РЕФЕРАТ

Отчет 113стр., 10 таблиц, 25 рисунков, 91 источник, 3 приложения.

Ключевые слова: крупный рогатый скот, молочная продуктивность, генотип, микросателлитный анализ, генетический потенциал, база данных, первичный учет, зоотехнические и фенотипические признаки, ветеринарные заболевания, централизация, систематизация, единое информационное обеспечение, индустриальное молочное животноводство.

Работа выполнена с целью разработки системы адаптации данных первичного учета, генотипирования и информации по продуктивности животных для формирования единой информационной системы оценки племенной ценности крупного рогатого скота молочного направления продуктивности с перспективой использования в геномной оценке. В работе впервые представлено единое комплексное теоретическое, методологическое и практическое обоснование применения открытой информационно-аналитической платформы в виде региональной базы данных генотипов племенных животных, полученных с применением молекулярно – генетических методов (по микросателлитным участкам ДНК и генетическим чипам) для сельскохозяйственных предприятий региона, формирования отчетности в распространенном формате для Министерства сельского хозяйства Российской Федерации и ICAR.

Результаты работы в виде разработанной системы адаптации данных первичного учета, генотипирования будут рекомендованы руководителям и специалистам племенных предприятий Российской Федерации для формирования регламентов проведения племенной работы с учетом происхождения животных по микросателлитным маркерам, экстерьерных особенностей, сведений о кормоконверсии и заболеваемости, а также аналитической работы и интенсификации обмена данными между предприятиями и научными центрами для проверки и уточнения методов менеджмента селекционных программ посредством создания единой информационной системы.

ТЕРМИНЫ И ОПРЕДЕЛЕНИЯ

В настоящем отчете НИР применяются следующие термины с соответствующими определениями:

Архитектура – протоколы и интерфейсы, требуемые для реализации связи, форматы данных и процедуры их передачи по сети.

Ген DGTA1 (О диацилглицерол О-ацилтрансферазы 1) – кодирует фермент, участвующий в синтезе триглицеридов. Полиморфизм этого гена оказывает влияние на содержание внутримышечного жира в мышцах животных.

Генотип – это набор генов, присущий определенному организму. Гены передаются по наследству от родителей и влияют друг на друга, формируя индивидуальный генотип.

Геномная селекция(Genomic Selection, GS) — технология для повышения точности оценки племенной ценности молодых животных на основе информации о десятках тысяч SNP-маркеров по всему геному.

Диспансеризация — система плановых диагностических и лечебно-профилактических мероприятий, проводимых ветеринарными специалистами хозяйств с участием сотрудников ветеринарных лабораторий, районных ветеринарных станций, руководителей хозяйств, зоотехников, агрономов, управляющих и бригадиров ферм.

ДНК-маркеры – генетические маркеры представляют собой последовательности ДНК, которые прослеживаются конкретных местах на хромосомах и связанные с определенными признаками.

Зоотехнический учет – система регистрации племенных и производственных показателей в животноводстве. Данные зоотехнического учета, отражающие получение животноводческой продукции и её качество, состав поголовья и его изменение, расход и использование кормов и другие показатели, используют для составления промежуточных и годовых отчетов о производственной деятельности хозяйства.

Каппа-казеин – одна из фракций казеина, и ген, контролирующий его образование в молоке, имеет 10 аллельных вариантов. Из них у крупного рогатого скота выделено два, встречающихся наиболее часто — А и В, в трех различных сочетаниях генотипов — АА, AB, ВВ. Выявляют эти генотипы методом маркерной селекции и ДНК-анализа с помощью полимеразной цепной реакции.

Клиническая диагностика (от греч. Diagnosticos – способный распознавать) – наука о методах исследования животных, процесс исследования животного с последующей постановкой диагноза.

Коморби́дность — сосуществование у одного животного двух и более заболеваний или синдромов, связанных между собой единым патогенетическим механизмом или совпадающих по времени.

Коэффициент наследуемости (h²) – показатель относительной доли генетической изменчивости в общей фенотипической вариации признака.

Микросателлиты – короткие тандемные (простые) повторы, — варьирующие участки (локусы) в ядернойДНК и ДНК органелл (митохондрий и пластид), состоящие из тандемно повторяющихся мономеров длиной менее 9 пар оснований и образующие поля менее 1 тысячи пар оснований. Являются широко распространенными молекулярными маркерами в генетических и геномных исследованиях.

Молочный скот (хозяйственная классификация) – специализированные породы крупного рогатого скота, их содержание направлено на получение преимущественно молочной продукции. Мясная продуктивность молочного скота оценивается только с точки зрения увеличения рентабельности при утилизации туш животных, которые неспособны к дальнейшему циклу размножения (и циклу сбора молока).

Первичные документы зоотехнического учета – индивидуальные карточки производителей и маток; книги учета осеменения животных, отелов; журналы регистрации приплода, получения продукции, оценки производителей по собственной продуктивности и качеству потомства; ведомости и акты приплода, перевода животных из одной возрастной группы в другую, индивидуальной продуктивности и др.

Племенная ценность – уровень генетического потенциала племенного животного и влияние данного генетического потенциала на хозяйственно полезные признаки потомства.

Программный модуль — программа или отдельная ее функциональная часть, рассматриваемая как единое целое в контекстах хранения, замены, трансляции, объединения с другими программными модулями и ее загрузки в оперативную память ЭВМ.

Продуктивностьсельскохозяйственныхживотных — количество и качество продукции, получаемой от животного за определенный период (день, месяц, лактацию, год, в течение жизни).

Пролактин – белковый гормон, регулирует функции образования и секреции молока.

Референтная популяция — группа животных (в основном быков-производителей), прошедших оценку по качеству потомства и имеющих высокие и достоверные значения племенной ценности.

Селекция (seligere — «выбирать») — наука о методах создания новых и улучшения существующих пород животных.

Сервис-период — период от отела коровы до последующего ее оплодотворения, или время от окончания одной до начала следующей стельности. Служит показателем плодовитости животных и организации воспроизводства стада.

Синдроматика стада – комплекс хозяйственно-экономических показателей, дающий общую характеристику стада по состоянию здоровья. Это групповой, сопоставительный синдром, изучаемый в динамике за длительный период времени; применительно к поголовью крупного рогатого скота, включает в себя: продуктивность коров, их массу, средние сроки использования, интенсивность выбраковки, анализ ее причин, динамику воспроизводства, массу телят и их состояние при рождении, заболеваемость и падеж молодняка, заболеваемость коров маститом и другими гинекологическими заболеваниями, а также динамику клинико-биохимических показателей, оценку экономической эффективности проводимых ветеринарных мероприятий.

Симптом — все проявления болезни, в основе которых лежат функциональные и анатомические изменения в органах и системах, устанавливаемые клиническим исследованием и отличающем больное животное от здорового.

Феноти́п (от греческого слова phainotip — являю, обнаруживаю) — совокупность характеристик, присущих индивиду на определённой стадии развития. Фенотип формируется на основе генотипа, опосредованного рядом внешнесредовых факторов.

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ И ОБОЗНАЧЕНИЙ

В настоящем отчете о НИР применяют следующие сокращения и обозначения:

АПК – агропромышленный комплекс

АРМ – автоматизированное рабочее место

АС – автоматизированная система

БД – база данных

ДНК – дезоксирибонуклеиновая кислота

ИАП – информационно-аналитическая платформа

ИАС – интегрированная автоматизированная система

ИТ – информационные технологии

кг – килограмм

КСА – комплекс средств автоматизации

КСА АС – комплекс средств автоматизации автоматизированной системы

МДБ – массовая доля белка в молоке, %

МДЖ – массовая доля жира в молоке, %

мкл – микролитр

МСХ РФ – Министерство сельского хозяйства Российской Федерации

нг – нанограмм

НТД – нормативно-техническая документация

ОС – операционная система

ПАК – программно-аппаратный комплекс

ПО – программное обеспечение

ПО – программное обеспечение

ПЦ – племенная ценность

ПЦР – полимеразная цепная реакция

РИСЦ – региональный информационно-селекционный центр

СОП – стандартная операционная процедура

СУБД – система управления базами данных

СХД – система хранения данных

США – Соединенные Штаты Америки

ТЗ – техническое задание

ТИ – телекоммуникационная инфраструктура

*.bpm – формат схемы чипа Illumina

*.cluster – формат данных чипа Illumina кластеризации

*.csv – формат файлов текст

*.dmap – формат физической карты чипа Illumina

*.odp – формат файлов схемы и презентации

*.ods – формат файлов офис таблица

*.odt – формат файлов офис текст

*.pdf. – формат файлов postscript Adobe

*.png. – формат файлов рисунок

*.sas – формат файлов программ программной среды SAS

*.txt – формат файлов текст

Animal model – линейная модель индивидуума

b – (регрессионный) коэффициент для перевода отклонения производительности в племенную ценность

BLUP (Best Linear Unbiased Prediction) – наилучший линейный неискаженный прогноз

CNV – количество копий варианта

D (delta, Δ) – отличие продуктивности от сверстников

e – влияние неконтролируемых факторов

EBV (evaluate breeding value) – величина племенной ценности

ei – нормально распределенная случайная величина, играющая в процессе аддитивного наследования роль «шума»

EPD (expected progeny difference) – ожидаемое различие у потомства

G – влияние генетической основы (племенная ценность) индивида

GBLUP (Genomic Best Linear Unbiased Prediction) – лучший линейный неискаженный геномный прогноз

