1111/j.1365-2052.1993.tb00935.x.

    Koop G., Dik N., Nielen M., Lipman L. (2010). Repeatability of differential goat bulk milk culture and associations with somatic cell count, total bacterial count, and standard plate count. J. Dairy Sci. 93, 2569-2573. Doi: 10.3168/jds.2009-2705.

    Kucerova J., Matejicek A., Jandurová O., Sorensen P., Nemcova E., Stipkova M., Kott T., Bouska J., Frelich J. (2006). Milk protein genes CSN1S1, CSN2, CSN3, LGB and their relation to genetic values of milk production parameters in Czech Fleckvieh. Czech J. Anim. Sci. 51, 241. Doi: 10.17221/3935-CJAS.

    Kruger U., Sharma S. K., and Irwin G. W. (2004). Improved nonlinear canonical correlation analysis using genetic strategies. Neural Netw. 8, 5-6.

    KWPN (Royal Dutch Sport Horse). (2016). Genetic Profile & Statistics 2016–2017, KWPN-Approved and KWPN-Recognized Stallions; KWPN (Royal Dutch Sport Horse): Ermelo, The Netherlands. pp. 132.

    Lakens D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: a practical primer for t-tests and ANOVAs. Front. Psychol. 4, 863. Doi: 10.3389/fpsyg.2013.00863.

    Landete-Castillejos, T., A. Garcia, P. Molina, H. Vergara, J. Garde, and L. Gallego. (2000). Milk production and composition in captive Iberian red deer (Cervus elaphus hispanicus): effect of birth date. J. Anim. Sci. 78(11):2771-2777. Doi: 10.2527/2000.78112771x.

    Lee M., Wagenmakers E. (2013). Bayesian data analysis for cognitive science: A practical course. Cambridge University Press, New York, NY.

    Lee S.Y., Song X.Y. (2003). Bayesian analysis of structural equation models with dichotomous variables. Stat. Med. 22, 3073-3088. Doi: 10.1002/sim.1544.

    Lehner B. (2011). Molecular mechanisms of epistasis within and between genes. Trends Genet. 27, 323-331. Doi: 10.1016/j.tig.2011.05.007.

    León J. M., Bermejo J. V. D., Quiroz J., and Lozano J. (2005). Esquema de selección de sementales caprinos de aptitud lechera de raza murciano-granadina. Feagas. 27, 109-113.

    León J.M., Macciotta N.P.P., Gama L.T., Barba C., Delgado J.V. (2012). Characterization of the lactation curve in Murciano-Granadina dairy goats. Small Rumin Res. 107, 76–84. Doi: 10.1016/j.smallrumres.2012.05.012.

    Leroux C., Le Provost F., Petit E., Bernard L., Chilliard Y., Martin P. (2003). Real-time RT-PCR and cDNA macroarray to study the impact of the genetic polymorphism at the alpha s1-casein locus on the expression of genes in the goat mammary gland during lactation. Reprod. Nutr. Dev. 43, 459-469. Doi: 10.1051/rnd:2003032.

    Li J., Huang D., Guo M., Liu X., Wang C., Teng Z., Zhang R., Jiang Y., Lv H., and Wang L. (2015). A gene-based information gain method for detecting gene-gene interactions in case-control studies. Eur. J. Hum. Genet. 23, 1566-1572. Doi: 10.1038/ejhg.2015.16.

    Liang F., Paulo R., Molina G., Clyde M. A., and Berger J. O. (2008). Mixtures of g priors for Bayesian variable selection. J. Am. Stat. Assoc. 103(481):410-423. Doi: 10.1198/016214507000001337.

    Linderstrøm-Lang K. (1929). Studies on casein. III. On the fractionation of casein. Compt. Rend. Trav. Lab. Carlsberg Ser. Chim. 17, 1-116.

    Liu Z., and Lin X. (2018). Multiple phenotype association tests using summary statistics in genome‐wide association studies. Biometrics. 74, 165-175. Doi: 10.1111/biom.12735.

    Lôbo A., Lôbo R., Facó O., Souza V., Alves A., Costa A., Albuquerque M. (2017). Characterization of milk production and composition of four exotic goat breeds in Brazil. Small Ruminant Res. 153, 9-16. Doi: 10.1016/j.smallrumres.2017.05.005.

    Lopes F.B., da Silva M.C., Magnabosco C.U., Narciso M.G., Sainz R.D. (2016). Selection indices and multivariate analysis show similar results in the evaluation of growth and carcass traits in beef cattle. PLoS One. 11, e0147180. Doi: 10.1371/journal.pone.0147180.

    Lopes F.B., Magnabosco C.U., Mamede M.M., Da Silva M.C., Myiage E.S., Paulini F., Lôbo R.B. (2013). Multivariate approach for young bull selection from a performance test using multiple traits of economic importance. Trop. Anim. Health Prod. 45, 1375-1381. Doi: 10.1007/s11250-013-0373-8.

    López S., France J., Odongo N., McBride R., Kebreab E., AlZahal O., McBride B., Dijkstra J. (2015). On the analysis of Canadian Holstein dairy cow lactation curves using standard growth functions. J. Dairy Sci. 98, 2701-2712. Doi: 10.3168/jds.2014-8132.

    Lourenco D.A.L., Fragomeni B.O., Tsuruta S., Aguilar I., Zumbach B., Hawken R.J., Legarra A., Misztal I. (2015). Accuracy of estimated breeding values with genomic information on males, females, or both: An example on broiler chicken. Genet. Sel. Evol. 47, 56. Doi: 10.1186/s12711-015-0137-1.

    Luengo C., Sánchez A., Corrales J.C., Fernández C., Contreras A. (2004). Influence of intramammary infection and non-infection factors on somatic cell counts in dairy goats. J. Dairy Res. 71, 169-174. Doi: 10.1017/s0022029904000019.

    Lundén A., Nilsson M., Janson L. (1997). Marked effect of β-lactoglobulin polymorphism on the ratio of casein to total protein in milk. J. Dairy Sci. 80, 2996-3005. Doi: 10.3168/jds.S0022-0302(97)76266-0.

    Macciotta, N. P. P., D. Vicario, and A. Cappio-Borlino. (2005). Detection of Different Shapes of Lactation Curve for Milk Yield in Dairy Cattle by Empirical Mathematical Models. J. Dairy Sci. 88(3):1178-1191. Doi: 10.3168/jds.S0022-0302(05)72784-3.

    Mackay T. F., and Moore J. H. (2014). Why epistasis is important for tackling complex human disease genetics. Genome Med. 6, 42. Doi: 10.1186/gm561.

    McNally S., Martin, F. (2011). Molecular regulators of pubertal mammary gland development. Ann. Med. 43, 212-234. Doi: 10.3109/07853890.2011.554425.

    Maga E., Daftari P., Kültz D., Penedo M. (2009). Prevalence of alphas1-casein genotypes in American dairy goats. J. Anim. Sci. 87, 3464–3469. Doi: 10.2527/jas.2009-1854.

    Mahmoud N., El Zubeir I., Fadlelmoula A. (2014). Effect of stage of lactation on milk yield and composition of first kidder Damascus does in the Sudan. J. Anim. Prod. Adv. 4, 355-362.

