Las líneas CRE y RES fueron formadas en 1998 y 2014 respectivamente. La línea CRE fue producida usando camarones provenientes de México, Venezuela, Colombia, Estados Unidos, y Ecuador. La línea RES está compuesta por camarones con antecedentes de resistencia a SMB procedentes de Ecuador, Panamá y Estados Unidos y desde 2014. Una descripción más específica de la creación de las líneas genéticas puede encontrarse en Gallaga-Maldonado et al. (2020)y Campos-Montes et al. (2020).

Las familias fueron producidas mediante inseminación artificial, utilizando una relación de un macho por cada dos hembras para la formación de familias de medios hermanos. Las hembras inseminadas desovaron en tanques individuales para el conteo de nauplios por familia (hermanos completos); siendo descartados aquellos desoves con menos de 25,000 nauplios para la siguiente etapa. La alimentación en las fases larvarias se basó en micro-pellets comerciales con 40% a 50% de proteína y 8% a 10% de grasa, microalgas Chaetoceros, Spirulina spp, y Artemia spp., y la constitución de la dieta se adecuó a cada estadio. Las familias de hermanos completos se mantuvieron en el mismo estanque hasta que fueron marcadas alrededor de los 60 días de edad (pesando entre 2 y 3 gramos), mediante elastómeros de colores (Northwest Marine Technology^TM), en el último segmento abdominal del camarón y cuya combinación de colores funcionó como identificación familiar.

Diez días posteriores al marcaje, se sembraron 36 camarones en promedio por familia en cada estanque. Los Estaques de Sonora (SMB-presencia) eran de arena de 0.20 ha, con una columna de agua de 1.4 m, a una temperatura promedio de 32 °C y una salinidad promedio de 33 gL^-1. La tasa de intercambio diario de agua varió de 5% a 20%. El alimento ofrecido contó con un porcentaje de proteína entre el 34 y 40% a razón de 3% de la biomasa total en el estanque. La densidad de siembra en ambos estanques fue de 16 organismos/m². En Sinaloa (SMB-ausencia) se usó un estanque de concreto de 4 x 16 m, con una columna de agua de 2 m y una densidad de siembra de 70 m². La temperatura del agua se mantuvo a 30°C con una salinidad de 35 gL-1, aireación constante y una tasa de intercambio de agua diario de 4% a 5%. La cantidad de alimentación diaria ofrecida (35% - 40% de proteína); se calculó como el 6% de su biomasa.

Posterior a 70 de la siembra se recuperó la totalidad de los organismos de los estanques, y de cada uno se identificó la familia de origen, el sexo y peso corporal. Se eliminó la información de individuos con deformidades, sin identificación confiable o sexo indefinido. Para la estimación de la SC se consideró a los animales recuperados al final del periodo como vivos (1) y los animales no recuperados, considerando la diferencia entre los organismos vivos de cada familia y los sembrados, como muertos (0).

Para comparar el comportamiento productivo entre ambas líneas en ambos escenarios (SMB-presencia y SMB-ausencia), se consideró el siguiente modelo lineal:

y_ijk = µ + L_i + S_j + LS_ij + e_ijk

Donde, y_ijk es el vector de observaciones de PC o SC, µ es la media de la población para la variable de interés (SC o PC), L_i es el efecto de la i-esima línea (CRE, RES), S_j es el efecto del j-esimo ambiente (SMB-presencia, SMB-ausencia), LS_ij es el efecto de la interacción entre la línea y estado de salud del estanque, y e_ijk ~ N (0, σ²e). El sexo y el estanque también se incluyeron en PC. Para determinar diferencias entre combinaciones de línea y ambiente se usó una prueba de Tukey (α = 0.05).