GenCall – величина оценки прочтения аллеля

GWAS (genome-wide association studies) – полногеномный поиск ассоциаций

HYSi – влияния среды, стадо-год-сезон (отела) или постоянные влияния производственного окружения вместе

ICAR (International Committee for Animal Recording) – Международный комитет записи и регистрации животных

ISAG (International Society for Animal Genetics) – Международный комитет генетики животных

ISO 17025 – стандарт ИСО

L – влияние порядка лактации

LOH (loss of heterozygosity) – потерягетерозиготности

MAS (marker-associated studies) – маркер-ассоциированныеисследования

Microsoft Office – офисныйпакетпрограмм

NCBI (National Center for Biotechnological Information) – Национальный центр биотехнологической информации США

PF-1 – средние показатели текущей продуктивности популяции до отбора

QTL (quantitative trait loci) – локусы количественных признаков

r2S и r2F – оценки достоверности племенных ценностей производителя и матери

S – влияние стада, в котором содержится корова

SNP (Single nucleotide polymorphism) – однонуклеотидный полиморфизм

var(e) – изменчивость случайных эффектов, не подлежащих определению

var(fix) (e) – изменчивость окружающей среды, влияющей на изменчивость признака либо фиксированных эффектов

var(g) – изменчивость генетической основы

var(GS) и var(GM) – генетические значения признака отца и матери

var(y) – изменчивость наблюдаемого признака

var(ZSi) и var(ZDi) – отклонения от аддитивного наследования

xi – фенотипическое значение некоторого признака матери

XLS – расширение файла таблицы Microsoft

y – измеренная производительность коровы, которая выражается как сумма эффектов, которые влияют на нее

yi – фенотипическое значение признака i-го потомка (дочери) от заданной пары родителей (при этом влиянием матерей пренебрегают в дальнейшем вообще для еще большего упрощения модели)

ΔG – генетическая выгода

ω – экономическая значимость измеряемого признака, выраженная в рублях

ВВЕДЕНИЕ

Молочное животноводство является важнейшей отраслью аграрного сектора промышленности Российской Федерации. С учетом возрастающих тенденций импортозамещения, повышения запроса к качеству и доступности продовольственных товаров для отечественного потребителя, в том числе молока и молочной продукции, а также для поставки на экспорт, необходимо формировать комплексный подход (сочетанное применение методик генетических, зоотехнических исследований, ветеринарного контроля и цифровизации индустриального молочного производства) к внедрению мер интенсификации и оптимизации производственных процессов в условиях индустриальных молочных хозяйств.

Развитие и ускорение темпов молочного производства неразрывно связаны с необходимостью укрепления и раскрытия генетического потенциала поголовья крупного рогатого скота, разводимого на территории Российской Федерации. Это возможно только при условии контроля достоверности происхождения племенных животных, постоянного мониторинга и выявления генов, влияющих на показатели продуктивности, кормоконверсии, фертильности, ветеринарного благополучия и т. д., а также комплексной племенной оценки, включая сбор первичных данных о проявлении фенотипических признаков, учитываемых в селекционно-племенной работе.

Именно повсеместное внедрение в производство унифицированных генетических методов совершенствования популяции и обработки получаемых результатов на предприятиях позволяет сформировать кластер развития молочного животноводства, обеспечивающий физически объединенное хранение данных, ускорение выполнения сложных запросов, и, как следствие, обеспечение возможности прорывного развития отечественного молочного животноводства.

Одной из существенных проблем, связанных с развитием геномной оценки племенной ценности крупного рогатого скота молочного направления продуктивности, является разрыв между нарастающими объемами данных первичного учета, генотипирования и продуктивности животных и их реальным использованием для решения задач молочной подотрасли животноводства.

Для структуризации накапливаемого массива данных разрабатываются программы компьютерного мониторинга, обеспечивающие менеджмент молочного животноводства и позволяющие отследить и проанализировать ряд поступающих сведений. Однако представленные на отечественном (СЕЛЭКС — учетно-аналитическая программа для контроля стада) и мировом (DairyComp (мониторинг перегруппировок поголовья, воспроизводства, ветеринарный учет поголовья, контроль вакцинаций, содержания молодняка и пр.), TMR Tracker (контроль кормления), DairyPlan (контроль доения), SMARTBOW (система мониторинга коров и датчики движения), HYBRIMIN (составление рационов), UNIFORM AGRI (объединение данных с программ менеджмента молочного животноводства в условиях одного предприятия))рынке информационные системы для систематизации и анализа сведений по оценке крупного рогатого скота имеют ряд недостатков, к наиболее значимым следует отнести недостаточную защиту от ввода некорректных и неполных данных, слабое взаимодействие на основе обмена данных с информационными системами других производителей, отсутствие возможности ввода и обработки данных генотипирования, а также систематизации, накопления и обработки данных по региону.

В этой связи настоящая работа, выполненная с целью разработки системы адаптации данных первичного учета, генотипирования и продуктивности животных для формирования единой информационной системы оценки племенной ценности крупного рогатого скота молочного направления продуктивности с перспективой использования в геномной оценке, является не только актуальной, но и необходимой.

Для достижения поставленной цели были определены следующие задачи:

1. Создать информационную аналитическую платформу для автоматизации процессов сбора, извлечения, обработки, хранения, анализа и представления информации.
2. Провести сравнительную характеристику разрабатываемой программыс имеющимися на рынке программами менеджмента молочного животноводства.
3. Разработать систему адаптации данных первичного учета и молекулярно-генетических исследований для интеграции в единую информационно-аналитическую платформу.

Уникальность настоящейработы заключается в том, что разработанная информационно-аналитическая платформа отличается от существующих коммерческих программ с закрытым доступом свободно распространяемым программным продуктом на основе открытых стандартов, удобным пользовательским интерфейсом, обеспечением импорта данных с приборов генотипирования (микросателлитный профиль и генетические биочипы) в отчетности устройств, возможностью построения единой базы данных от региона к общероссийской системе.

Научная новизна НИР заключается в осуществлении единого комплексного теоретического, методологического и практического обоснования применения открытой информационной среды на основе региональной базы данных генотипов племенных животныхсельскохозяйственных предприятий, полученных с применением молекулярно-генетических методов исследования (по микросателлитным участкам ДНК и SNP), формирования отчетности для Министерства сельского хозяйства Российской Федерации, а также ICAR (International Committee for Animal Recording, Международный комитет записи и регистрации животных). До 2016 г. на молочных индустриальных хозяйствах Тюменской области определение достоверности происхождения потомков по родителям определялось с помощью иммуногенетического анализа. С 2017 года в Центре геномных технологий ФГБОУ ВО ГАУ Северного Зауральяприменяются более современные методы исследования — микросателлитные маркеры. В 2020 г. впервые получены данные о геноме животных с помощью биочипов и проведено тестирование по SNP-маркерам 100 голов животных молочного направления продуктивности.

Разработанная система адаптации данных позволит обеспечить направленность внедрения, применения, накопления и анализа получаемых данных первичного зоотехнического учета и результатов генетических исследований в условиях конкретного животноводческого предприятия для расчета индексов племенной ценности и внедрения геномной оценки на территории Тюменской области.

Практическая значимость проведенной работы заключается в обеспечении высокоэффективного взаимодействия между практикующими ветеринарными специалистами, селекционерами, генетиками и производителями, которые смогут в ускоренном формате осуществлять обмен данными, взаимно подтверждать, опровергать или уточнять их в условиях систематизации, автоматического анализа и установления корреляций, а также соотнесения новых получаемых сведений с накопленной теоретической базой, результатами лабораторных исследований.

Новый подход к адаптации и обработке данных первичного учета и генотипирования позволит в дальнейшем развивать научную сферу в молочной отрасли АПК за счет ускорения сбора сведений, их точной автоматизированной обработки, проверки и выгрузки в форме отчетов с необходимыми показателями (данными о лактациях, кормлении, живой массе, % стельности, ветеринарного обслуживания, генетических исследований и т. д.), консолидировать сведения о возможностях роста и реализации генетического потенциала племенных животных для дальнейшего совершенствования генофонда пород в направлении повышения продуктивности, уровня гетерогенности, грамотного и обоснованного ведения племенной работы с перспективой использования в геномной селекции и формирования нового племенного ядра в регионе.

В частности, сведения, полученные в ходе проведенной работы и основной результат (региональная база данных генотипов племенных быков-производителей и маточного поголовья молочного стада, полученная с применением высокоэффективных молекулярно-генетических методов на основе системы адаптации данных первичного учета) позволяют ускорить изучение наследуемости признаков, что создает условия к интенсивному росту уровня экономической эффективности, результативности производства в индустриальных животноводческих хозяйствах региона. Кроме того, они предназначены для внедрения в племенных и товарных индустриальных молочных хозяйствах – предприятиях АПК Тюменской области с возможностью дальнейшего распространения на территории Российской Федерации. В составе информационно-аналитической системы на базе интернет-платформы также предусмотрена возможность формирования отчетности согласно запросам РИСЦ и Министерства сельского хозяйства Российской Федерации.

Объединение усилий предприятий молочной индустрии в региональной системе адаптации данных первичного учета на основе созданной информационно-аналитической платформы позволит достичь высоких показателей производительности и экономической эффективности в сфере геномной селекции не только в сравнении с регионами, еще не участвующими во внедрении и расширении платформы, но и в сравнении с мировыми лидерами за счет автоматизации и ускорения процессов отбора сразу по множеству параметров.