    Mai M. D., Sahana G., Christiansen F. B., & Guldbrandtsen B. (2010). A genome-wide association study for milk production traits in Danish Jersey cattle using a 50K single nucleotide polymorphism chip. J. Animal Sci. 88, 3522-3528. Doi: 10.2527/jas.2009-2713.

    Mangurkar B., Hayes J., Moxley J. (1984). Effects of calving ease-calf survival on production and reproduction in Holsteins. J. Dairy Sci. 67, 1496-1509. Doi: 10.3168/jds.S0022-0302(84)81467-8.

    MAPA. (2019). Programa de difusión de la mejora y certámenes de ganado selecto. Available from: http://www.mapa.gob.es/es/ganaderia/temas/zootecnia/PROGRAMA_DE_DIFUSION_tcm7-293028.pdf.

    Marletta D., Criscione A., Bordonaro S., Guastella A.M., & d'Urso G. (2007). Casein polymorphism in goat's milk. Le Lait. 87, 491– 504. Doi: 10.1051/lait:2007034.

    Martin C., Morgavi D., and Doreau M. (2010). Methane mitigation in ruminants: from microbe to the farm scale. Animal. 4,351-365. Doi: 10.1017/S1751731109990620.

    Martin P., Grosclaude F. (1993). Improvement of milk protein quality by gene technology. Livest. Prod. Sci. 35, 95–115. Doi: 10.1016/0301-6226(93)90184-J.

    Martin P., Leroux C. (2000). Le gene caprin specifiant la caseine as1: un suspect tout designe aux effets aussi multiples qu’inattendus. Prod Anim, Special Issue, Molecular genetics: principles and applications in animal populations 125–132 http://granit.jouy.inra.fr/productions-animales/2000_hors-serie/Prod_Anim_2000_hs_hs_19.pdf (accessed 10 October 2018) Martin P., Ollivier-Bousquet M., & Grosclaude F. (1999). Genetic polymorphism of caseins: A tool to investigate casein micelle organization. Int. Dairy J. 9, 163–171. Doi: 10.1016/S0958-6946(99)00055-2.

    Martin P., Palhière I., Maroteau C., Bardou P., Canale-Tabet K., Sarry J., Woloszyn F., Bertrand-Michel J., Racke I., and Besir H.. (2017). A genome scan for milk production traits in dairy goats reveals two new mutations in Dgat1 reducing milk fat content. Sci. Rep. 7, 1872. Doi: 10.1038/s41598-017-02052-0.

    Martin P., Palhière I., Maroteau C., Bardou P., Canale-Tabet K., Sarry J., Tosser-Klopp G. (2017). A genome scan for milk production traits in dairy goats reveals two new mutations in Dgat1 reducing milk fat content. Sci. Rep. 7, 1872. Doi: 10.1038/s41598-017-02052-0.

    Martin P., Szymanowska M., Zwierzchowski L., & Leroux C. (2002). The impact of genetic polymorphisms on the protein composition of ruminant milks. Reprod. Nutr. Dev. 42, 433–459. Doi: 10.1051/rnd:2002036.

    Martin P., Szymanowska M., Zwierzchowski L., and Leroux C. (2002). The impact of genetic polymorphisms on the protein composition of ruminant milks. Reprod. Nutr. Dev. 42, 433-459. Doi: 10.1051/rnd:2002036.

    Martinez A., Vega-Pla J., León J., Camacho M., Delgado J., and Ribeiro M. (2010). Is the Murciano-Granadina a single goat breed? A molecular genetics approach. Arq. Bras. Med. Vet. Zootec. 62,1191-1198. Doi: 10.1590/S0102-09352010000500023.

    Martínez Niño C.A., Manrique Perdomo C., Elzo M.A. (2012). La evaluación genética de vacunos: Una percepción histórica. Rev. Colomb.Cienc. Pecu. 25, 293–311.

    Martínez R.A., Pérez J.E., Herazo T. (2006). Evaluación fenotípica y genética para características de crecimiento en la raza criolla colombiana Costeño con Cuernos. Corpoica. Cienc. Tecnol. Agropecu. 7, 12–20. Doi: 10.21930/rcta.vol7_num2_art:65.

    Martínez S., Franco I., Carballo J. (2011). Spanish goat and sheep milk cheeses. Small Ruminant Res. 101, 41-54. Doi: 10.1016/j.smallrumres.2011.09.024.

    Marziali A. S., & Ng-Kwai-Hang K. F. (1986). Effects of milk composition and genetic polymorphism on coagulation properties of milk. J. Dairy Sci. 69, 1793–1798. Doi: 10.3168/ jds.S0022-0302(86)80603-8.

    Masselin S., Sauvant D., Chapoutot P., & Milan D. (1987). Les modèles d'ajustement des courbes de lactation.

    Matoulkova E., Michalova E., Vojtesek B., and Hrstka R. (2012). The role of the 3'untranslated region in post-transcriptional regulation of protein expression in mammalian cells. RNA Biol. 9, 563-576. Doi: 10.4161/rna.20231.

    Mayer H.K., Fiechter G. (2012). Physicochemical characteristics of goat’s milk in Austria–seasonal variations and differences between six breeds. Dairy Sci. Technol. 92, 167-177. Doi: 10.1007/s13594-011-0047-0.

    McDougall S., Lopez-Villalobos N., Prosser C. (2011). Relationship between estimated breeding value for somatic cell count and prevalence of intramammary infection in dairy goats. New Zeal. J. Agr. Res. 59, 300-304. Doi: 10.1080/00480169.2011.609475.

    McLEAN D.M., Schaar J. (1989). Effects of β-lactoglobulin and κ-casein genetic variants and concentrations on syneresis of gels from renneted heated milk. J. Dairy Res. 56, 297-301. Doi: 10.1017/S0022029900026509.

    Mehdid A., Martí-De Olives A., Fernández N., Rodríguez M., Peris C. (2019). Effect of stress on somatic cell count and milk yield and composition in goats. Res. Vet. Sci. 125, 61-70. Doi: 10.1016/j.rvsc.2019.05.015.

    Meyer, K. (2005). Random regression analyses using B-splines to model growth of Australian Angus cattle. Genet. Sel. Evol, 37, 473. Doi: 10.1186/1297-9686-37-6-473.

    Mendenhall W., Sincich T., and Boudreau N. S. (1996). A second course in statistics: regression analysis. Vol. 5. Prentice Hall Upper Saddle River, NJ.

    Merkhan K., Alkass J. (2011). Influence of udder and teat size on milk yield in Black and Meriz goats. Res Opin Anim. Vet. Sci. 1, 601-605.

    Mestawet T., Girma A., Ådnøy T., Devold T., Narvhus J., Vegarud G. (2012). Milk production, composition and variation at different lactation stages of four goat breeds in Ethiopia. Small Ruminant Res. 105, 176-181. Doi: 10.1016/j.smallrumres.2011.11.014.

    Meulman J. J., and Heiser W. J. (2012). IBM SPSS Categories 21, University of Sussex, Brighton, UK.

    Meyer K. (1989). Restricted maximum likelihood to estimate variance components for animal models with several random effects using a derivative-free algorithm. Genet. Sel. Evol. 21, 317. Doi: 10.1186/1297-9686-21-3-317.

    Miglior F., Fleming A., Malchiodi F., Brito L.F., Martin P., Baes C.F. (2017). A 100-Year Review: Identification and genetic selection of economically important traits in dairy cattle. J. Dairy Sci. 100, 10251–10271. Doi: 10.3168/jds.2017-12968.