Los parámetros genéticos para PC y SC fueron estimados para cada línea, usando un modelo animal y máxima verosimilitud restringida, con el software ASReml. Considerando los criterios de aproximación de una distribución binomial a una distribución normal (Schader y Schmid, 1989; Emura y Yu-Ting, 2018) se asumió normalidad en el análisis de SC; el modelo usado fue:

y = Xβ + Zu +Wf + ε

Donde, y es el vector de observaciones de (PC o SC) de ambos ambiente, β es el vector de efectos fijos de cada característica, u es el vector de efectos genéticos aditivos aleatorios del animal, u ~ MVN (0, G), donde G = V ⊗ A, donde V es una matriz simétrica que contiene las (co) varianzas entre los efectos de los animales de las misma familias para las características en los dos ambientes, y A es una matriz de relaciones aditivas; ⊗ es el producto Kronecker, residuales ambientales, f es el vector desconocido del efecto común de familia para todas las características, f ~ MVN (0, F); donde, F = C ⊗ I, donde, C es una matriz de co(varianzas) de los efectos de ambiente común de familia, sólo para PC, e I es una matriz de identidad de orden apropiado, y ε es el vector de efectos aleatorios, ε ~ MVN (0, R), donde, R = E ⊗ I, donde, E es la matriz de co(varianzas)de los efectos residuales que contiene las covarianzas entre las dos características, e I es una matriz de identidad de orden apropiado, con σ ²e como la varianza residual.

Por último, X, Z, y W son matrices de incidencia conocidas que relacionan las observaciones con los efectos fijos (que variaron dependiendo de la característica analizada), los efectos genéticos del animal y los efectos de ambiente común de familia, respectivamente. Las correlaciones genéticas entre ambas características en la combinación línea-estanque se estimaron con ASReml, usando modelos bivariados y con el mismo modelo, pero considerando el vector y de información de PC y SC. No se usaron restricciones en la estructura de covarianzas y los efectos de ambiente común de familia, fueron considerados independientes.

En la estimación de los parámetros genéticos para el PC, los efectos fijos incluidos en el modelo, fueron: sexo, edad a la cosecha lineal y cuadrática, adicionalmente en el caso de SMB-presencia; se incluyó el efecto de estanque (Kino y Marea alta). En cuanto a la SC para los estanques afectados, el único efecto fijo considerado fue el de estanque en SMB-presencia; mientras que en el ambiente SMB-ausencia no se consideró ningún efecto fijo.

La varianza fenotípica para cada característica, se estimó como la suma de los componentes de varianza de los efectos aleatorios (genético del animal y común de familia). La h² se estimó como la proporción de la varianza fenotípica que se debe a la varianza genética aditiva, y la r_G se estimó como la covarianza dividida en el producto de las correspondientes desviaciones estándar. La significancia estadística de los parámetros estimados se basó en los intervalos de confianza (95%), construidos con sus errores estándar, asumiendo normalidad. La existencia de IGA se determinó cuando rG entre ambientes fue menor que 0.80 (Sae-Lim et al., 2016).

Finalmente, para analizar si el comportamiento de las características entre líneas genéticas fue similar, se realizó una comparación de las r_G estimadas en cada línea (Nguyen et al., 2016), dicha comparación se realizó por medio de una transformación Z de Fisher (Rosenthal et al., 1992) implementada en el paquete “Cocor” en R (Diedenhofen y Musch, 2014), una prueba de significancia para la diferencia entre 2 correlaciones, basada en grupos dependientes con 1 variable en común. Para una mejor comprensión, se presenta un esquema de las correlaciones genéticas estimadas por línea en la figura 1.

Figura 1 r²a y r²b = Correlación genética entre ambientes (SMB-presencia y SMB-ausencia) dentro de cada característica. r²c = Correlación genética entre los ambientes SMB-presencia de las dos características. r²d = Correlación genética entre los ambientes SMB-ausencia de las dos características

Las estadísticas descriptivas para PC y SC en cada línea genética (CRE y RES), dentro de ambiente (SMB-presencia, SMB-ausencia) se muestran en el cuadro 1. Al mismo tiempo, las figuras 2 y 3 muestran las LSM de ambas líneas (CRE y RES), a través de los ambientes para PC y SC. Estos resultados muestran diferencias en SC, donde la línea CRE tiene una baja SC en SMB-presencia; mientras que los camarones de la línea RES poseen una menor SC en SMB-presencia. Adicionalmente, existe interacción línea por ambiente (P<0.0001) en las dos características; dichas interacciones de línea por ambiente resaltan la importancia de considerar la probabilidad de ocurrencia de la enfermedad SMB, cuando se elige la línea en el programa de mejoramiento genético (Sae-Lim et al., 2016).

