Тваринництво та технології харчових продуктів

Можливості латентного фенотипу: моделювання відповіді на відбір за ознаками продуктивності молочної худоби з урахуванням генетичних кореляцій

Сергій Рубан, Віктор Даншин, Олександр Борщ, Микола Зброй, Олена Федота
Завантажити статтю
Анотація

Метою досліджень був аналіз динаміки змін економічно важливих ознак молочної худоби: вмісту жиру та білка в молоці, рівня тільності дочок, продуктивного довголіття, залишкового споживання корму, живої маси, балу за вмістом соматичних клітин, при моделюванні відбору за такими ознаками молочної продуктивності, як надій, кількість молочного жиру та білка. Матеріалом для досліджень були дані референтного стада голштинських корів молочної ферми «Терезине» (Київська область, Україна). Загальна кількість спостережень корів склала 14 712 в розрізі семи лактацій. Для моделювання використане програмне забезпечення «MRS». При відборі за надоєм на рівні селекційних диференціалів 100 кг, 300 кг та 500 кг генетична відповідь наступного покоління по надою склала 31,59 кг, 94,77 кг та 157,97 кг відповідно. Одночасно спостерігалось збільшення таких ознак, як продуктивне довголіття, з 0,59 міс. до 2,94 міс., жива маса – з 0,36 до 1,79 кг, та бал за вміст соматичних клітин в молоці – з 0,03 до 0,13. Генетичні зміни вмісту жиру та білка в молоці, ознаки рівня тільності дочок та залишкового споживання корму мали зворотні значення. Отримано значущі показники фенотипових кореляцій між надоєм первісток та вмістом жиру в молоці (-0,2985), кількістю молочного жиру (+0,9631), білка в молоці (-0,2642), молочного білка (+0,9924), періоду відкритих днів (+0,0989), продуктивним довголіттям (+0,0989) та живою масою (+0,2199). Відмічено різноспрямований рівень зв’язків у дочок плідників між надоєм та вмістом білка в молоці від -0,1229 до +0,1708, надоєм та періодом відкритих днів – від -0,0726 до +0,1836. Проведено моделювання можливих змін генетичних кореляцій в діапазоні від -0,10 до -0,95 між надоєм та рівнем тільності (DPR). Темпи корельованої відповіді при відборі за надоєм залежно від значень генетичної кореляції між цими ознаками вплинули на зменшення рівня тільності корів з -0,51 до майже -5,0 балів. Вплив на силу та спрямованість встановлених зв’язків може сприяти стабілізації або погіршенню ознак відтворення при відборі за надоєм. Запропонований метод моделювання дає змогу прогнозувати зміни основних ознак, за якими проводиться відбір, в залежності від генетичних кореляцій між ними