    Milewski S., Zabek K., Antoszkiewicz Z., Tanski Z., Sobczak A. (2018). Impact of production season on the chemical composition and health properties of goat milk and rennet cheese. Emir. J. Food Agric. 30,107–114. Doi: 10.9755/ejfa.2018.v30.i2.1602.

    Miller J. C., Tan S., Qiao G., Barlow K. A., Wang J., Xia D. F., Meng X., Paschon D. E., Leung E., and Hinkley S. J. (2011). A TALE nuclease architecture for efficient genome editing. Nat. Biotechnol. 29, 143. Doi: 10.1038/nbt.1755.

    Miller S., Dykes D., & Polesky H. (1988). A simple salting out procedure for extracting DNA from human nucleated cells. Nucleic Acids. Res. 16, 1215. Doi: 10.1093/nar/16.3.1215.

    Miller S., Dykes D., and Polesky H. (1988). A simple salting out procedure for extracting DNA from human nucleated cells. Nucleic Acids. Res. 16, 1215. Doi: 10.1093/nar/16.3.1215.

    Mohammed B., Aynalem H., Hailu D., Alemu T. (2012). Estimates of genetic and phenotypic parameters for milk traits in Arsi-Bale goat in Ethiopia. Livest. Res. Rur Dev. 24 (6).

    Mohanty B. S., Verma M. R., Sharma V. B., and Roy P. K. (2017). Comparative study of lactation curve models in crossbred dairy cows. Int. J. Agric. Stat. Sci. 13(2):545-551.

    Moioli B., D’Andrea M., & Pilla F. (2007). Candidate genes affecting sheep and goat milk quality. Small Rumin Res. 68, 179–192. Doi: 10.1016/j.small rumres.2006.09.008.

    Moioli B., D’andrea M., Pilla F. (2007). Candidate genes affecting sheep and goat milk quality. Small Rumin Res. 68, 179–192. Doi: 10.1016/j.smallrumres.2006.09.008.

    Montaldo H., Valencia-Posadas M., Wiggans G., Shepard L., Torres-Vázquez J. (2010). Genetic and environmental relationships between milk yield and kidding interval in dairy goats. J. Dairy Sci. 93, 370–372. Doi: 10.3168/jds.2009-2593.

    Montaldo H.H., Torres-Hernández G., Valencia-Posadas M. (2010). Goat breeding research in Mexico. Small Rumin Res. 89, 155–163. Doi: 10.1016/j.smallrumres.2009.12.039.

    Moore J. H., and Williams S. M. (2005). Traversing the conceptual divide between biological and statistical epistasis: systems biology and a more modern synthesis. Bioessays. 27, 637-646. Doi: 10.1002/bies.20236.

    Morand-Fehr P., Sauvant D. (1980). Composition and yield of goat milk as affected by nutritional manipulation. J. Dairy Sci. 63, 1671-1680. Doi: 10.3168/jds.S0022-0302(80)83129-8.

    Morey, R. and J. Rouder. (2015). BayesFactor 0.9. 12-2. Comprehensive R Archive Network.

    Moroni P., Pisoni G., Ruffo G., Boettcher P. (2005). Risk factors for intramammary infections and relationship with somatic-cell counts in Italian dairy goats. Prev. Vet. Med. 69, 163-173. Doi: 10.1016/j.prevetmed.2004.10.013.

    Morris C., Wheeler M., Foote B. (2011). Relationships between live weight and herd-test traits in a Saanen goat herd in New Zealand. N. Z. J. Agr. Res. 54, 315-320. Doi: 10.1080/00288233.2011.609177.

    Morris C., Wheeler M., Lanuzel M. (2006). Genetic trend and parameter estimates for milk yield traits and kidding date in a Saanen goat herd in New Zealand. N. Z. J. Agr. Res. 49, 175–181. Doi: 10.1080/00288233.2006.9513707.

    Mucha S., Mrode R., Coffey M., Conington J. (2014). Estimation of genetic parameters for milk yield across lactations in mixed-breed dairy goats. J. Dairy Sci. 97, 2455-2461. Doi: 10.3168/jds.2013-7319.

    Mucha S., Mrode R., MacLaren-Lee I., Coffey M., Conington J. (2015). Estimation of genomic breeding values for milk yield in UK dairy goats. J. Dairy Sci. 98, 8201-8208. Doi: 10.3168/jds.2015-9682.

    Muir B., Fatehi J., Schaeffer L. (2004). Genetic relationships between persistency and reproductive performance in first-lactation Canadian Holsteins. J. Dairy Sci. 87, 3029-3037. Doi: 10.3168/jds.S0022-0302(04)73435-9.

    Muller C., Cloet S., Schoeman S. (2002). Estimation of genetic parameters for milk yield and milk composition of South African Saanen goats. In Proceedings of the World Congress on Genetics Applied to Livestock Production, Montpellier, France, 19–23 August. pp. 259–262.

    Murphy K.R., Myors B., Wolach A. (2014). Statistical power analysis: a simple and general model for traditional and modern hypothesis tests. London (UK): Routledge; pp. 226. Doi: 10.4324/9781410609267.

    Myers S., Bottolo L., Freeman C., McVean G., and Donnelly P. (2005). A fine-scale map of recombination rates and hotspots across the human genome. Sci. 310, 321-324. Doi: 10.1126/science.1117196.

    Neale M.C., Eaves L.J., Kendler K.S. (1994). The power of the classical twin study to resolve variation in threshold traits. Behav. Genet. 24, 239–258. Doi: 10.1007/BF01067191.

    Ng-Kwai-Hang K. F., Hayes J. F., Moxley J. E., and Monardes H. G. (1984). Association of Genetic Variants of Casein and Milk Serum Proteins with Milk, Fat, and Protein Production by Dairy Cattle. J. Dairy Sci. 67, 835-840. Doi: 10.3168/jds.S0022-0302(84)81374-0.

    Ng-Kwai-Hang K., & Grosclaude F. (2003). Genetic polymorphism of milk proteins. In P. F. Fox., & McSweeney P. L. H. (Eds.). Advanced dairy chemistry-1 proteins. pp. 739–816. Boston, MA: Springer.

    Nilsen H., Olsen H. G., Hayes B., Sehested E., Svendsen M., Nome T., Meuwissen T., and Lien S. (2009). Casein haplotypes and their association with milk production traits in Norwegian Red cattle. Genet. Sel. Evol. 41, 24. Doi: 10.1186/1297-9686-41-24.

    Ning C., Wang D., Zheng X., Zhang Q., Zhang S., Mrode R., Liu J.-F. (2018). Eigen decomposition expedites longitudinal genome-wide association studies for milk production traits in Chinese Holstein. Genet. Sel. Evol. 50, 1-10. Doi: 10.1186/s12711-018-0383-0.

    Noguera R., Ortiz D., Marin L. (2011). Comparación de modelos matemáticos para describir curvas de lactancia en cabras Sannen y Alpina. Livest. Res. Rural Dev.23, 11.

    Noeparvar P., and Morison K. R. (2018). The effects of lactose on calcium phosphate precipitation. pp. 206-214 in Chemeca, Queenstown, New Zealand.

    Nolan S., Heinzen T. (2017). Statistics for the behavioral sciences. New York (NY): Macmillan Learning. pp. 783.