1 ОСНОВНАЯ ЧАСТЬ

1.1 Аналитический обзор

1.1.1 Первичный учет данных в молочном скотоводстве

Крупный рогатый скот – сельскохозяйственные животные, относящиеся к виду Bos taurus, классу парнокопытных млекопитающих, которые включают в себя дикий и одомашненный крупный рогатый скот.

Родоначальниками домашнего крупного скота были европейские и азиатские туры. Ближайшими неродственными сородичами были американский бизон и европейский зубр, як и зебу. Многочисленные ископаемые останков диких предков крупного рогатого скота обнаружены в Западной Азии, Северной Африке и Западной Азии не позднее 8500 лет назад. Первые попытки селекционной работы были предприняты в Древнем Риме.

В мире известно около 250 пород крупного рогатого скота, которые объединены в разные группы: краниологическая (основана на различиях в строении черепа), хозяйственная (продуктивные характеристики) и географическая (по району обитания). Его общая численность составляет более 1,3 млрд. голов.

Согласно хозяйственной классификации по продуктивным характеристикам животных разделили на молочный, мясной и комбинированный скот.

Из пород молочного направления продуктивности наибольшее распространение получила голландская черно-пестрая порода. В США, Японии, Канаде, России известна под названием голштинская, в то время как в Австралии, Новой Зеландии, Великобритании и Франции получила название голштино-фризская порода. В СССР в 1930-1940-е гг. выведена родственная ей черно-пестрая порода, также широко представленная в хозяйствах Российской Федерации и отличающаяся хорошей акклиматизацией и обладающая хорошим здоровьем (рисунок 1) [1,2].

Рисунок 1. Черно-пестрая и голштинская породы животных

В России ареал разведения молочного (преимущественно голштинской и черно-пестрой пород) скота: Урал, Восточная и Западная Сибирь, Дальний Восток [3].

Все поголовье молочного скота в условиях молочных хозяйств делится на половозрастные группы: быки-производители, коровы, нетели, ремонтный молодняк (воспроизводство стада) и скот на откорме (сверхремонтный молодняк и взрослые животные на выбраковку) [1,4-6] Дляконтроля продуктивных и воспроизводительных качеств молочного скота, ведения обоснованной селекционной работы необходим первичный учет ряда зоотехнических показателей, формируемых в своды первичных данных, которые впоследствии цифровизуются для накопления и дальнейшей аналитики.

В индустриальных молочных комплексах Российской Федерации первичные фенотипические данные заносятся в базы данных ИАС “СЕЛЭКС. Молочный скот” и Dairy (DairyComp 305, DairyPlan). В структуре сведений учитываются показатели конституции животного (рост, вес, плотность, глубина груди и пр.), продуктивные показатели, признаки воспроизводства (фертильность, выход телят и пр.), которые объединены формами МОЛ – 1, МОЛ – 2, МОЛ – 7 и индивидуальные своды данных для выполнения аналитических работ.

Воспроизводительные показатели коров учитывают по возрасту первого отела, продолжительности: сервис-периода,межотельного периода и пр. [4, 7, 8]

Продолжительность сухостойного периода – это скорее хозяйственный признак, который по своей длительности находится в пределах допустимых величин.

Продолжительность сервис-периода указывает не только на благополучность отела и скорость восстановления животных после него, но и на степень зрелости ремонтных животных к моменту начала их использования. Восстановление после отела зависит, в том числе от крепости здоровья.

В систему индивидуальной селекции входит оценка животных по экстерьеру, поскольку форма и функция организма тесно связаны между собой. Оценка экстерьера коров, несмотря на ее известную субъективность и условность, занимает важное место в молочном скотоводстве и дает довольно точное представление о типе конституции, продуктивности животного, его возрасте и состоянии здоровья, указывает на породу. Оценка экстерьера немаловажна с точки зрения величины продуктивности, качества получаемой продукции, а также продолжительности хозяйственного использования животных. То есть правильно сложенные животные производят наиболее выгодную с экономической точки зрения продукцию [4,5,6].Экстерьер коров оценивают посредством снятия промеров с помощью инструментов (мерная палка, циркуль, мерная лента) согласно утвержденной методикам по породе.

Наиболее информативная и точная оценка экстерьера – линейная. Она позволяет: дать характеристику класса стада по телосложению; построить экстерьерный профиль стада с целью подбора быков-производителей; выявить недостатки и пороки экстерьера; провести корректировку выращивания ремонтного молодняка [4, 9]. Экстерьер коров оценивают посредством снятия промеров с помощью инструментов (мерная палка, циркуль, мерная лента) согласно утвержденной методикам по породе.

Существует множество исследований, подтверждающих взаимосвязь экстерьерных показателей с молочной продуктивностью. Например, выявлено, что на показатели молочной продуктивности (удой, коэффициент молочности и выход жира и белка) достоверное влияние (р<0,01) оказали следующие промеры: косая длина туловища (r=0,08…0,12), ширина в маклоках (r=0,23…0,27), ширина в тазобедренных сочленениях (r=-0,28…-0,35) и обхват пясти (r=-0,37…-0,39), характеризующие формат телосложения, костистость и широтные промеры.

Основной селекционный признак современного животноводства – хозяйственное долголетие – связанный с экстерьером, что отражается во всех селекционных индексах, применяемых в мировом молочном скотоводстве.Доля экстерьера в селекционных индексах колеблется в пределах: TPI – 26%; RZG – 20%; ICC – в двух субиндексах 34 и 70%.

Классическая оценка селекционных признаков коров молочного направления продуктивности является неотъемлемой частью племенной работы в совершенствовании породного потенциала животных, а анализ генома животного позволяет получить более точный прогноз (до 72%) по потомству и произвести оптимальный подбор родительских пар.

Молочное скотоводство в Тюменской области представлено деятельностью индустриальных хозяйств, в которых также проводится сбор данных первичного учета по общепринятым методикам. В настоящей работе учтены первичные данные с двух молочных хозяйств Тюменского региона.

Для контроляза фенотипической изменчивостью хозяйственно-полезных признаков и управления ею в стадах необходимо проводить систематический зоотехнический учет и оценку этих признаков [3]. Чтобы определить племенную ценность животных в молочном скотоводстве необходимо учитывать следующие основные первичные данные, анализ которых ускорит процесс по выбору наиболее эффективного метода совершенствования генетики стада за счет применения базы данных расположенной на цифровой информационно-аналитической платформе:

• Количественные и качественные показатели молочной продуктивности (за календарный или хозяйственный год);
• Содержание жира и белка в молоке (при проведении контрольных доений);
• Живая масса коров (желательно чтобы удой коров за лактацию превышал их живую массу в 8-10 раз, или коэффициент молочности, что свидетельствует о молочном типе коровы);
• Развитие молочных желез (оценка морфофункциональных свойств вымени) [10,11];
• Продолжительность лактации (нормальная продолжительность лактации составляет в среднем 305 дней);
• Сервис-период, сухостойный период и стельность (длительный сервис-период отрицательно сказывается на величине молочной продуктивности коров в отличие от сухостойного, пролонгация которого впоследствии приводит к более высоким показателям продуктивности; сроки стельности влияют преимущественно на жирность молока) [11,12];
• Экстерьерные показатели (косая длина туловища, ширина в маклоках, ширина в тазобедренных сочленениях и пр.) [10,13];
• Продуктивное долголетие (сохранение на высоком уровне воспроизводительных способностей, племенных и продуктивных качеств в течение определенного срока хозяйственного использования животного) [14].

Банк данных по референтной популяции животных должен включать помимо показателей собственных, племенную ценность предков животного. Всё это влияет на эффективность селекционно-генетической работы [15,16]. В свою очередь, обнаружение у животного конкретных генов позволяет корректировать степень их реализации в процессе хозяйственного использования [9,17,18,19,20].

1.1.2 Молекулярно-генетические исследования крупного рогатого скота

В настоящее время в дополнение к традиционным методам селекции достижения в области молекулярной генетики позволили получить больше информации о животных на генном уровне. Использование геномных технологий создает основу для получения информации о геноме животных по продуктивным показателям, а также по здоровью и генетически обусловленной резистентности к незаразным и инфекционным болезням, которые в настоящее время не подвергаются лечению. Среди последних следует учитывать такие как туберкулез, лейкоз и другие, сказывающиеся не только на здоровье животных, но и на безопасности, экологичности и качестве получаемой продукции [21-28].

Для консолидации достоверных данных по родителям крупного рогатого скота молочного направлений продуктивности в информационно-аналитическую платформу необходимо тестировать животных при помощи молекулярно-генетических методов.

В настоящее время применимы два наиболее актуальных и информативных метода получения сведений по геному животного: микросателлитный анализ (исследование по микросателлитным локусам) и SNP (однонуклеотидный полиморфизм — дает возможность одномоментно получить данные по 55000 маркерам) [29,30].

Для подтверждения данных первичного учета о родстве животных из информационно-аналитической системы “СЕЛЭКС. Молочный скот” проводилось сравнение определенных генотипов родителей и потомков, согласно менделевскому наследованию, при помощи ДНК тестирования. В качестве определения родства использовался простой и доступный метод анализа микросателлитных локусов ядерной ДНК [31].

Выявление уникальных генотипов и аллельного состава по микросателлитным локусам для каждого индивидуума (животного) вне зависимости от возраста, половой принадлежности и его физиологического состояния является неотъемлемой частью системы генетической идентификации животных [32].

В мировой практике генетическую идентификацию и выявление ошибок регистрации в записях первичного учета животных проводят с помощью панели микросателлитных локусов, соответствующей международным стандартам в рамках рекомендаций ISAG/ICAR [6].