Cuadro 1

Ambiente	Line	Peso corporal (g)		Tasa de Supervivencia
		n	LSM ±ee	n	LSM ± ee
SMB-presenciaz	RES	2,524	12.80 ± 0.07 a	6,414	0.45 ± 0.01 a
	GRO	294	8.75 ± 0.06 b	5,494	0.06 ± 0.01 b
SMB-ausencia	RES	2,838	11.91 ± 0.17c	3,105	0.82 ± 0.01 c
	GRO	1,926	13.75 ± 0.05 d	2,185	0.88 ± 0.01 d

LSM: Medias mínimo cuadráticas, ee: Error estándar.

Las heredabilidades para PC en ambas líneas se muestran en el cuadro 2. Los efectos de ambiente común de familia fueron 0.05 en ambas líneas. La inclusión de estos efectos en todos los modelos redujo la estimación de la varianza aditiva, acorde a lo presentado por otros autores (Campos-Montes et al., 2013; Montaldo et al., 2013). Las heredabilidades en SMB-ausencia fueron consistentes con los presentados por autores como Tanet al. (2017) , Trang et al. (2019)y Ren et al. (2020) , a pesar de que éste último no consideró efectos de ambiente común de familia en su modelo; sin embargo, estos estimados de heredabilidad fueron mayores que los reportados por otros autores (Li et al., 2015; Zhang et al., 2017; Yuan et al., 2018). Por otro lado, las heredabilidades para SMB-presencia son similares a los estimados por Caballero-Zamora et al. (2015), quienes también usaron datos provenientes de un brote natural de SMB.

Cuadro 2

	Ambiente	SMB-presencia	SMB-ausencia
Línea de Crecimiento	SMB-presencia	0.05±0.16	-0.17±0.60
	SMB-ausencia		0.35±0.15
Linea de Resistencia	SMB-presencia	0.26±0.07	0.89±0.09
	SMB-ausencia		0.49±0.08

* Estimados mediante análisis bivariados. Las correlaciones genéticas se muestran en negrilla

Figura 2

Figura 3

En la línea CRE, la diferencia entre las heredabilidades para SMB-presencia (0.05 ± 0.16) y SMB-ausencia (0.35 ± 0.15), puede ser un indicador de heterogeneidad de varianzas (Sae-Lim et al., 2016); pero en este caso, además de cambios en la varianza genética aditiva, la fuente de esta heterocedasticidad puede estar contenida en cambios en la varianza ambiental por la sensibilidad micro ambiental de los individuos. En el caso de SMB-presencia, es importante mencionar que la poca precisión en el estimado de h² puede deberse a la estructura de datos resultante de la alta mortalidad. En la línea RES, los estimados de heredabilidad para PC fueron mayores que para CRE; además de tener mejores precisiones. Por otro lado, el estimado de h² en SMB-presencia (0.26 ± 0.07) es menor que en SMB-ausencia (0.49 ± 0.08), al igual que en la línea CRE, y los estimadores de esta línea fueron consistentes con otros autores (Luan et al., 2015; Sui et al., 2016; Zhang et al., 2017 y Yuanet al., 2018).

Las variaciones en los estimado res de heredabilidad para PC pueden ser resultado de la sensibilidad micro ambiental de los individuos (Sae-Lim et al., 2016). Dado lo anterior, es importante tener en cuenta que estos cambios en la heredabilidad pueden alterar la precisión de la predicción de la respuesta a la selección.