    Olechnowicz J., Sobek Z. (2008). Factors of variation influencing production level, SCC and basic milk composition in dairy goats. J. Anim. Feed Sci. 17, 41. Doi: 10.22358/jafs/66468/2008.

    Olsen H. G., Hayes B. J., Kent M. P., Nome T., Svendsen M., Larsgard A. G., & Lien S. (2011). Genome‐wide association mapping in Norwegian Red cattle identifies quantitative trait loci for fertility and milk production on BTA12. Anim. Genet. 42(5), 466-474. Doi: 10.1111/j.1365-2052.2011.02179.x.

    Otwinowski J., McCandlish D. M., and Plotkin J. B. (2018). Inferring the shape of global epistasis. P. Proc. Natl. Acad. Sci. 115, E7550-E7558. Doi: 10.1073/pnas.1804015115.

    Otwinowska-Mindur A., Ptak E. (2015). Genetic analysis of lactation persistency in the Polish Holstein-Friesian cows. Anim. Sci. Pap. Rep. 33.

    Paape M., Wiggans G., Bannerman D.D., Thomas D., Sanders A., Contreras A., Moroni P., Miller R. (2007). Monitoring goat and sheep milk somatic cell counts. Small Ruminant Res. 68, 114-125. Doi: 10.1016/j.smallrumres.2006.09.014.

    Pal M., Dudhrejiya T.P., Pinto S., Brahamani D., Vijayageetha V., Reddy Y.K., Roy P., Chhetri A., Sarkar S., Kate P. (2017). Goat milk products and their significance. Beverage Food World. 44:22–25.

    Palacios Espinosa, A.; González-Peña Fundora, D.; Guerra Iglesias, D.; Espinoza Villavicencio, J.L.; Ortega Pérez, R.; Guillén Trujillo, A.; Ávila Serrano, N. (2016). Curvas de lactancia individuales en vacas Siboney de Cuba. Rev. Mex. Cienc. Pecu., 7, 15-28.

    Pallete A.E. (2001). Evaluación y selección de toros lecheros. Rev. Investig. Vet. Peru. 12, 150–160. Doi: 10.15381/rivep.v12i2.1643.

    Paré G., Cook N.R., Ridker P.M., and Chasman D.I. (2010). On the use of variance per genotype as a tool to identify quantitative trait interaction effects: a report from the Women's Genome Health Study. PLoS Genet. 6, e1000981. Doi: 10.1371/journal.pgen.1000981.

    Paré G., Cook N.R., Ridker P.M., Chasman D.I. (2010). On the use of variance per genotype as a tool to identify quantitative trait interaction effects: a report from the Women's Genome Health Study. PLoS Genet. 6, e1000981. Doi: 10.1371/journal.pgen.1000981.

    Park Y.W., Haenlein G.F.W., and Wendorff W.L. (2017). Handbook of Milk of Non-Bovine Mammals. pp. 1-718. John Wiley & Sons. Hoboken, Nueva Jersey, USA.

    Patterson N., Price A. L., and Reich D. (2006). Population structure and eigenanalysis. PLoS Genet. 2, e190. Doi: 10.1371/journal.pgen.0020190.

    Pausch H., Flisikowski K., Jung S., Emmerling R., Edel C., Götz K. U., & Fries R. (2011). Genome-wide association study identifies two major loci affecting calving ease and growth-related traits in cattle. Genetics. 187, 289-297. Doi: 10.1534/genetics.110.124057.

    Pazzola M., Stocco G., Paschino P., Dettori M. L., Cipolat-Gotet C., Bittante G., & Vacca G. M. (2018). Modeling of coagulation, curd firming, and syneresis of goat milk from 6 breeds. J. Dairy Sci. 101, 7027–7039. Doi: 10.3168/jds.2018-14397.

    Peng Q., Zhao J., and Xue F. (2010). A gene-based method for detecting gene–gene co-association in a case–control association study. Eur. J. Med. Genet. 18, 582. Doi: 10.1038/ejhg.2009.223.

    Pereira R., Verneque R., Lopes P., Santana M., Lagrotta M., Torres R., Vercesi Filho A., Machado M. (2012). Milk yield persistency in Brazilian Gyr cattle based on a random regression model. Genet. Mol. Res. 1599-1609. Doi: 10.4238/2012.June.15.9.

    Pérez M.J., Leroux C., Bonastre A.S., Martin P. (1994). Occurrence of a LINE sequence in the 3` UTR of the goat as1-casein E-encoding allele associated with reduced protein synthesis level. Gene. 147, 179–187. Doi: 10.1016/0378-1119(94)90063-9.

    Phillips P. C. (2008). Epistasis--the essential role of gene interactions in the structure and evolution of genetic systems. Nat. Rev. Genet. 9, 855-867. Doi: 10.1038/nrg2452.

    Piccardi M., Macchiavelli R., Funes A.C., Bó G.A., Balzarini M. (2017). Fitting milk production curves through nonlinear mixed models. J. Dairy Sci. 84, 146–153. Doi: 10.1017/S0022029917000085.

    Piergiovanni L., Casassa A. (1982). Goat milk [bromate characteristics]. Industria del Latte. 18, 73-97.

    Pires L. C., Machado T. M. M., Araújo A. M., Olson T. A., d. Silva J. B. L., Torres R. A., and d. S. Costa M. (2012). Biometric variability of goat populations revealed by means of principal component analysis. Genet. Mol. Biol. 35, 777-782. Doi: 10.1590/S1415-47572012005000072.

    Pizarro G., Landi V., León Jurado J. M., Navas González F. J., and Delgado Bermejo J. V. (2019). Non-parametric analysis of the effects of αS1-casein genotype and parturition nongenetic factors on milk yield and composition in Murciano-Granadina goats. Ital. J. Anim. Sci. 18, 1021-1034. Doi: 10.1080/1828051X.2019.1611388.

    Pizarro M. G., Landi V., Navas F. J., León J. J., Martínez A. M., Fernández J. Á., and Delgado J. V. (2019). Does the Acknowledgement of αS1-Casein Genotype Affect the Estimation of Genetic Parameters and Prediction of Breeding Values for Milk Yield and Composition Quality-Related Traits in Murciano-Granadina? Animals: 9, 679. Doi: 10.3390/ani9090679.

    Pizarro M. G., Landi V., Navas F. J., León J. J., Martínez A. M., Fernández J. Á., and Delgado J. V. (2019). Non-parametric association analysis of additive and dominance effects of casein complex SNPs on milk content and quality in Murciano-Granadina goats J. Anim. Breed. Genet. (In Press). Doi: 10.1111/jbg.12457.

    Pizarro M. G., Landi V., Navas González F. J., León Jurado J. M., Martínez Martínez M. d. AFernández Álvarez, J., and Delgado Bermejo J. V. 2020b. Non-parametric analysis of casein complex genes epistasis and their effect on phenotypic expression of milk yield and composition in Murciano-Granadina goats. J. Dairy Sci. 103, 8274-8291. Doi: 10.3168/jds.2019-17833.

    Pleguezuelos F.J., Fern L., Gonzalo C. (2015). Variation in milk yield, contents and incomes according to somatic cell count in a large dairy goat population. Adv. Dairy Res. 3, 3-8. Doi: 10.4172/2329-888X.1000145.

    Pool, M. H. and Meuwissen T. H. E. (2000). Reduction of the number of parameters needed for a polynomial random regression test day model. Livest. Prod. Sci. 64(2):133-145. Doi: 10.1016/S0301-6226(99)00166-9.