Принимая во внимание, что в Российской Федерации отсутствует единая унифицированная методика по определению генетической идентификации племенных животных, а это свидетельствует о необходимости получения данных по генетическому профилю животных с помощью микросателлитных маркеров.

Согласно Международному комитету записи и регистрации животных (ICAR) и Международного комитета генетики животных (ISAG) генетический профиль крупного рогатого скота молочного направления продуктивности представлен 9 микросателлитными локусами ядерной ДНК: TGLA227, BM2113, ETH10, SPS115, TGLA126, TGLA122, INRA023, ETH225, BM1824 (таблица 1).

Систематическое тестирование поголовья крупного рогатого скота с использованием ПЦР-анализа в рамках генетической идентификации поголовья по микросателлитным (STR) маркерам создает реальную основу для внедрения генетического мониторинга в практику животноводства Тюменской области.

Таблица 1 – Рекомендованный перечень микросателлитных локусов, согласно ISAG

Кроме того, ПЦР-диагностика — высокочувствительный и специфический метод прямой диагностики заразных и незаразных заболеваний животных. В частности, является альтернативным способом диагностики лейкоза, вирусной диареи животных в скрытых стадиях заболевания с раннего возраста и независимо от физиологического состояния (до и после отела) животного. Идентификация вируса на генном уровне позволяет с высокой степенью достоверности определить распространение больных и вирусоносителей в стаде [33,34,35].

В молочном животноводстве широкое распространение получила индексная селекция с применением целого ряда комплексных показателей, каждый из которых имеет определенный коэффициент (экономический вес). Величина этих коэффициентов определяется направлением селекции, связью между признаками, а также надежностью оценки того или иного показателя. При расчете индексов используются различные параметры, с учетом доли влияния группы признаков на рентабельность производства продукции в конкретных условиях [6]. Расчет индексов племенной ценности ведется в зависимости от географического расположения предприятий и исторически сложившихся на конкретной территории методов отбора племенных животных.

Прогрессивная динамика совершенствования геномной селекции и зоотехнического учета наблюдается в странах производителей, применяющих не только классические методы селекции, но и современные разработки, способные обеспечить возможность прогнозирования наличия или отсутствия у потомков важных племенных признаков.

Наибольшая эффективность применения геномных методов оценки достигается путем сопутствующей оптимизации менеджмента воспроизводства (применения в системе воспроизводства стада сексированного семени, трансплантации эмбрионов и т. д.) [36, 37].

При всем разнообразии используемых индексов существуют общие закономерности их применения, в связи с чем необходимо учитывать комплексный подход при сборе первичных данных и возможность унификации их формата для дальнейшей обработки и последующего применения в условиях различных технологических ритмов и вариаций программного обеспечения предприятий молочной промышленности (приложение А, В).

Среди базовых данных первичного зоотехнического учета и информации о геноме животных в структуре племенной работы на предприятии следует выделить необходимость изучения родословной, фенотипических параметров (удой, % жирности молока, содержание белка в молоке, количество лактаций и пр.), характер и соотношение продуктивных признаков, а также анализ получаемых данных с технологическими ритмами и протоколами работ на конкретном предприятии [38, 39, 40].

Наиболее применяемыми в зарубежной практике являются селекционные индексы: американские TPI и NM$, голландский NVI, германский RZG, североевропейский NTM, канадский LPI и ирландский EBI [41]. По данным о практическом внедрении индексов, TPI более других интегрирован в систему селекционно-племенной работы Тюменской области.

В январе 2020 г. Комитет по развитию генетики Голштинской Ассоциации США провел обзор генетического прогресса породы и проанализировал текущие и прогнозируемые изменения закупочных цен на молоко и 12 февраля 2020 г. представили свои рекомендации совету директоров Ассоциации по изменению в формуле TPI.

Новая формула TPI, введена в действие вместе с выходом оценки быков в апреле 2020 г. и включала в себя следующие коррективы:изменилисьоценки составляющих племенной ценности по жиру и по белку (теперь по 19%);обновляется формула конверсии корма (Feed Efficiency). В нее включили признаки здоровья, разработанные CDCB (Советом по селекции молочного скота): родильный парез, смещение сычуга, кетоз, мастит, метрит и задержание последа, которые комбинируются в один индекс признаков здоровья (Health Trait Index), отражающий их совокупную экономическую ценность, отображающие данные о ветеринарном благополучии. Общая доля признаков фертильности в формуле TPI остается неизменной — 13%.

В состав индекса фертильности (Fertility Index) вводится новый признак — «приближение первого отела» (Early First Calving). Коэффициент продолжительности продуктивной жизни увеличится на 1%. Этот процент был изъят у выраженности молочного типа.

Обновляются стандартные отклонения имеющихся признаков, которые периодически подвергаются обновлениям, чтобы отражать изменения генетических оценок, производимые Голштинской Ассоциацией США и Советом по селекции молочного скота [42].

Формула TPI® (1), опубликованная в апреле 2020 г.:

где: PTAP — белок; PTAF — жир; FE — конверсия корма; PTAT — тип; UDC — сводная оценка вымени; FLC — сводная оценка конечностей; PL — продолжительность продуктивной жизни; HT — индекс признаков здоровья; LIV — жизнеспособность коров; SCS — балл содержания соматических клеток; FI — индекс фертильности; DCE — легкость отела дочерей; DSB — мертворожденность у дочерей; значение 2370 корректируется для периодического изменения базы, позволяя значениям TPI быть сопоставимыми во времени[92].

Применение геномной селекции, основанной на применении индексов — один из наилучших способов снизить себестоимость продукции и добиться прибыльности, и формула TPI апреля 2020 года поможет достижению этой цели [43].

На сегодняшний день существуют индексы геномной оценки, позволяющие проводить анализ генетической обусловленности основных незаразных болезней у крупного рогатого скота молочного направления продуктивности и проводить селекцию в направлении повышения резистентности к этим заболеваниям наряду с исследованиями степени влияния генетических факторов на развитие врожденных и приобретенных аномалий развития и исключения из селекции животных с дефектными генами.

В числе индекс показателей здоровья WELLNESS TRAIT INDEX (WT$), который включает информацию о таких заболеваниях, как мастит, хромота, метрит, задержка последа, смещение сычуга, кетоз и комолость, и напрямую оценивает потенциальную прибыль от отсутствия этих заболеваний и признаков, которую конкретное животное передаст следующему поколению.

К наиболее применяемым экономическим индексам, позволяющим установить взаимосвязь между геномной оценкой и экономической эффективностью хозяйственного использования животного, следует отнести Dairy Wellness Profit Index (DWP$), позволяющий обеспечить дополнительную прибыль от состояния здоровья лактирующих коров и включающий множество характеристик: продуктивность, фертильность, тип, продолжительность продуктивной жизни, способность к отелу, качество молока и показатели здоровья, в том числе результаты анализа на комолость. Объединяя показатели здоровья с данными индекса NM$ (Индекс дополнительного прижизненного уровня дохода), DWP $ напрямую оценивает потенциальную прибыль, которую получат от следующего поколения конкретного производителя и может применяться параллельно с внедрением методик отбора по результатам генетической идентификации, что позволит ускорить эффективность его применения [3,11,12,14,20,40,42,44-50].

Канадская молочная сеть (CDN) в 2019 году представила индекс генетической оценки Здоровья Копыт (Hoof Health – НН) — индекс, который повышает устойчивость к восьми ключевым поражениям ног. В индексе учтены следующие заболевания: пальцевый дерматит (язва Мортелларо) – digital dermatitis; межпальцевый дерматит — interdigital dermatitis; эрозия пятки — heel horn erosion; язва подошвы (язва Рустергольца) — sole ulcer; язва пальца (язва зацепа) — toe ulcer; болезнь белой линии — white line lesion; намин, кровоизлияния на подошве — sole hemorrhage; тилома — interdigital hyperplasia).

Новая оценка Здоровья Копыт (HH) заменит индекс Пальцевого Дерматита, который являлся наиболее применяемым до настоящего времени, что является логичным, поскольку Пальцевый дерматит является одним из восьми поражений, составляющих индекс Здоровья Копыт (HH). Выбор производителей с учетом данного индекса приведет к повышению устойчивости к восьми ключевым поражениям копытец [51].

На примере вышеприведенных индексов показателей здоровья можно сделать вывод о необходимости проведения дальнейших исследований, а также систематизации данных ветеринарных служб и генетических сводов, установления взаимосвязей и корреляций для дальнейшей селекции, в том числе, в направлении усиления генетически обусловленной резистентности животного организма как к заболеваниям инфекционной, так и неинфекционной этиологии [52].

Благодаря широкому внедрению в племенную работу элементов геномной селекции, на сегодняшний день развитие и совершенствование генетической ценности поголовья крупного рогатого скота в разных странах происходит высокими темпами.

Так, на рисунке 2 отображена пропорциональная зависимость роста средней генетической ценности быков и телок от количества известных генотипов в Ирландии и США [38].

Рисунок 2. Влияние геномных исследований на уровень средней генетической ценности быков и телок – Ирландия и США

Разнообразие племенных, селекционных, генетических индексов, применяемых в мировой селекции, свидетельствует о том, что для популяций молочных пород крупного рогатого скота (голштинской, черно-пестрой) каждой страны определены свои основные цели (достижение определенных показателей по жирномолочности, продуктивности и т. д.) по формированию генетических ресурсов. Для наиболее органичного и экономически эффективного внедрения индексов совершенствования племенной ценности в работу предприятия необходим четкий и достоверный учет первичных зоотехнических данных по установленным методикам. Формирование свода данных способствует ускорению темпов роста популяции с высоким генетическим потенциалом.