Ключові слова

генетичні параметри; фенотипічні кореляції; молочна продуктивність; розмноження

ЦИТУВАТИ
Ruban, S., Danshyn, V., Borshch, O., Zbroi, M., & Fedota, O. (2025). Latent phenotype potential: Modelling response to selection for dairy cattle productivity traits considering genetic correlations. Animal Science and Food Technology, 16(4), 9-27. https://doi.org/10.31548/animal.4.2025.9
Використані джерела
  1. Akash, Hoque, M., Mondal, S., & Adusumilli, S. (2022). Sustainable livestock production and food security. In S. Mondal & R.L. Singh (Eds.), Emerging issues in climate smart livestock production (pp. 71-90). Cambridge, MA: Academic Press. doi: 10.1016/B978-0-12-822265-2.00011-9.
  2. Berro, I., Lado, B., Nalin, R.S., Quincke, M., & Gutiérrez, L. (2019). Training population optimization for genomic selection. Plant Genome, 12(3), 1-14. doi: 10.3835/plantgenome2019.04.0028.
  3. Bouquet, A., Slagboom, M., Thomasen, J., Friggens, N.N.C., Kargo, M., & Puillet, L. (2022). Mechanistic-based prediction of selection response on resilience and feed efficiency traits in dairy cattle. In Proceedings of 12th world congress on genetics applied to livestock production (pp. 268-271). Rotterdam: HAL. doi: 10.3920/978-90-8686-940-4_55.
  4. Brito, L.F., Bedere, N., Douhard, F., Oliveira, H.R., Arnal, M., Peñagaricano, F., Schinckel, A.P., Baes, C.F., & Miglior, F. (2021). Review: Genetic selection of high-yielding dairy cattle toward sustainable farming systems in a rapidly changing world. Animal, 15(1), article number 100292. doi: 10.1016/j.animal.2021.100292.
  5. Brito, L.F., et al. (2020). Genetic mechanisms underlying feed utilization and implementation of genomic selection for improved feed efficiency in dairy cattle. Canadian Journal of Animal Science, 100(4), 587-604. doi: 10.1139/cjas-2019-0193.
  6. Caballero, A. (2020). Quantitative genetics. Cambridge: Cambridge University Press. doi: 10.1017/9781108630542.
  7. Cuyabano, B.C.D., Croiseau, P., Shokor, F., Motta, M.R., Aguerre, S., & Mattalia, S. (2024). Genetic correlations: A parameter or a latent phenotype in genetic evaluations? Interbull Bulletin, 60, 179-186.
  8. Danshin, V.O., Ruban, S.Y., & Afanasenko, V.Y. (2017). Evaluation of breeding values of sires and cows in dairy breeds. The Animal Biology, 19(1), 44-53. doi: 10.15407/animbiol19.01.044.
  9. De Vries, A., Bliznyuk, N., & Pinedo, P. (2023). Invited review: Examples and opportunities for artificial intelligence (AI) in dairy farms. Applied Animal Science, 39(1), 14-22. doi: 10.15232/aas.2022-02345.
  10. Egger-Danner, C., Cole, J.B., Pryce, J.E., Gengler, N., Heringstad, B., Bradley, A., & Stock, K.F. (2015). Invited review: Overview of new traits and phenotyping strategies in dairy cattle with a focus on functional traits. Animal, 9(2), 191-207. doi: 10.1017/S1751731114002614.
  11. Fedota, O., Babalian, V., Ryndenko, V., Belyaev, S., & Belozоrov, I. (2020). Lactose tolerance and risk of multifactorial diseases on the example of gastrointestinal tract and bone tissue pathologies. Georgian Med News, 303, 109-113.
  12. Fedota, O., Puzik, N., Skrypkina, I., Babalyan, V., Mitiohlo, L., Ruban, S., Belyaev, S., Borshch, O.О., & Borshch, O.V. (2022). Single nucleotide polymorphism C994g of the cytochrome P450 gene possess pleiotropic effects in Bos taurus, L. Acta Biologica Szegediensis, 66(1), 7-15. doi: 10.14232/abs.2022.1.7-15.
  13. International Committee for Animal Recording (ICAR). (2014). ICAR recording guidelines. Retrieved from https://pecuaria.pt/docs/Guidelines_2014.pdf.
  14. Koutouzidou, G., Ragkos, A., & Melfou, K. (2022). Evolution of the structure and economic management of the dairy cow sector. Sustainability, 14(18), article number 11602. doi: 10.3390/su141811602.
  15. Lee, M., & Seo, S. (2021). Wearable wireless biosensor technology for monitoring cattle: A review. Animals, 11(10), article number 2779. doi: 10.3390/ani11102779.
  16. Lopez-Villalobos, N., Wiles, P., & Udy, G. (2024). The value of genetic improvement evaluated using a whole of enterprise market model. Dairy, 5(3), 372-383. doi: 10.3390/dairy5030030.
  17. Ma, L., Sonstegard, T.S., Cole, J.B., VanTassell, C.P., Wiggans, G.R., Crooker, B.A., Tan, C., Prakapenka, D., Liu, G.E., & Da, Y. (2019). Genome changes due to artificial selection in U.S. Holstein cattle. BMC Genomics, 20, article number 128. doi: 10.1186/s12864-019-5459-x.