    Poulter M., Hollox E., Harvey C., Mulcare C., Peuhkuri K., Kajander K., Sarner M., Korpela R., and Swallow D. (2003). The causal element for the lactase persistence/non‐persistence polymorphism is located in a 1 Mb region of linkage disequilibrium in Europeans. Ann. Hum. Genet. 67, 298-311. Doi: 10.1046/j.1469-1809.2003.00048.x.

    Poutrel B., De Crémoux R., Ducelliez M., Verneau D. (1997). Control of intramammary infections in goats: impact on somatic cell counts. J. Anim. Sci. 75, 566-570.Doi: 10.2527/1997.752566x.

    Price A. L., Patterson N. J., Plenge R. M., Weinblatt M. E., Shadick N. A., and Reich D.. (2006). Principal components analysis corrects for stratification in genome-wide association studies. Nat. Genet. 38, 904. Doi: 10.1038/ng1847.

    Prinzenberg E.-M., Brandt H., Bennewitz J., Kalm E., and Erhardt G. (2005). Allele frequencies for SNPs in the αS1-casein gene (CSN1S1) 5′ flanking region in European cattle and association with economic traits in German Holstein. Livest. Prod. Sci. 98, 155-160. Doi: 10.1016/j.livprodsci.2005.10.015.

    Prinzenberg E.-M., Weimann C., Brandt H., Bennewitz J., Kalm E., Schwerin M., and Erhardt G. (2003). Polymorphism of the bovine CSN1S1 promoter: linkage mapping, intragenic haplotypes, and effects on milk production traits. J. Dairy Sci. 86, 2696-2705. Doi: 10.3168/jds.S0022-0302(03)73865-X.

    Purcell S., Neale B., Todd-Brown K., Thomas L., Ferreira M. A., Bender D., Maller J., Sklar P., De Bakker P.I., and Daly M. J. (2007). PLINK: a tool set for whole-genome association and population-based linkage analyses. ‎Am. J. Hum. Genet. 81, 559-575. Doi: 10.1086/519795.

    Quiles A., Hevia M., Fuentes F., Barcina Y., Ramírez A. (1992). Fraccionamiento electroforético de las proteínas de leche de cabra de raza Murciano-Granadina. An. Vet. Murcia. 8, 7–14.

    Rachagani S., Gupta I.D. (2008). Bovine kappa-casein gene polymorphism and its association with milk production traits. Genet. Mol. Biol. 31, 893-897. Doi: 10.1590/S1415-47572008005000001.

    Ramunno L., Cosenza G., Pappalardo M., Longobardi E., Gallo D., Pastore N., Rando A. (2001). Characterization of two new alleles at the goat CSN1S2 locus. Anim. Genet. 32, 264–268. Doi: 10.1046/j.1365-2052.2001.00786.x.

    Ramunno L., Cosenza G., Rando A., Illario R., Gallo D., Di Berardino D., Masina P. (2004). The goat αs1-casein gene: Gene structure and promoter analysis. Gene. 334, 105–111. Doi: 10.1016/j.gene.2004.03.006.

    Ramunno L., Cosenza G., Rando A., Pauciullo A., Illario R., Gallo D., Di Berardino D., Masina P. (2005). Comparative analysis of gene sequence of goat CSN1S1 F and N alleles and characterization of CSN1S1 trasncript variants in mammary gland. Gene. 345, 289-299. Doi: 10.1016/j.gene.2004.12.003.

    Ramunno L., Mariani P., Pappalardo M., Rando A., Capuano M., Di Gregorio P., Cosenza G. (1995). Un gene ad effetto maggiore sul contenuto di caseina β nel latte di capra. Proc XI Conv ASPA, Grado, Italy, 185-186.

    Raschia M. A., Nani J. P., Maizon D. O., Beribe M. J., Amadio A. F., & Poli M. A. (2018). Single nucleotide polymorphisms in candidate genes associated with milk yield in Argentinean Holstein and Holstein x Jersey cows. J. Anim. Sci. Technol. 60, 31.Doi: 10.1186/s40781-018-0189-1.

    Ratwan P., Chakravarty A., and Kumar M. (2019). Estimation of genetic persistency of milk yield in Sahiwal cattle using random regression model. Biol. Rhythm Res.1-9. Doi: 10.1080/09291016.2019.1629085.

    Recio I., Pérez-Rodríguez M. L., Amigo L., and Ramos M. (1997). Study of the polymorphism of caprine milk caseins by capillary electrophoresis. J. Dairy Res. 64, 515-523. Doi: 10.1017/s0022029997002343.

    Renaud, O. and M.-P. Victoria-Feser. (2010). A robust coefficient of determination for regression. J. Stat. Plan. Infer. 140(7):1852-1862. Doi: 10.1016/j.jspi.2010.01.008.

    Rentería M. E., Cortes A., and Medland S. E. (2013). Using PLINK for Genome-Wide Association Studies (GWAS) and Data Analysis. pp. 193-213 in Genome-Wide Association Studies and Genomic Prediction. C. Gondro, J. van der Werf, and B. Hayes, ed. Humana Press, Totowa, NJ.

    Ritchie M. D., & Van Steen K. (2018). The search for gene-gene interactions in genome-wide association studies: challenges in abundance of methods, practical considerations, and biological interpretation. Ann. Transl. Med. 6(8). Doi: 10.21037/atm.2018.04.05.

    Roberts G.O., Gelman A., Gilks W.R. (1997). Weak convergence and optimal scaling of random walk Metropolis algorithms. Ann. Appl. Probab. 7, 110-120.

    Roberts G.O., Rosenthal J.S. (2001). Optimal scaling for various Metropolis-Hastings algorithms. Stat. Sci. 16, 351-367.

    Rodríguez C., López-Herrera A., Echeverri Z. (2017). Effect of the interaction of level nutritional diet and gene polymorphisms BGH, PRL e IGF2 on percentage of fat and protein in milk of Holstein cattle. Arch. Zootec. 66, 499–507. Rojo-Rubio R., Kholif A. E., Salem A. Z. M., Mendoza G. D., Elghandour M. M. M. Y., Vazquez-Armijo J. F., & Lee-Rangel H. (2016). Lactation curves and body weight changes of Alpine, Saanen and Anglo-Nubian goats as well as pre-weaning growth of their kids. J. Appl. Anim. Res. 44, 331-337. Doi: 10.1080/09712119.2015.1031790.

    Rönnegård L., and Valdar W. (2011). Detecting major genetic loci controlling phenotypic variability in experimental crosses. Genetics. 188, 435-447. Doi: 10.1534/genetics.111.127068.

    Rouder J.N., and Morey R. D. (2012). Default Bayes factors for model selection in regression. Multivar. Behav. Res. 47(6):877-903. Doi: 10.1080/00273171.2012.734737.

    Rouder J. N., Morey R. D., Speckman P. L., and Province J. M. (2012). Default Bayes factors for ANOVA designs. J. Math. Psychol. 56(5):356-374. Doi: 10.1016/j.jmp.2012.08.001.

    Rouder J. N., P. L. Speckman, D. Sun, R. D. Morey, and G. Iverson. (2009). Bayesian t tests for accepting and rejecting the null hypothesis. Psychonomic bulletin & review. 16(2):225-237. Doi: 10.3758/PBR.16.2.225.