Одна из возможных концепций программного развития геномной селекции, применяемая в Ирландии, представлена на рисунке 3: на графике отмечено существенное возрастание генетической ценности телок (EBI) в результате целенаправленной работы на протяжении последних десятилетий по совершенствованию ряда хозяйственно полезных признаков, что прямо способствует увеличению стоимости племенного молодняка [36,38,47].

Рисунок 3. Этапы формирования программ развития геномной селекции в Ирландии

Результаты племенной работы в виде задокументированной подтвержденной ликвидности молодняка, повышения его стоимости, таким образом, наряду с увеличением продуктивных качеств у потомков, являются одним из факторов роста экономической эффективности деятельности предприятия на фоне внедрения генетических селекционных программ, что позитивно скажется на развитии племенного молочного животноводства в регионе.

Последовательность этапов программы Gene Ireland (Ирландия) отображена на рисунке 4 и может быть принята во внимание как одна из возможных последовательностей действий по реализации селекции с учетом данных генотипирования. Таким образом, благодаря целенаправленной работе формируется банк семени быков, обладающих хозяйственно-полезными генами продуктивности (молочность, фертильность и пр.), здоровья (резистентности к заболеваниям конечностей, вымени, органов мочеполовой системы и пр.), что позволяет планомерно увеличить популяцию животных, наследующих данные признаки[40].

Рисунок 4. Программа Gene Ireland (молочный скот)

Страны разрабатывают единый подход по сбору информации, консолидируются и интегрируются в изучении острых вопросов селекции, что, наряду с наличием конкурентной среды между странами – экспортерами молока и молочных продуктов, обеспечивает развитие отрасли молочного животноводства на мировом уровне.

Геномное тестирование дает более надежные оценки генетических достоинств животных, чем основанные только на исследовании родословной животного. Средние родительские или прогнозируемые передаточные способности (PTA) различных признаков в отчете о геномном тесте являются генетическими достоинствами, которые животное, как ожидается (прогнозируется), передаст своему потомству (следующему поколению). Соотношение между показателем племенной ценности EBV и величиной PTA выражается формулой [40]:

PTA x 2 = EBV (2)

Разница оценочной племенной ценности в чистой продолжительности жизни (NM$) между животными дает прямую оценку различий в прибыли при изучении экономики геномного тестирования и принятии решения о допуске в разведение. Различия в PTA NM$ показывают только половину разницы в прибыли между животными [36].

В рамках международной кооперации индексы племенной ценности интегрированы в систему международной кооперации обмена данных Interbull. Центр Interbull используется для перевода племенной оценки из системы одной страны в другую. Международная кооперация позволяет увеличивать численность референсной популяции и тем самым повышать точность геномной оценки. Применяя геномную оценку, животноводческие хозяйства все больше включают в селекцию молодых телок и быков, прошедших геномную оценку [48,53]. Общий принцип заключается в использовании быков-производителей с момента их включения в племенную работу (после контроля продуктивности, бонитировки), а также проведении эффективного отбора ремонтного молодняка для формирования племенного ядра, из которого формируется референтная группа, и последующего выявления топовых быков-производителей [6,29,39,54].

С внедрением в геномную селекцию индексов племенной ценности становится возможным идентифицировать гены, связанные с продуктивными качествами животных, что позволяет на достаточно высоком уровне проводить селекционно-племенную работу [32,55].

Методы геномной селекции заключаются в обязательном применении ДНК-маркеров, которые позволяют отбирать нужные генотипы с наиболее высокой точностью и являются надежным инструментом для прогнозирования фенотипа. ДНК-маркеры – участки ДНК с известной локализацией в хромосоме, которые обладают высокой либо низкой степенью полиморфизма, находятся в сцеплении с QTL и наследуются потомством (DGAT1, LEP, CALP). С использованием ДНК-маркеров (гены каппа-казеина CSN3; бета-казеина CSN2; пролактина PRL; бета-лактоглобулина BLG; гормона роста GH др.) появилась возможность осуществлять поиск «генов-кандидатов» молочной продуктивности, влияющих на формирование и функционирование хозяйственно-полезных признаков и ветеринарное здоровье животных (лейкоз крупного рогатого скота, вирусная диарея крупного рогатого скота и др.) [56,57,58,59].

В селекции животноводства генетические варианты гена каппа — казеина используются в качестве потенциальных маркеров молочной продуктивности и отвечают за белковомолочность и технологические свойства молока. Молоко коров носительниц генотипа ВВ гена каппа-казеина характеризуется лучшими коагуляционными и технологическими характеристиками: высокими показателями белка и качественными показателями по выходу сыра (меньший процент влаги, высокое содержание белка и жира) и органолептическими свойствами [56,60,61].

Ведущие ассоциации животноводов Европы предложили считать генотип ВВ каппа — казеина важным с экономической точки зрения селекционным критерием продуктивности для молочных пород крупного рогатого скота [56, 61].

Для гена бета-лактоглобулина наивысший коэффициент устойчивости лактации наблюдается лишь для генотипа АВ – 93%. У особей с другими генотипами высокая, но быстро спадающая лактация. Высокий индекс плодовитости наблюдается для всех генотипов, но наибольший у особей с генотипом АА гена бета-лактоглобулина. Наибольшая продолжительность межотельного периода у животных, имеющих аллель В-гена пролактина. Наибольшие потери молока при увеличении продолжительности сервис-периода 792 кг наблюдаются у животных, имеющих генотип ВВ бета-лактоглобулина, при продлении межотельного периода до 386 и более дней. Наибольшие показатели молочной продуктивности за 305 дней лактации имели коровы-первотелки с генотипом АА по гену бета-лактоглобулина – 6472 кг, но более высокие показатели по массовой доле жира и белка у животных, гомозиготных по аллелю В – 4,37% и 2,98%, соответственно [62,63,64].

Молоко А2 (“milk A2”) позиционируется как премиальное, не вызывающее аллергии, является более полезным из-за отсутствия в нем пептидов, характерных для белковых продуктов с вариантом бета-казеина А1 [59].

Ген пролактина (Bovine Prolactin Gene, bPRL) относится к семейству белковых гормонов. Он принимает активное участие в поддержании лактации. У сельскохозяйственных животных этот ген является идеальным кандидатом для анализа связи локусов количественных признаков (QTL) c показателями молочной продуктивности, а также дополнительным критерием отбора при селекции [51,65]. У коров, с аллелем В гена пролактина более высокая доля белка – 3,2% в молоке, но выход молочного белка выше у коров с генотипом АА [66,67].

Ген О-диацилглицерол О-ацилтрансферазы 1 (Diacylglycerol O-Acyltransferase, DGAT1) кодирует фермент, участвующий в синтезе триглицеридов. Полиморфизм гена DGAT1 оказывает влияние на содержание внутримышечного жира в мышцах животных, аллельный вариант K ассоциирован с повышенным содержанием жира, вариант A — с высокими удоями. Таким образом, ген DGAT1 может быть использован в качестве генетического маркера признаков молочной продуктивности [68].

Клинические и патологические описания заболеваний, генетическая предрасположенность к ним, представлены в аналитическом своде национальных систем (NCBI, OMIA, INRA во Франции, КазАгроИнновация в Казахстане, VicingGenetics в Дании и Швеции, LFL-LGLZuchtData в Германии и Австрии, а также ряд компаний в США и др.).

Необходимо учесть, что тестирование крупного рогатого скота на наличие ряда генетических аномалий и болезней — неотъемлемая часть исследований по внедрению геномной селекции в животноводстве [62]:

1) Идентификация генетических мутации Braсhyspina (BY) у племенных коров приводит к рождению мертворожденных телят с коротким позвоночником, удлиненными и истонченными трубчатыми костями конечностей [9]. Дефект проявляется если оба родителя ожидаемого теленка будут носителями данного гена. Вероятность гибели зародышей и плодов на раннем этапе внутриутробного развития равна 25%. В настоящее время около 5 % канадской, 6-8 % американской и голландской голштинской популяции крупного рогатого скота могут иметь в своем генотипе данную мутацию.

2) Комплексный порок развития позвоночника (Complex Vertebral Malformation, CVM) является аутосомно-рецессивным заболеванием. Источником мутантного аллеля явился бык черно-пестрой голштинской породы – Карлин М. Айвенго Белл 1667366. Скрытыми носителями данной мутации являются от 6 до 20 % быков-производителей черно-пестрой породы [69,70].

3) Выявление носительства гена, вызывающего мутацию дефицит уридинмонофосфатсинтетазы (DUMPS) имеет также важное экономическое значение для животноводческих предприятий. Проявление мутации у гомозиготных животных вызывает гибель эмбрионов после первых 40 дней развития на стадии имплантации зародыша в матку. При гетерозиготном состоянии у животного отмечается задержка роста, могут появляться дефекты в функционировании нервной системы [71,72].

4) BLAD-синдром — дефицит лейкоцитарной адгезии (Bovine Leucocyte Adhesion Deficiency,BLAD) наследуемое рецессивное заболевание, приводящее к разрушению иммунной системы животного. При гомозиготном состоянии наличие данного дефекта животное не выживает: у телят резко снижаются защитные свойства организма, иммунная система не может противостоять бактериальным и вирусным инфекциям. Эти факторы приводят к быстрой гибели в раннем возрасте (до года). В гетерозиготном состоянии не выявлено клинических проявлений [71,73,74].