La r_G estimada para los PC entre ambientes en la línea CRE fue negativa y no significativa (P>0.05) (-0.17 ± 0.60); aunque en las estimaciones con modelos preliminares (datos no presentados) fue consistentemente negativa. El valor poco preciso de la estimación puede ser consecuencia de los bajos valores de la varianza genética aditiva de PC en SMS-presencia, lo cual complica la evaluación de efectos de IGA en esta línea; mientras que en la línea RES, esta correlación no fue diferente de 1 (P>0.05) (cuadro 2); señalando que los efectos genéticos aditivos para PC son muy similares en los dos ambientes (Sae- Lim et al., 2016). En otras palabras, no existe efecto de IGA en RES para PC. Considerando que ambas líneas estuvieron en las mismas condiciones ambientales de manejo y expuestas al mismo patógeno (SMB), es posible considerar que las diferencias en los estimadores de ambas líneas son resultado de la baja tasa de SC de la línea CRE. En varios estudios no se detectó IGA al considerar condiciones ambientales, como la densidad de siembra (Campos-Montes et al., 2009; Tan et al., 2017) o localidad de cultivo (Sui et al., 2016). Otros trabajos reportan posibles efectos de IGA para PC, considerando los valores puntuales de los estimadores de Rg; sin embargo, los errores estándar de éstas, no permiten definirlas como significativamente diferentes de uno o cero (Caballero- Zamora et al., 2015; Li et al., 2015; Nguyen et al., 2020).

Las heredabilidades y las correlaciones genéticas aditivas para SC en las líneas genéticas se muestran en el cuadro 3. En cuanto a los efectos comunes de familia, estos fueron considerados independientes entre ambientes para cada característica, y variaron entre 0.02 y 0.04. Las heredabilidades estimadas para SC en SMB-presencia fueron 0.01 y 0.11 para las CRE y RES respectivamente; los anteriores son similares a las reportadas por otros autores en presencia de SBM (Gitterle et al., 2005a; Caballero-Zamora et al., 2015); sin embargo, fueron menores que los estimados por Li et al. (2015)y Trang et al. (2019); ambos en desafíos controlados a SMB. Los resultados del modelo de SC fueron consistentes con estimaciones, usando modelos univariados, considerando una distribución binomial (resultados no mostrados).

Cuadro 3

	Ambiente	SMB-presencia	SMB-ausencia
Línea de Crecimiento	SMB-presencia	0.01±0.02	0.00
	SMB-ausencia		0.01±0.03
Linea de Resistencia	SMB-presencia	0.11±0.06	0.10±0.40
	SMB-ausencia		0.06±004

* Estimados usando modelos bivariados

Las heredabilidades para SC en SMB-ausencia fueron 0.01 ± 0.03 en CRE y 0.06 ± 0.04 en RES concordantes con otros estimadores para supervivencia general (Campos- Montes et al., 2013; Zhang et al., 2017; Ren et al., 2020), pero menores a los presentados por Lu et al. (2017), Luan et al. (2020) , y Tan et al. (2017), donde no se incluyó el efecto de ambiente común de familia, lo cual podría haber generado una sobrestimación de los parámetros genéticos.

Las heredabilidades en CRE fueron esencialmente cero en ambos ambientes, 0.01 ± 0.02 en SMB-presencia y 0.02 ± 0.03 en SMB-ausencia, lo cual, representa mínimas posibilidades de avance genético por selección para esta característica en ambos escenarios, lo cual es consistente con otros autores (Gitterle et al., 2005a; Campos- Montes et al., 2013; Li et al., 2015; Lu et al., 2017). El avance mínimo por selección podría estar relacionado con la dificultad en la estimación a causa de la tasa de mortalidad por parte de los modelos estadísticos (Vehviläinen et al., 2008), una proporción genética muy baja en la expresión de la supervivencia, o posiblemente, el daño en la estructura de relaciones genéticas de familia cuando SMB estuvo presente.