    Rout P.K., Matika O., Kaushik R., Dige M.S., Dass G., Singh S.K. (2017). Estimation of genetic parameters and genetic trends for milk yield traits in Jamunapari goats in semiarid tropics. Small Rumin Res. 153, 62–65. Doi: 10.1016/j.smallrumres.2017.05.004.

    Rupp R., Clément V., Piacere A., Robert-Granié C., Manfredi E. (2011). Genetic parameters for milk somatic cell score and relationship with production and udder type traits in dairy Alpine and Saanen primiparous goats. J. Dairy Sci. 94, 3629–3634. Doi: 10.3168/jds.2010-3694.

    Rychtářová J., Sztankoova Z., Kyselova J., Zink V., Štípková M., Vacek M., and Štolc L. (2014). Effect of DGAT1, BTN1A1, OLR1, and STAT1 genes on milk production and reproduction traits in the Czech Fleckvieh breed. Czech J. Anim. Sci. 59, 45-53. Doi: 10.17221/7228-CJAS.

    Sacchi P., Chessa S., Budelli E., Bolla P., Ceriotti G., Soglia D., Rasero R., Cauvin E., Caroli A. (2005). Casein haplotype structure in five Italian goat breeds. J. Dairy Sci. 88, 1561-1568. Doi: 10.3168/jds.S0022-0302(05)72825-3.

    Sahana G., Guldbrandtsen B., & Lund M. S. (2011). Genome-wide association study for calving traits in Danish and Swedish Holstein cattle. J. Dairy Sci. 94, 479-486. Doi: 10.3168/jds.2010-3381.

    Salama R., Sadaie M., Hoare M., Narita M. (2014). Cellular senescence and its effector programs. Genes Dev. 28, 99-114.

    Samson T, Olajumoke O. (2017). Genetic and non-genetic factors affecting yield and milk composition in goats. J. Adv. Dairy Res. 5, 175. Doi: 10.4172/2329-888X.1000175.

    Sanchez A., Angulo C., Amills M., Ares J., and Serradilla J. (1998). Effect of αS1-casein genotype on yield, composition and cheese making properties of milk in the Malagueña breed of goats. pp. 242 in Proc. of the 6th World Congress on Genetics Applied to Livestock Production. Animal Genetics and Breeding Unit, University of New England, Biddeford, ME.

    Sanders K., Bennewitz J., Reinsch N., Thaller G., Prinzenberg E.-M., Kühn C., and Kalm E. (2006). Characterization of the DGAT1 mutations and the CSN1S1 promoter in the German Angeln dairy cattle population. J. Dairy Sci. 89, 3164-3174. Doi: 10.3168/jds.S0022-0302(06)72590-5.

    Sant’Ana A., Bezerril F., Madruga M., Batista A., Magnani M., Souza E., Queiroga R. (2013). Nutritional and sensory characteristics of Minas fresh cheese made with goat milk, cow milk, or a mixture of both. J. Dairy Sci. 96, 7442–7453. Doi: 10.3168/jds.2013-6915.

    Sant’Ana A., Bezerril F., Madruga M., Batista A., Magnani M., Souza E., Queiroga R. (2013).Nutritional and sensory characteristics of Minas fresh cheese made with goat milk, cow milk, or a mixture of both. J. Dairy Sci. 96, 7442-7453. Doi: 10.3168/jds.2013-6915.

    Schaar J. (1981). Casein stability and cheesemaking properties of milk; effects of handling, mastitis and genetic variation. Rep 52, Swed. Univ. Agric. Sci. Uppsala, Sweden.

    Schmitz S., Cherny S.S., Fulker D.W. (1998). Increase in power through multivariate analyses. Behav. Genet. 28, 357–363. Doi: 10.1023/A:1021669602220.

    Schopen G.C., Visker M.H., Koks P.D., Mullaart E., van Arendonk J.A., Bovenhuis H. (2011). Whole-genome association study for milk protein composition in dairy cattle. J. Dairy Sci. 94, 3148-3158. Doi: 10.3168/jds.2010-4030.

    Schulman N. F., Sahana G., Iso‐Touru T., McKay S. D., Schnabel R. D., Lund M. S., ... & Vilkki, J. H. (2011). Mapping of fertility traits in Finnish Ayrshire by genome‐wide association analysis. Anim. genet. 42, 263-269. Doi: 10.1111/j.1365-2052.2010.02149.x.

    Šebjan U and Tominc P. (2015). Impact of support of teacher and compatibility with needs of study on usefulness of SPSS by students. Comput. Hum. Behav. 53, 354-65.Doi: 10.1016/j.chb.2015.07.022.

    Shang J., Zhang J., Sun Y., Liu D., Ye D., and Yin Y. (2011). Performance analysis of novel methods for detecting epistasis. BMC bioinformatics. 12, 475. Doi: 10.1186/1471-2105-12-475.

    Siqueira O., Mota R., Oliveira H., Duarte D., Glória L., Rodrigues M., Silva F. (2017). Genetic evaluation of lactation persistency and total milk yield in dairy goats. Livest. Res. Rural. Dev. 29, 142.

    Simões J., Pires A.F. (2018). Reproductive disorders in Portuguese Serrana goats and its effects on milk production. Rev. Colomb. Cienc. Pecu. 31, 64-71. Doi: 10.17533/udea.rccp.v31n1a08.

    Škorput D., Špehar M., Luković Z. (2018). Connectedness between contemporary groups in Black Slavonian pig. Livest. Sci. 216, 6-8. Doi: 10.1016/j.livsci.2018.06.012.

    Sneddon N., Lopez-Villalobos N., Davis S., Hickson R., Shalloo L. (2015). Genetic parameters for milk components including lactose from test day records in the New Zealand dairy herd. N. Z. J. Agric. Res. 58, 97–107. Doi: 10.1080/00288233.2014.978482.

    Sobczyńska M., Blicharski T., and Tyra M. (2014). A Canonical Correlation Analysis of Relationships Between Growth, Compositional Traits and Longevity, Lifetime Productivity and Efficiency in Polish Landrace Sows. Ann. Anim. Sci. 14, 257-270. Doi: 10.2478/aoas-2014-0006.

    Song Y., Schreier P.J., Roseveare N.J. (2015).Determining the number of correlated signals between two data sets using PCA-CCA when sample support is extremely small. Proceedings of 2015 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP); South Brisbane, Queensland, Australia, April 19-24, , pp. 3452-3456. Doi: 10.1109/ICASSP.2015.7178612.

    Soria L., Iglesias G., Huguet M., Mirande S. (2003). A PCR‐RFLP test to detect allelic variants of the Bovine Kappa‐Casein gene. Anim. Biotechnol. 14, 1-5. Doi: 10.1081/ABIO-120020180.

    Spanish Ministry of Agriculture. (2005). Real Decreto 368/2005, de 8 de abril, por el que se regula el control oficial del rendimiento lechero para la evaluación genética en las especies bovina, ovina y caprina. [Royal Decree 368/2005, of 8th April, which regulates the official control of the milk yield for the genetic evaluation in the bovine, ovine and caprine species]. Madrid: Ministerio de Agricultura, Pesca y Alimentación. BOE, num. 97, de 23 de abril de 2005. BOE-A-2005-6564. Spanish.

