Роль фиксированных факторов в изменчивости удоя скота ирменского типа в условиях промышленного комплекса

Настоящее исследование посвящено оценке значимости паратипических факторов в изменчивости удоя. Показана роль таких фиксированных эффектов, как «Сезон отёла», «Год отёла», «Сезон запуска», «Год запуска» и их взаимодействия: «Сезон отела : Год отела», «Сезон запуска : Год запуска», «Сезон отела : Сезон запуска», «Год отела : Год запуска». Использовали данные первичного зоотехнического учёта скота ирменского типа чёрно-пёстрой породы (n = 319210) с 2000 по 2020 г. Оценку роли генетических и паратипических факторов проводили при помощи линейных смешанных регрессионных моделей и соответствующих статистических методов и критериев. В качестве случайных эффектов выступали: отец, лактация, возраст первого плодотворного осеменения, возраст первого отёла и идентификационные данные животного. Влияние фиксированных факторов перспективной математической модели оценивали с помощью дисперсионного анализа, предварительно выявив различные их сочетания с поправкой на долю вклада случайных. Определены уровни вклада оцениваемых факторов в изменчивость зависимого признака. Отмечалась высокая сопряжённая изменчивость между прогнозируемым и фактическим удоем (r = 0,905; p < 0,001). По тестовой выборке наблюдался относительно высокий коэффициент детерминации (R² = 0,819), учитывая использование только фенотипических данных при построении модели. Применение полученной модели на других субпопуляциях может потребовать дополнительных поправочных коэффициентов в рамках региональных или федеральных программ индексной оценки племенной ценности.

1. Камалдинов Е.В. Каноническая дискриминантная модель влияния генотипа отца на некоторые интерьерные показатели его потомков у свиней // Вестник Красноярского аграрного университета. – 2012. – № 1. – С. 117–122.

2. Genetic selection of high-yielding dairy cattle toward sustainable farming systems in a rapidly changing world / L.F. Brito, N. Bedere, F. Douhard [et al.] // Animal. – 2021. – P. 100292. – DOI: 10.1016/j.animal.2021.100292.

3. Neethirajan S. The role of sensors, big data and machine learning in modern animal farming // Sensing and Bio-Sensing Research. – 2020. – Vol. 29. – P. 100367. – https://doi.org/10.1016/j.sbsr.2020.100367.

4. Unraveling genetic sensitivity of beef cattle to environmental variation under tropical conditions / R. Carvalheiro, R. Costilla, H.H.R. Neves [et al.] // Genet Sel Evol. – 2019. – Vol. 51. – P. 29. – DOI: 10.1186/s12711-019-0470-x.

5. Genotype-environment interaction for age at fi rst calving in Holstein cows in Brazil / J.C. Santos, C.H.M. Malhado, P.L.S. Carneiro [et al.] // Vet Anim Sci. – 2020. – Vol. 9. – P. 100098. – DOI: 10.1016/j.vas.2020.100098.

6. Comparative Transcriptomic and Proteomic Analyses Identify Key Genes Associated With Milk Fat Traits in Chinese Holstein Cows / C. Zhou, D. Shen, C. Li [et al.] // Front Genet. – 2019. – Vol. 10. – P. 672. – DOI: 10.3389/fgene.2019.00672.

7. Genotype by environment interaction for gene expression in Drosophila melanogaster / W. Huang, M.A. Carbone, R.F. Lyman [et al.] // Nat Commun. – 2020. – Vol. 11. – P. 5451. – DOI: 10.1038/s41467-020-19131-y.

8. Zhang Z., Kargo M., Su G. Genotype-by-enviroment interaction of fertility traits in Danish Holstein cattle using a single-step genomic reaction norm model // Herediti. – 2019. – Vol. 123. – P. 202–214. – DOI: 10.1038/s41437-019-0192-4.

9. Никитин С.В., Князев C.П. Отбор и адаптация в популяциях домашних свиней. – Lambert Academy Publishing, 2015. – 228 с.

10. Falconer D.S., Mackay T.F.C. Introduction to Quantitative Genetics. – Pearson-Longman, Essex, U.K., 1996. – 480 p.

11. Mrode R.A. Linear models for the prediction of animal breeding values. – Wallingford: CAB International Publ., 2014. – 360 p.