5) Дефицит XI фактора свертывания крови, который является аутосомным наследуемым дефектом и кодируется геном F11 – не является летальной патологией, но смертность достигает 80% в первый год жизни. У животных-носителей отмечают незначительное нарушение процессов свертывания крови [75].

6) Носительство у животных гаплотипа НН3, приводящего к непроизвольным абортам. Отрицательный эффект гаплотипа оценивается в пределах увеличения числа осеменения до оплодотворения на 3,2 ± 0,4 по сравнению со средними показателями. Снижение показателей оплодотворяемости наблюдали до 60 дней [75,76].

7) Наличие гаплотипа HH1 связывают с эмбриональной смертностью на разных сроках стельности. Установлено, что причиной снижения фертильности, ассоциированной с HH1, служит нонсенс-мутация C→T в гене фактора 1, который активирует апоптотическую протеазу — APAF1 [76].

8) Туберкулез крупного рогатого скота, вызываемый возбудителем Mycobacterium bovis — болезнь домашнего скота, протекающая главным образом хронически и характеризующаяся образованием в различных органах типичных бугорков-туберкулов, подвергающихся казеозному некрозу. Новый альтернативный подход к контролю распространения туберкулеза заключается в учете факторов генетической изменчивости (проявление и комбинации менделевских признаков, аллельный состав, мутации) организма хозяина [21].

9) Лейкоз крупного рогатого скота – злокачественное лимфопролиферативное заболевание, вызываемое вирусом лейкоза крупного рогатого скота (Bovine Leukemia virus), относящимся к семейству Retroviridae, роду Deltaretrovirus [27, 28, 75, 76]. На фоне лейкоза развивается иммунодепрессия, которая влечет за собой развитие других заболеваний и снижает эффективность иммунопрофилактики.

10) Среди незаразных патологий наиболее распространены болезни конечностей, болезни вымени и органов мочеполовых путей, которые чаще являются мультифакторной проблемой. В этой связи следует признать: на сегодняшний день существует очень мало данных о генетических причинах, прямо обуславливающих их возникновение, а также их взаимосвязи с факторами, определяющими кормоконверсию, интенсивность функционирования органов детоксикации и т. д. [77,78,79].

Комплексный учет первичных, зоотехнических и данных ветеринарного учета для формирования свода встречаемости генных мутаций и аномалий развития позволяет комплексно решать задачи селекционно-племенной работы с возможностью направления отбора по конкретным признакам здоровья или зоотехническим параметрам в широком комплексном диапазоне, в этом случае раскрытие генетического потенциала животных по данным признакам будет протекать медленнее, но более гармонично, или направленно по одному-двум признакам.

Наиболее полный охват первичных данных и возможность свести их в одной информационно-аналитической платформе (ИАП) позволяет выявить общую результативность и эффективность производства в животноводческих хозяйствах, оценить качество селекционно-племенной работы и процент своевременности выполнения тех или иных плановых мероприятий, направленных на улучшение продуктивных показателей поголовья и стабильность ветеринарного благополучия молочных хозяйств региона.

Для внедрения методов геномной селекции в индустриальных животноводческих хозяйствах Тюменской области в рамках проведенной НИР разработана ИАП, обеспечивающая накопление, централизацию и ускоренный анализ данных первичного учета.

1.1.3 Информационно-аналитическая платформа

Появление новых технологий и развитие методов исследования в области геномной оценки позволили сократить время и стоимость геномного анализа, что послужило основой для широкого применения геномной оценки племенной ценности крупного рогатого скота молочного направления.

В области геномных исследований и селекции получили распространенность в связи с развитием технологий и формированием значительных массивов данных размещенные в Интернет на базе веб-технологий открытые платформы для проведения исследований, доступа к базам данных, организации совместной работы [80]. В своём составе платформы имеют разработанные на основе открытого кода системы управления базами данных, средства администрирования, управления данными и процессам, программирования, библиотеки и системы статистического анализа, представления и визуализации данных.

Работа пользователя на этих платформах не требует знания программирования для загрузки своих данных, проведения анализа, представления и визуализации результатов. В дальнейшем пользователь может опубликовать свои данные, расчеты и результаты на платформе или сделать их доступными для отдельных пользователей для совместной работы. Таким образом, процесс исследования становится прозрачным, воспроизводимым и доступным для объединения усилий пользователей разных специальностей. На основе подобных открытых информационно-аналитических платформ становится возможным организация систем обработки и анализа данных различной направленности.

Среди информационных систем, применяемых в животноводстве, можно выделить коммерческие системы оперативного учета и менеджмента молочного производства, системы геномной оценки, открытые геномные базы данных, открытые интегрированные системы и платформы исследовательской направленности [80-85].

Для применения геномной оценки необходимо получить следующие входные данные первичного учета о животном: фенотип, происхождение, сведения о продуктивности, производительные качества потомства, результатах анализов генотипирования.

Данные получают из систем оперативного учета и менеджмента производства, лабораторных информационных систем с помощью штатных средств экспорта данных, прямогодоступа к базе данных, средств программного интерфейса в разных форматах, различной степени структурированности, полноты и надежности.

Проблема обеспечения качества получаемых данных приобретает особое значение в связи с их использованием в дальнейших расчетах в процессах геномной оценки и селекции.

Для повышения достоверности и качества данных необходимо выполнить адаптацию данных к виду, пригодному для хранения, обработки, анализа и представления данных с обеспечением необходимого уровня достоверности и надежности данных.

Для этих целей система адаптации данных первичного учета, генотипирования и продуктивности животных реализована на базе информационно-аналитической платформы, в составе архитектуры которой предусматриваются компоненты авторизации и аутентификации пользователей, администрирования, интерфейса взаимодействия с пользователем на базе веб-технологий, управления процессами, извлечения, преобразования, загрузки данных (ETL/ELT), хранилища данных (DataWareHouse), витрины данных (DataMart), онлайн-аналитики с подсистемами искусственного интеллекта и машинного обучения, формирования отчетов и визуализации [85,86,87-91].

1.2 Материалы и методы исследования

Объектом исследований является крупный рогатый скот молочного направления продуктивности (черно-пестрая и голштинская порода), разводимый в хозяйствах Тюменской области.

Исследования проведены в 2020 году в Центре геномных технологий ФГБОУ ВО ГАУ Северного Зауралья. Работа выполнена в рамках Государственного задания Министерства сельского хозяйства Российской Федерации № 082-03-2020-259.

1.2.1 Методы учета фенотипических признаков

Данные по фенотипическим признакам выгружали из баз данных хозяйств, которые ведут учет с помощью программных продуктов. Специалисты хозяйств определяют значения фенотипических признаков по общепринятым методам.

1. Количественные и качественные показатели молочной продуктивности (за календарный или хозяйственный год).

Коров оценивают по удою: за календарный или хозяйственный год (за 365 или за 305 дней лактации). Размер молочной продуктивности коровы за лактацию или за год определяют взвешиванием надоенного ежедневно молока или проведением контрольных удоев через определенные промежутки времени: через 5, 10, 15, 20 и 30 дней. Самые точные показатели молочной продуктивности коров получают путем учета ежедневно получаемого молока от коровы и последующего его суммирования за лактацию. При определении молочной продуктивности коровы на основании контрольных доек предполагается, что удои между контрольными днями мало изменяются. Однако учет по контрольным дойкам менее точен, чем по ежедневным. Чем короче промежуток между контрольными днями, тем точнее можно определить продуктивность по контрольным удоям. Удой за период между контрольными дойками вычисляют, умножая количество полученного в контрольный день молока на число дней в периоде. Сумма удоев за отдельные периоды составляет удой за лактацию.

В племенных хозяйствах учет удоя проводят ежедекадно (через 10 дней), а в товарных — ежемесячно. В условиях полноценного кормления разница удоя за 305 дней лактации по контрольным доениям и с учетом ежедневного удоя составляет при ежедекадно учете ± 1-1,5%, ежемесячном — ± 3-4%. Эта погрешность несущественна, что позволяет вместо ежедневного учета применять контрольные доения.

Следующими признаками учета молочной продуктивности коров является содержание жира и белка в молоке. С этой целью при проведении контрольных доений из среднегодового удоя молока объемом 200 мл определяют по общепринятым методам содержание жира и белка в молоке. Эти показатели учитывают:

1) 3-4 раза за лактацию;

2) через 2 месяца или 5-6 раз за лактацию;

3) ежемесячно (10 раз за лактацию);

4) один раз в месяц из двухсуточной пробы молока. Более точные показатели –в 3 и 4-й способы.

Живая масса коров напрямую влияет на показатели удоев. Более крупные коровы при хорошем, полноценном кормлении дают больше молока. Объясняется это тем, что такие коровы способны съесть больше корма и лучше переработать его в молоко. В пределах стад, пород большинство высокопродуктивных коров имеют живую массу выше средней. Однако не всегда увеличение живой массы коров приводит к росту продуктивных показателей. Это увеличение сохраняется, как правило, до тех пор, пока коровы будут соответствовать молочному типу. Желательно чтобы удой коров за лактацию превышал их живую массу в 8-10 раз, или коэффициент молочности (отношение удоя за лактацию к живой массе и умноженное на 100) равнялся 800-1000 кг, что свидетельствует о молочном типе коровы.

Для производства молока важно хорошее развитие молочных желез. Если телочка имеет нормальную массу, но плохо развитые молочные железы, ее продуктивность будет ниже, чем у коровы той же породы и с меньшим весом, но с хорошо развитой лактационной системой.