    Spiegelhalter D. J., Best N. G., Carlin B. P., and Van Der Linde A. (2002). Bayesian measures of model complexity and fit. J. R. Stat. Soc. Series B. Stat. Methodol. 64(4):583-639. Doi: 10.1111/1467-9868.00353.

    Struchalin M.V., Amin N., PEilers H., van Duijn C.M., and Aulchenko Y.S. (2012). An R package" VariABEL" for genome-wide searching of potentially interacting loci by testing genotypic variance heterogeneity. BMC Genetics.13, 4. Doi: 10.1186/1471-2156-13-4.

    Struchalin M. V., Dehghan A., Witteman J. C., van Duijn C., and Aulchenko Y. S. (2010). Variance heterogeneity analysis for detection of potentially interacting genetic loci: method and its limitations. BMC Genetics. 11, 92. Doi: 10.1186/1471-2156-11-92.

    Strucken E., De Koning D., Rahmatalla S., Brockmann G.A. (2011). Lactation curve models for estimating gene effects over a timeline. J. Dairy Sci. 94, 442-449. Doi: 10.3168/jds.2009-2932.

    Strzałkowska N., Jóźwik A., Bagnicka E., Krzyżewski J., Horbańczuk K., Pyzel B., Horbańczuk J.O. (2009). Chemical composition, physical traits and fatty acid profile of goat milk as related to the stage of lactation. Anim. Sci. Pap. Rep. 27, 311-320.

    Strzałkowska N., Jóźwik A., Bagnicka E., Krzyżewski J., Horbańczuk K., Pyzel B., Słoniewska D., Horbańczuk J. (2010). The concentration of free fatty acids in goat milk as related to the stage of lactation, age and somatic cell count. Anim. Sci. Pap. Rep. 28, 389-395.

    Sulimova G., Azari M.A., Rostamzadeh J., Abadi M.M., Lazebny O. (2007). κ-casein gene (CSN3) allelic polymorphism in Russian cattle breeds and its information value as a genetic marker. Russ. J. Genet. Appl. Res. 43, 73-79. Doi: 10.1134/S1022795407010115.

    Szymanowska M., Malewski T., and Zwierzchowski L. (2004). Transcription factor binding to variable nucleotide sequences in 5′-flanking regions of bovine casein genes. Int. Dairy J. 14, 103-115. Doi: 10.1016/S0958-6946(03)00153-5.

    Tamer Y. T., Gaszek I. K., Abdizadeh H., Batur T. A., Reynolds K. A., Atilgan A. R., Atilgan C., and Toprak E. (2019). High-order epistasis in catalytic power of dihydrofolate reductase gives rise to a rugged fitness landscape in the presence of trimethoprim selection. Mol. Biol. Evol. 36, 1533-1550. Doi: 10.1093/molbev/msz086.

    Tarkhnishvili D. (2014). Historical biogeography of the Caucasus. No. A. NOVA science publishers. New York, NY.

    The MathWorks, Inc. (2015). ’MATLAB’ release R 2015a, Natick (MA): The MathWorks, Inc.

    Tomasinsig L., De Conti G., Skerlavaj B., Piccinini R., Mazzilli M., D'Este F., Tossi A., and Zanetti M. (2010). Broad-spectrum activity against bacterial mastitis pathogens and activation of mammary epithelial cells support a protective role of neutrophil cathelicidins in bovine mastitis. Infect. Immun. 78, 1781-1788. Doi: 10.1128/IAI.01090-09.

    Torres-Vázquez J., Valencia-Posadas M., Castillo-Juarez H., Montaldo H.H. (2010). Genetic and phenotypic trends for milk yield and milk composition traits of Saanen goats from Mexico. Rev. Mex. Cienc. Pecu. 1, 337–348.

    Torres-Vázquez J., Valencia-Posadas M., Castillo-Juárez H., Montaldo H. (2009). Genetic and phenotypic parameters of milk yield, milk composition and age at first kidding in Saanen goats from Mexico. Livest. Sci. 126, 147–153. Doi: 10.1016/j.livsci.2009.06.008.

    Torshizi M.E., Aslamenejad A., Nassiri M., Farhangfar H. (2011). Comparison and evaluation of mathematical lactation curve functions of Iranian primiparous Holsteins. S. Afr. J. Anim. Sci. 41,104-115.

    Tozer P., Stokes J. (2002). Producer breeding objectives and optimal sire selection. J. Dairy Sci. 85, 3518–3525. Doi: 10.3168/jds.S0022-0302(02)74441-X.

    Ueki M., and Cordell H. J. (2012). Improved statistics for genome-wide interaction analysis. PLoS Genet. 8, e1002625. Doi: 10.1371/journal.pgen.1002625.

    Upton A., Trelles O., Cornejo-García J.A., and Perkins J.R. (2015). High-performance computing to detect epistasis in genome scale data sets. Brief Bioinformatics. 17, 368-379. Doi: 10.1093/bib/bbv058.

    Vacca G.M., Stocco G., Dettori M.L., Pira E., Bittante G., Pazzola M. (2018). Milk yield, quality, and coagulation properties of 6 breeds of goats: environmental and individual variability. J. Dairy Sci. 101, 7236–7247. Doi: 10.3168/jds.2017-14111.

    Val J., Ferraudo A., Bezerra L.A.F., Corrado M.P., Lôbo R.B., Freitas M., Paneto J. (2008). Alternativas para seleção de touros da raça Nelore considerando características múltiplas de importância econômica. Arq. Bras. Med. Vet. Zootec. 705-712.

    Val-Arreola, D., E. Kebreab, J. Dijkstra, and J. France. (2004). Study of the lactation curve in dairy cattle on farms in central Mexico. J. Dairy Sci. 87(11):3789-3799. Doi: 10.3168/jds.S0022-0302(04)73518-3.

    Valencia M., Dobler J., Montaldo H. (2007). Genetic and phenotypic parameters for lactation traits in a flock of Saanen goats in Mexico. Small Rumin Res. 68, 318–322. Doi: 10.1016/j.smallrumres.2005.11.017.

    Vallas M., Kaart T., Värv S., Pärna K., Jõudu I., Viinalass H., Pärna E. (2012). Composite β-κ-casein genotypes and their effect on composition and coagulation of milk from Estonian Holstein cows. J. Dairy Sci. 95, 6760-6769. Doi: 10.3168/jds.2012-5495.

    Van De Schoot R., Broere J.J., Perryck K.H., Zondervan-Zwijnenburg M., Van Loey N.E. (2015). Analyzing small data sets using Bayesian estimation: The case of posttraumatic stress symptoms following mechanical ventilation in burn survivors. Eur. J. Psychotraumatol. 6, 25216. Doi: 10.3402/ejpt.v6.25216.

    Van de Schoot R., Yerkes M.A., Mouw J.M., Sonneveld H. (2013). What took them so long? Explaining PhD delays among doctoral candidates. PloS One. 8, e68839. Doi: 10.1371/journal.pone.0068839.

    Van Der Burg E., and de Leeuw J. (1983). Non‐linear canonical correlation. Br. J. Math. Stat. Psychol. 36, 54-80. Doi: 10.1111/j.2044-8317.1983.tb00765.x.

    Van Eenennaam A., and Medrano J. F. (1991). Milk protein polymorphisms in California dairy cattle. J. Dairy Sci. 74, 1730-1742. Doi: 10.3168/jds.S0022-0302(91)78336-7.