  18. Madilindi, M.A., Zishiri, O.T., Dube, B., & Banga, C.B. (2022). Technological advances in genetic improvement of feed efficiency in dairy cattle: A review. Livestock Science, 258, article number 104871. doi: 10.1016/j.livsci.2022.104871.
  19. Martins, B.M., Mendes, A.L.C., Silva, L.F., Moreira, T.R., Costa, J.H.C., Rotta, P.P., Chizzotti, M.L., & Marcondes, M.I. (2020). Estimating body weight, body condition score, and type traits in dairy cows using three dimensional cameras and manual body measurements. Livestock Science, 236, article number 104054. doi: 10.1016/j.livsci.2020.104054.
  20. Misztal, I., & Lourenco, D. (2024). Potential negative effects of genomic selection. Journal of Animal Science, 102, article number skae155. doi: 10.1093/jas/skae155.
  21. Misztal, I., Tsuruta, S., Lourenco, D., Masuda, Y., Aguilar, I., Legarra, A., & Vitezica, Z. (2024). Manual for BLUPF90 family of programs. Athens, USA: University of Georgia.
  22. Monteiro, H.F., et al. (2024). An artificial intelligence approach of feature engineering and ensemble methods depicts the rumen microbiome contribution to feed efficiency in dairy cows. Animal Microbiome, 6, article number 5. doi: 10.1186/s42523-024-00289-5.
  23. Nadri, S., Sadeghi-Sefidmazgi, A., Zamani, P., Ghorbani, G.R., & Toghiani, S. (2023). Implementation of feed efficiency in Iranian Holstein breeding program. Animals, 13(7), article number 1216. doi: 10.3390/ani13071216.
  24. Nascimento, B.M., Cavani, L., Caputo, M.J., Marinho, M.N., Borchers, M.R., Wallace, R.L., Santos, J.E.P., White, H.M., Penagaricano, F., & Weigel, K. (2024). Genetic relationships between behavioral traits and feed efficiency traits in lactating Holstein cows. Journal of Dairy Science, 107(10), 8141-8149. doi: 10.3168/jds.2023-24526.
  25. Neethirajan, S. (2023). Artificial intelligence and sensor technologies in dairy livestock export: Charting a digital transformation. Sensors, 23(16), article number 7045. doi: 10.3390/s23167045.
  26. Niehoff, T.A.M., ten Napel, J., Bijma, P., Pook, T., Wientjes, Y.C.J., Hegedűs, B., & Calus, M.P.L. (2024). Improving selection decisions with mating information by accounting for Mendelian sampling variances looking two generations ahead. Genetics Selection Evolution, 56, article number 41. doi: 10.1186/s12711-024-00899-2.
  27. Nogoev, A., Azhibekov, A., Derkenbaev, S., & Ilyaz kyzy, Zh. (2025). Crossbreeding – the main method of increasing beef production in Kyrgyzstan. Bulletin of the Kyrgyz National Agrarian University, 23(3), 10-20. doi: 10.63621/bknau./3.2025.10.
  28. Olasege, B.S., van den Berg, I., Haile-Mariam, M., Ho, P.N., Oh, Z.Y., Porto-Neto, L.R., Hayes, B.J., Price, J.E., & Fortes, M.R.S. (2024). Dissecting loci that underpin the genetic correlations between production, fertility, and urea traits in Australian Holstein cattle. Animal Genetics, 55(4), 540-558. doi: 10.1111/age.13455.
  29. Satoh, M. (2024). Prediction of response to truncated selection based on BLUP of breeding values and its prediction accuracy. Animal Science Journal, 95(1), article number e13928. doi: 10.1111/asj.13928.
  30. VanRaden, P.M. (2020). Symposium review: How to implement genomic selection. Journal of Dairy Science, 103(6), 5291-5301. doi: 10.3168/jds.2019-17684.
  31. VanRaden, P.M., Cole, J.B., Neupane, M., Toghiani, S., Gaddis, K.L., & Tempelman, R.J. (2021). Net merit as a measure of lifetime profit: 2021 revision. Washington, D.C.: USDA.
  32. Walsh, B., & Lynch, M. (2018). Evolution and selection of quantitative traits. Oxford: Oxford Academic. doi: 10.1093/oso/9780198830870.001.0001.
  33. Weller, J.I., Ezra, E., Seroussi, E., & Gershoni, M. (2023). Genetic and genomic analysis of cow mortality in the Israeli Holstein population. Genes, 14(3), article number 588. doi: 10.3390/genes14030588.
  34. Weller, J.I., Gershoni, M., & Ezra, E. (2022). Breeding dairy cattle for female fertility and production in the age of genomics. Veterinary Sciences, 9(8), article number 434. doi: 10.3390/vetsci9080434.
  35. Wiggans, G.R., & Carrillo, J.A. (2022). Genomic selection in United States dairy cattle. Frontiers in Genetics, 13, article number 994466. doi: 10.3389/fgene.2022.994466.
  36. Xu, S. (2022). Quantitative genetics. Cham: Springer. doi: 10.1007/978-3-030-83940-6.