При оценке морфофункциональных свойств вымени учитывают его величину, прикрепление к телу, форму, структуру, спадаемость, расположение и развитие долей; форму дна вымени, размеры и расположение сосков; развитие кровеносных сосудов; скорость молокоотдачи и одновременность выдаивания; устойчивость к маститам. Все эти показатели одинаково важны, так как в определенной степени обусловливают приспособленность коровы к машинному доению определенному объему молочной продуктивности.

Продолжительность лактации. Нормальная продолжительность лактации — 305 дней. Удлинение лактации происходит в результате позднего оплодотворения коров после отела. Оптимальным является отел коров в одни и те же сроки года, через каждые 12 месяцев. При укороченной лактации (меньше 305 дней) и нормальном сухостойном периоде за несколько лет в расчете на год или день жизни коровы дают больше молока, чем при удлиненной лактации (более 305 дней) и равном сухостойном периоде.

Сервис-период, сухостойный период и стельность. Оптимальный сервис-период составляет 40-80 дней. Установлено, что длительный сервис-период отрицательно сказывается на величине молочной продуктивности коров. Если среднесуточный удой коров за год, доившихся 305 дней, принять за 100%, то при удлиненной лактации до 450 дней среднесуточный удой будет составлять 85 %. Следовательно, при удлинении лактации недополучается до 15% молока.

Продолжительность сухостойного периода оказывает значительное влияние на будущую молочную продуктивность коровы. При сухостойном периоде 40-60 дней удои коров в последующую лактацию бывают на 20% выше, чем при сухостойном периоде меньше 30 дней. При сухостойном периоде в 30-40 дней удои в последующие лактации у коров ниже на 10%, чем при 45-60 дней.При снижении суточного удоя до 5-6 кг молока доение коров прекращают и считают запуск законченным.

Состав молока значительно изменяется в период стельности. Удои начинают снижаться с первого месяца стельности. При запуске жирность молока достигает 6-7%, белка — 5-5,5%.

Полученные первичные данные аккумулируются в базе данных и используются в дальнейшем при комплексном всестороннем анализе популяции крупного рогатого скота молочного направления продуктивности для определения племенной ценности животного.

Банк данных по референтной популяции животных должен включать помимо показателей собственных, племенную ценность предков животного. Всё это влияет на эффективность селекционно-генетической работы. В свою очередь, обнаружение у животного конкретных генов позволяет корректировать степень их реализации в процессе хозяйственного использования.

1.2.2 Молекулярно-генетические исследования

Данные генетического тестирования были получены в результате экспериментальных исследований в Центре геномных технологий ФГБОУ ВО ГАУ Северного Зауралья.

Материалом для исследования послужили пробы жидкой и сухой крови, а также сперма животных крупного рогатого скота молочного направления продуктивности, разводимых на предприятиях Тюменской области, в количестве 317 голов (таблица 2).

Таблица 2 – Генотипирование крупного рогатого скота молочного направления продуктивности, разводимого на предприятиях Тюменской области

К образцам крови прилагается опись с указанием даты взятия крови, клички, даты рождения, индивидуального номера животного и его предполагаемых родителей (данные первичного учета). Образцы крови хранили в холодильнике при температуре 2 – 4°С не более 10-14 дней [15-20].

Экспериментальные исследования проводились по схеме, представленной на рисунке 5.

СХЕМА ИССЛЕДОВАНИЙ

Взятие проб крови осуществляли из яремной вены животного в объёме 5 мл в чистые подписанные пробирки с добавлением антикоагулянта – динатриевой соли ЭДТА.

Для выделения геномной ДНК из жидкой крови использовали методы: нуклеосорбции с помощью коммерческих наборов; фенольной / хлороформной экстракции, а также с применением ионообменной смолы Chelex – 100 (Ampllichem, США), а также с использованием набора колонок для выделения высокомолекулярной ДНК «QIAamp 96 DNA», с использованием программного обеспечения QIAcube HT и QIAcube HT PrepManager» (рисунок 6). Для мониторинга возможной контаминации на стадии выделения ДНК использовали отрицательный контроль (k-).

Рисунок 6. Выделение геномной ДНК с помощью «QIAamp 96 DNA»

Пробирка с полученным препаратом ДНК закрывается и помещается на хранение при температуре от 2 до 8 °С на срок до 14 дней, при температуре не выше -18 °С – до 1 года, при -80°С – более 1 года.

Качество ДНК проверяли электрофоретически, используя 2% агарозный гель.

Концентрацию и оптическую плотность полученной ДНК измеряли на флуориметр Qubit 3,0 (ThermoFisher, США) с помощью набора dsDNA BR (ThermoFisher, США) и программного обеспечения прибора. Для мониторинга возможной контаминации при выделении ДНК использовался отрицательный контроль (k.v.). Оптимальной концентрацией ДНК для проведения мультиплексной ПЦР считали 25 – 40 нг/мкл.

Полимеразную цепную реакцию проводили с использованием мультиплексной панели микросателлитных локусов генома крупного рогатого скота «COrDISCattle» (ООО «Гордис», Россия), согласно прописи фирмы-изготовителя.

Для оценки специфичности реакции амплификации использовали препараты контрольной ДНК. В ПЦР-смеси использовали 5 флуоресцентных меток.

ПЦР проводили на амплификаторе ProFlex 96-Well PCR System (Applied Biosystems, Сингапур), программу амплификации проводили согласно инструкции фирмы – производителя.

Разделение (детекцию) продуктов амплификации осуществляли согласно протоколу производителя на генетическом анализаторе серии 3500 (Thermo Fisher Scientific, Япония).

Материалы и данные ветеринарного обеспечения и обоснования результатов НИР: в исследовании учитывались результаты профилактики, лечения и методы технологической организации содержания животных, были выявлены возможности плановых мероприятий, позволяющих снизить риски возникновения, осложнения заболеваний.

Генотипирование на чипах Illumina Bovine SNP50v3. В работе использовали стандартное общелабораторное оборудование (дозаторы, центрифуги, ламинарные боксы, вортекс), а также роботизированные станции TecanFluent и Evo, а также сканер биочипов Scan System (Illumina). Полученную информацию c ДНК-чипов интерпретировали с помощью программного обеспечения *.ods, *.txt, *.pdf.

Для тестирования животных на ДНК-микроматрицах средней плотности Bonine 50K (Illumina) применяли стандартный алгоритм считывания с высоким качеством показателя GS <= 0,15, который задан программой Genome Studio Software 2.0 и не может изменяться в большую сторону, указывали пороговое значение оценки для данного проекта в поле GenCall. Полученные данные выгружали с помощью программного обеспечения прибора Design Studio Microarray Assay Design в форматах *.doc, *.txt, *.csv и сохраняли в разработанной базе данных аналитической платформы.

Для оценки генетической структуры использовали показатели ожидаемой (Н_е) и наблюдаемой гетерозиготности (Н_о), величины информационного полиморфизма (PIC), индекса фиксации F_is (коэффициент избытка или дефицита гетерозигот), которые эквивалентны генному разнообразию. Расчет показателей произведен для каждого локуса, используемого в исследовании.

Полученные данные интегрированы в разработанную систему адаптации данных первичного учета для выявления неточностей установленного родства в качестве альтернативы микросателлитному анализу, создания генетических паспортов крупного рогатого скота(приложение В), разводимого на территории региона.

1.2.3 Информационно-аналитическая платформа

Объектом исследований является открытая IT — платформа, содержащая данные о геноме крупного рогатого скота (микросателлитный профиль, SNP, наличие/отсутствие генетических аномалий), фенотипических признаках и сведения по ветеринарному здоровью животных, позволяющая проводить сопоставимость информации с данными первичного учета в системах информационного обеспечения агропромышленного комплекса (АПК) Российской Федерации.

Методология исследования разработана в соответствии с возможностями применения передовых геномных технологий, фенотипических данных крупного рогатого скота, которые связаны с качественными и количественными признаками племенных животных.

В целях разработки системы адаптации данных первичного учета, генотипирования и продуктивности животных была реализована программная многопользовательская открытая информационно-аналитическая платформа на основе компонентов с открытым программным кодом.

Платформа представляет собой интегрированную среду для обработки и анализа данных в больших массивах информации, машинного обучения, средств предиктивной аналитики, реализована на основе программно-определяемой архитектуры. Базовая серверная операционная система Ubuntu Server 18.04 LTS/20.04 LTS развернута на сервере с параметрами процессор 2xCPU Intel Xeon Gold 6226R с 16 ядрами (32 потока) частотой 2.90 GHz, оперативная память 512 ГБ ОЗУ DDR4 с частотой 2933 R с контроллером четности и исправления ошибок – ECC, система хранения данных уровня RAID 5, состоящая из 5 дисков HD SATA 6G 2TB 7.2K HOT PL 3.5 для хранения больших массивов информации, высокопроизводительная отказоустойчивая система ввода-вывода операционной системы и приложений в каждой ноде, состоящая из 2х твердотельных накопителей SSD SATA 6G объемом 960GB.

При создании базовой версии информационно-аналитической платформы применялись технологии, представленные в виде технологического стека платформы (таблица 3).

Таблица 3 – Технологический стек информационно-аналитической платформы

В составе архитектуры платформы предусматриваются компоненты авторизации и аутентификации пользователей, администрирования, интерфейса взаимодействия с пользователем на базе веб-технологий, управления процессами, извлечения, преобразования, загрузки данных (ETL/ELT), хранилища данных (DataWareHouse), открытых библиотеки и приложений аналитики с модулями искусственного интеллекта и машинного обучения, формирования отчетов и визуализации. Технологический стек — это набор инструментов, применяющийся при работе в проектах и включающий языки программирования, фрэймворки, системы управления базами данных, компиляторы и т. д.