    Van Vleck L.D. (1993). Selection Index and introduction to mixed model methods. Boca Raton (FL): London, UK 1st ed CRC Press; pp. 481.

    Van Vleck L.D., E.P.D.s and Risk. (2019). In Proceedings of the Beef Improvement Federation Annual Meeting & Symposium, New York, NY, USA, 14–17 June; pp. 9.

    VanRaden P., Dematawewa C., Pearson R., Tooker M. (2006). Productive life including all lactations and longer lactations with diminishing credits. J. Dairy Sci. 89, 3213-3220. Doi: 10.3168/jds.S0022-0302(06)72596-6.

    Vassal L., Delacroix-Buchet A., Bouillon J. (1994). Influence des variants AA, EE et FF de la caseine as1 caprine sur le rendement fromager et les caracteristiques sensorielles de fromages traditionnels: premières observations. Le Lait. 74, 89–103.

    Vásquez J., Novoa C., Carulla J. (2014). Efecto del recuento de células somáticas sobre la aptitud quesera de la leche y la calidad fisicoquímica y sensorial del queso campesino. Rev. Med. Vet. Zoot. 61, 171-185. Doi: 10.15446/rfmvz.v61n2.44680.

    Verdier-Metz I., Coulon J-B., Pradel P. (2001). Relationship between milk fat and protein contents and cheese yield. Anim. Res. 50, 365–371. Doi: 10.1051/animres:2001138.

    Vogwill T., Kojadinovic M., and MacLean R. (2016). Epistasis between antibiotic resistance mutations and genetic background shape the fitness effect of resistance across species of Pseudomonas. Proceedings of the Royal Society B: Biol. Sci. 283, 20160151. Doi: 10.1098/rspb.2016.0151.

    Waaijenborg S., and Zwinderman A. H. (2009). Correlating multiple SNPs and multiple disease phenotypes: penalized non-linear canonical correlation analysis. Bioinformatics. 25, 2764-2771. Doi: 10.1093/bioinformatics/btp491.

    Waheed A. and Khan M.S. (2013). Lactation curve of Beetal goats in Pakistan. Archiv. Tierzucht .56, 892-898. Doi: 10.7482/0003-9438-56-089.

    Wang M. H., Sun J. R., Guo H., Weng J., Lee I., Hu P., Sham C., and Zee B. C.-Y. (2016). A fast and powerful W-test for pairwise epistasis testing. Nucleic Acids. Res. 44, e115-e115. Doi: 10.1093/nar/gkw347.

    Watson C.J., Khaled W.T. (2008). Mammary development in the embryo and adult: a journey of morphogenesis and commitment. Development. 135, 995-1003. Doi: 10.1242/dev.005439.

    Weikard R., Kühn C., Goldammer T., Freyer G., and Schwerin M. (2005). The bovine PPARGC1A gene: molecular characterization and association of an SNP with variation of milk fat synthesis. Physiol Genomics. 21, 1-13. Doi: 10.1152/physiolgenomics.00103.2004.

    Wheeler T., Smolenski G., Harris D., Gupta S., Haigh B., Broadhurst M., Molenaar A., Stelwagen K. (2012). Host-defence-related proteins in cows’ milk. Animal. 6, 415-422. Doi: 10.1017/S1751731111002151.

    Wiggans G. (1989). Animal model evaluation of dairy goats for milk, fat, and protein yields with crossbred animals included. J. Dairy Sci. 72, 2411–2416. Doi: 10.3168/jds.S0022-0302(89)79374-7.

    Williams T. N., Mwangi T. W., Wambua S., Peto T. E., Weatherall D. J., Gupta S., Recker M., Penman B. S., Uyoga S., and Macharia A. (2005). Negative epistasis between the malaria-protective effects of α+-thalassemia and the sickle cell trait. Nat. Genet. 37, 1253. Doi: 10.1038/ng1660.

    Wilmink J., and Syndicate R. D. C. (1987). Adjustment of test-day milk, fat and protein yield for age, season and stage of lactation. Studied On Test-Day And Lactation Milk, Fat And Protein Yield Of Dairy Cows: 23.

    Wray N. R., and Hill W. (1989). Asymptotic rates of response from index selection. Anim. Sci. 49, 217-227. Doi: 10.1017/S0003356100032347.

    Wu G. A., Jun S.-R., Sims G. E., and Kim S.-H. (2009). Whole-proteome phylogeny of large dsDNA virus families by an alignment-free method. Proc. Natl. Acad. Sci. 106, 12826-12831. Doi: 10.1073/pnas.0905115106.

    Yahyaoui M.H., Coll A., Sanchez A., Folch J.M. (2001). Genetic polymorphism of the caprine kappa casein gene. J. Dairy Res. 68, 209-216. Doi: 10.1017/s0022029901004733.

    Yahuza I. (2011). Yield-density equations and their application for agronomic research: a review. Int. J. Biosci. 1, 1-17.

    Yamanishi Y., Vert J.-P., Nakaya A., and Kanehisa M. (2003). Extraction of correlated gene clusters from multiple genomic data by generalized kernel canonical correlation analysis. Bioinformatics.19, i323-i330. Doi: 10.1093/bioinformatics/btg1045.

    Yang H., Huck S.W. (2010). The importance of attending to underlying statistical assumptions. Newborn Infant Nurs Rev. 10, 44–49. Doi: 10.1053/j.nainr.2009.12.005.

    Ye G, Collard B, Zhao X and Nissila E. (2013). Enhancing rice breeding efficiency: the role of breeding. Sabrao J. Breed. Genet. 45, 143-158.

    Young A.L. (2017). Analysis of lactation curves using probability distributions and non-linear analysis. Utah: Utah State University, State Agricultural Experiment Station.

    Young G., Dey S., Rogers A., Exton D. (2018). Correction: Cost and time-effective method for multi-scale measures of rugosity, fractal dimension, and vector dispersion from coral reef 3D models. PloS One. 13, e0201847. Doi: 10.1371/journal.pone.0201847.

    Zahraddeen D., Butswat I., Mbap S. (2007). Evaluation of some factors affecting milk composition of indigenous goats in Nigeria. Livestock Res. Rural Dev. 19, 166.

    Zhang F., and Wagener D. (2008). An approach to incorporate linkage disequilibrium structure into genomic association analysis. J. Genet. Genom. 35, 381-385. Doi: 10.1016/S1673-8527(08)60055-7.

    Zhang T., Zhu C., & Du Lixin Z. F. (2017). Advances in genome-wide association studies for important traits in sheep and goats. Hereditas (Beijing). 39, 491–500. Doi: 10.16288/j.yczz.17-021.

    Zhang Z., Wang W., and Valdar W. (2014). Bayesian modeling of haplotype effects in multiparent populations. Genetics. 198, 139-156. Doi: 10.1534/genetics.114.166249.

    Zellner A., and Siow A. (1980). Posterior odds ratios for selected regression hypotheses. Trabajos de estadística y de investigación operativa. 31(1):585-603.Doi: 10.1007/BF02888369.

    Zidi A., Amills M., Jordana J., Carrizosa J., Urrutia B., & Serradilla J. (2015). Variation at the 3′-UTR of the goat αS2-and β-casein genes is not associated with milk protein and dry matter contents in Murciano-G ranadina goats. Anim. Genet. 46, 95–96. Doi: 10.1111/age.12235.