12. Fitting lactation curves in a Colombian Holstein herd using nonlinear models / N.P. Duque, J. Casellas, J.H. Quijano [et al.] // Revista Facultad Nacional de Agronomía Medellín. – 2018. – Vol. 71, N 2. – P. 8459–8468.

13. Моделирование объёма туловища по линейным признакам скота / А.Ф. Петров, Е.В. Камалдинов, О.Д. Панфёрова [и др.] // Сибирский вестник сельскохозяйственной науки. – 2020. – Вып. 50, № 6. – С. 106–114.

14. Fitting Linear Mixed-Eff ects Models Using lme4 / D. Bates, M. Mächler, B. Bolker, S. Walker // Journal of Statistical Software. – 2015. – Vol. 67(1). – P. 1–48. – https://doi.org/10.18637/jss.v067.i01.

15. Use of Random Regression Test-Day Model to Estimate Genetic Parameters of Milk Yield in Holstein Cows / Y. Fazel, M. Fozi, A. Esmailizadeh [et al.] // Open Journal of Animal Sciences. – 2018 – Vol. 8. – P. 27–38. – DOI: 10.4236/ojas.2018.81003.

16. Assessment of the variability of reproductive abilities of a black and white cattle using genealogical data and paratypical factors / E.V. Kamaldinov, O.D. Panferova, O.V. Efremova, V.G. Marenkov, A.F. Petrov, I.N. Ryumkina // Data in Brief. – 2021. – Vol. 35. – P. 106842. – DOI:10.1016/j.dib.2021.106842.

17. Fitting milk production curves through nonlinear mixed models / M. Piccardi, R. Macchiavelli, A. Funes [et al.] // Journal of Dairy Research. – 2017. – Vol. 84, N 2. – P. 146-153. – DOI: 10.1017/S0022029917000085.

18. New variable selection for linear mixed-eff ects models undefi ned / X.L. Wu, X. Luo, P. Xu, L. Zhu // Ann Inst Stat Math. – 2017. – Vol. 69. – P. 627–646. –DOI: 10.1007/s10463-016-0555-z.

19. Bayesian estimation of genetic variance and response to selection on linear or ratio traits of feed effi ciency in dairy cattle / M.S. Islam, J. Jensen, P. Løvendahl [et al.] // J Dairy Sci. – 2020. – Vol. 103, N 10. – P. 9150–9166. – DOI: 10.3168/jds.2019-17137.

20. Pretoriusd A.L., van der Merwe A.J. A nonparametric Bayesian approach for genetic evaluation in animal breeding // South African Journal of Animal Science. – 2000. – Vol. 30, N 2. – P. 138–148.

21. Improving genetic evaluation using a multitrait single-step genomic model for ability to resume cycling after calving, measured by activity tags in Holstein cows / A. Ismael, P. Løvendahl, A. Fogh, [et al.] // J Dairy Sci. – 2017 – Vol. 100, N 10. – P. 8188–8196. – DOI: 10.3168/jds.2017-13122.

22. Reliability of breeding values between random regression and 305-day lactation models Pesq. agropec. bras. / A.H. Padilha, H. Padilha, J.A. Cobuci [et al.] // Brasília. – 2016. – Vol. 51, N 11. – P. 1848–1856. – DOI: 10.1590/S0100-204X2016001100007.

23. Бугаков Ю.Ф., Лабузова И.М., Шефер Н.А. Ирменский тип чёрно-пёстрого скота: слагаемые успеха. – Новосибирск – Верх-Ирмень: НГТУ, 2007. – 295 с.

24. Liu S., Trenkler G. Hadamard, Khatri-Rao, Kronecker and other matrix products // International Journal of Information and Systems Sciences. – 2008. – Vol. 4, N 1. – P. 160–177.

25. Ludden T.M., Beal S.L., Sheiner L.B. Comparison of the Akaike Information Criterion, the Schwarz criterion and the F test as guides to model selection // J Pharmacokinet Biopharm. – 1994. – Vol. 22, N 5. – P. 431–445. – DOI: 10.1007/BF02353864.