Las heredabilidades estimadas para SC en RES fueron 0.11 ± 0.06 y 0.06 ± 0.04, para SMB-presencia y SMB-ausencia, respectivamente (cuadro 3); las cuales no fueron diferentes estadísticamente a las estimadas para la línea CRE. La h² para SC en SMB- presencia fue superior la estimada por Caballero-Zamora et al. (2015) 0.06 y a la reportada por Gitterle et al. (2005b) , que calculó valores entre 0.03 a 0.07. La h² para SMB-ausencia fue concordante con otros estimadores para supervivencia general en la misma especie (Campos-Montes et al., 2013; Zhang et al., 2017; Ren et al., 2020).

Las heredabilidades de SC para ambos ambientes fueron consistentes en ambas líneas (cuadro 3), sugiriendo que no existe una compresión de la varianza aditiva, en las líneas, asociada al ambiente (Sae-Lim et al., 2016). Las correlaciones genéticas entre SC en SMB-presencia y SMB-ausencia no fueron diferentes de cero (P>0.05), coincidiendo con lo reportado por Vehviläinen et al. (2010)en otra especie acuática, lo cual puede proponer que las supervivencias en ambos ambientes son características independientes, como lo sugiere Thoa et al. (2015).

Las correlaciones genéticas por ambiente entre PC y SC se muestran en el cuadro 4. Para la estimación de estas correlaciones el efecto común de familia se consideró independiente entre ambientes.

Cuadro 4

	SMB-presencia	SMB-ausencia
Línea de crecimiento	ne*	-0.09 ± 0.92
Línea de resistencia	0.04 ± 0.16	0.57 ± 0.20
* No estimable

La correlación genética entre las dos características no pudo ser estimada en SMB- presencia en la línea CRE, posiblemente por la afectación en la estructura de la información asociada con la alta mortalidad presentada en esa línea; en tanto que, para la línea RES, no fue diferente de cero (0.04 ± 0.16), concordando con los resultados de Caballero-Zamora et al. (2015). En el caso de SMB-ausencia para la línea CRE, la rG no fue diferente de cero (-0.09 ± 0.92), a diferencia de la estimada en la línea RES que fue de 0.57 ± 0.20, la cual fue consistente con la estimada por Campos-Montes et al. (2013), en estanques comerciales, en ausencia de SMB (0.56 ± 0.10). La rG estimada en la línea RES fue mayor que la reportada por Yuan et al. (2018), Gitterle et al. (2005a), y Zhang et al. (2017). Las diferencias entre la correlación genética en RES pueden ser indicador de cambios en los componentes de varianza posiblemente asociados a IGA, a su vez relacionada con las covarianzas correspondientes, lo que tendría implicaciones en la respuesta a la selección correlacionada (Sae-Lim et al., 2016).

Algunos autores resaltan la importancia de la creación de líneas genéticas en acuicultura (Nguyen et al., 2016), los resultados de este estudio sugieren que los índices de selección para PC deben tener en cuenta la línea genética usada en el programa de mejoramiento genético. Por otro lado, la estimación de los parámetros genéticos relacionada a PC debe considerar la presencia de enfermedades endémicas, como es el caso de SMB en el cultivo de camarón y visualizar la SC en presencia y ausencia de SMB como características independientes, en ambas líneas genéticas.

Además de los cambios en las heredabilidades y correlaciones genéticas en ambas líneas, la productividad en éstas fue diferente en los ambientes estudiados, lo cual, podría interpretarse como un indicador de plasticidad fenotípica , que puede ser común en organismos marinos como lo sugiere Munday, (2013) , y puede entenderse como la expresión de diferentes fenotipos en individuos con el mismo genotipo, pero bajo diferentes condiciones ambientales (Munasinghe y Seneviratha, 2015). En consecuencia, dicho efecto de plasticidad fenotípica debería ser considerado en los programas de mejoramiento genético de camarón, procurando que los ambientes de desempeño a analizar sean lo más parecidos a las condiciones de producción (Nguyen et al., 2016).