Возможность гибкой конфигурации компонентов платформы позволяет формировать потоки обработки данных различной степени сложности.

Адаптация данных первичного учета, генотипирования и продуктивности животных является совокупностью процессов в информационно-аналитической платформе, позволяющих выполнить загрузку и извлечение из внешних источников, преобразование и очистку данных, их адаптацию к единой системе значений и детализацию целевой модели, что позволяет обеспечить высокий уровень качества и надежности в области оперативного и постоянного хранения.

Схема функционирования адаптации данных первичного учета, генотипирования и продуктивности животных отображена на рисунке 7.

Процессы извлечения выполняют функцию загрузки данных в область временного хранения данных из внешних источников — информационных систем оперативного учета и производства в животноводстве, лабораторных информационных систем генотипирования, файлов экспорта в форматах csv, xlsx и др., данных из внешних систем и баз данных с помощью программных интерфейсов-коннекторов.

На этапе проверки достоверности и очистки производится поиск, проверка на корректность и полноту, очистка, исправление ошибок на основании таблиц справочников и правил проверки достоверности, формируется отчет об ошибках.

Процессы установления соответствия к целевой модели данных выполняют задачи выделения подмножества записей, которые являются новыми или измененными по отношению к загруженным ранее, формирования для каждой записи таблиц области верифицированных данных суррогатного ключа, преобразования записей в таблицах в записи с составом полей, соответствующих составу полей таблиц целевой модели данных, формирование записей во вспомогательных таблицах: таблицах-копиях справочников систем-источников, обеспечивающих реализацию алгоритма захвата изменений, в таблицах соответствия, в таблицах перекодировки, во временных таблицах, предназначенных для обогащения данных записей предметными экспертами (при необходимости).

Рисунок 7. Функционирование системы адаптации данных первичного учета, генотипирования и продуктивности животных

Процессы агрегирования позволяют выполнить агрегирование данных до необходимой детализации.Процессы выгрузки — это процессы передачи полученных данных с использованием программных интерфейсов-коннекторов в компоненты области постоянного хранения данных БД.Расширение функциональности системы адаптации данных производится с помощью создания скриптов, написанных на языках программирования на R и Python.

Одним из компонентов, выполняющим функцию загрузки из внешних источников, обработки и распределения данных является платформа Apache NiFi на базе открытого кода. Это платформа потоковойобработки данных в режиме реального времени, управления передачей данных между различными источниками и системами назначения поддерживает широкий спектр форматови протоколов передачи данных, таких как SFTP, HDFS и KAFKA, и т. д. Графический веб-ориентированный интерфейс платформы позволяет в виде диаграммы организовать поток обработки данных.

На рисунке 8 представлен пример диаграммы потоков обработки данных графического интерфейса Apache NiFi в системе адаптации данных.

Рисунок 8. Диаграмма потоков обработки данных графического интерфейса Apache NiFi в системе адаптации данных

Материалом для создания контента системы адаптации данных явились данные первичного учета разных половозрастных групп (коров, нетелей, телок, быков-производителей, бычков – крупного рогатого скота молочного направления продуктивности, которые заносятся в информационные цифровые системы, используемые в животноводстве, а также результаты исследований генотипирования, зоотехнических и ветеринарных мероприятий.В опытном варианте системы использовались данные хозяйств Тюменской области, листинг фрагмента данных первичного учета представлен на рисунке 9.

Рисунок 9. Листинг фрагмента данных первичного учета

2 РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЙ И ИХ ОБСУЖДЕНИЕ

2.1 Анализ данных первичного учета крупного рогатого скота молочного направления продуктивности для интеграции сведений в информационно-аналитическую платформу

В работе были проанализированы первичные фенотипические данные, полученные от сельхозтоваропроизводителей-партнеров ФГБОУ ВО ГАУ Северного Зауралья. Основным отличительным признаком было то, что в хозяйствах содержали скот разных пород, в одном скот черно-пестрой породы, в другом — голштинской.

На основании сбора сведений о фенотипических признаках по продуктивности молочного скота были получены первичные данные (производственные показатели), представленные в таблице 4.

Таблица 4 — Основные производственные показатели по исследуемым породам

При сравнении средних показателей продуктивности молочного скота двух пород у голштинской породы больше годовой удой на 1,83%, молочный жир – на 3,69%, среднесуточный прирост молодняка – на 23,69% при сравнении с данными по черно-пестрой породе. Вместе с тем, возраст при первом отеле у скота черно-пестрой породы в среднем составил 793 дня, что на 60 дней больше, чем у голштинской породы. Полученные данные подтверждают общеизвестный факт о том, что скот голштинской породы более скороспелый, обладает высокими количественными показателями продуктивности в сравнении со скотом черно-пестрой породы.

В результате учета фенотипических признаков по каждому животному можно установить уровень молочной продуктивности в среднем по группе коров с учетом лактации (таблица 5), как правило, надой молока возрастает до третьей, четвертой лактации, затем идет стабилизация и спад.

Таблица 5 — Продуктивность коров по лактациям

Сравнительная характеристика фенотипических признаков внутри одной породы, но разного возраста в условиях одного хозяйства, даёт возможность оценить, насколько происходит сдвиг в селекционируемых показателях.

Полученный анализ можно использовать в селекционно-племенной работе с целью, прежде всего, отбора первотелок по фенотипическим признакам, в первую очередь по удою за первую лактацию, содержанию массовой доли белка и жира, а также для подбора соответствующих быков-производителей.

Анализируя своевременно первичные данные по стаду, популяции можно составить эффективную программу по воспроизводству стада, с улучшением генетических параметров скота. Для этого следует провести сравнительный анализ быков-производителей по оценке воспроизводительных качеств: возраста 1 отела, продолжительности сервис-периода и сухостойного периода.

Данные по воспроизводительным качествам черно-пестрого скота представлены в таблице 6, голштинского скота в таблице 7.

Таблица 6 – Воспроизводительные качества дочерей быков-производителей черно-пестрой породы

Примечание: здесь и далее в разделе * — Р > 0,95, ** — Р > 0,99, *** — P> 0,999 по сравнению со средним по стаду

Наиболее ранними сроками отелов достоверно характеризовались дочери следующих быков: Сократ 1411, Консул 6598, Зенит 4868 и Форекс 1778, в данной группе показатель варьировал от 24,3 – 24,5 месяцев. А вот дочери Эдема 1439 наоборот телились позднее среднего на 0,6 месяца, это указывает на позднеспелость его дочерей.

Продолжительность сервис-периода указывает не только на благополучность отела и скорость восстановления животных после него, но и на степень сформированности ремонтных животных к моменту начала их использования. Восстановление после отела зависит, в том числе от крепости здоровья.

Самые лучшие показатели продолжительности сервис-периода наблюдаются у дочерей быков, давших относительно скороспелое и среднее по скорости созревания потомство, а именно: Лазера 94510, Блэкшторма 3842, Эпл Боя 9268, Консула 6598, Сократа 1411.

У дочерей этих быков данный показатель варьировал от 98,3 до 115,5 дней, что входит в допустимые параметры воспроизводства.

Наиболее длительный сервис-период был у дочерей Эдема 1439 (+20,9 дней к среднему по группе) и Зенита 4868 (+33,8 дн.). При этом дочери Эдема в целом не отличались скороспелостью, а Зенита 4868, обладая относительно высокой скороспелостью.

У потомства остальных быков показатели сервисного периода достоверно не отличались от средних показателей по стаду, следовательно, данные производители не оказали воздействия на потомство.

Продолжительность сухостойного периода – это скорее хозяйственный признак, и он по своей длительности находится в пределах допустимых величин. Хотя некоторое его сокращение у дочерей Сократа 1411 до 52,6 дня нежелательно.

Таблица 7 – Воспроизводительные качества дочерей быков-производителей голштинской породы

Достоверно ранними сроками отелов характеризовались дочери быков Опшен, Армани, Эдвин, Бум, Канвас, которые телились раньше среднего по группе на 13 – 23 дня. А вот дочери Блекшторма, Зурала, Циклона, Кевина наоборот телились позднее на 25 – 111 дней, что указывает позднеспелость дочерей данных производителей. Межотельный период напрямую связан с продолжительностью сервис-периода, а также позволяет выявить возможные отклонения генетического плана, например – излишнее удлинение стельности (одна из аномалий скота голштинской породы).

Продолжительность сервис-периода и межотельного периода говорит о том насколько отел прошел благополучно, и коровы восстановились после него. Восстановление после отела зависит, в том числе, от крепости конституции. Полученные в ходе анализа результаты достаточно своеобразны.Самые лучшие показатели продолжительности сервис-периода наблюдаются у дочерей быков, давших относительно скороспелое потомство, а именно: Армани, Канваса, Бума. У дочерей этих быков данный показатель варьировал от 73 до 101 дней, что является желательным для воспроизводства. То есть относительно скороспелые животные оказались наиболее крепкими и здоровыми и быстро восстановились после отела. В итоге межотельный период у них был немного меньше года.

Относительно неплохие показатели сервис-периода были у дочерей Циклона и Эдвина 123 и 127 дней, что привело к длительности межотельного периода 375 – 400 дней. Хотя такая продолжительность и выше годовалого интервала, но также считается допустимой для голштинского скота.

У дочерей остальных быков данные показатели выше рекомендуемых 120 дней по продолжительности сервис-периода на 23 – 71 день и на 57 – 100 дней межотельного периода. При этом изменчивость данных показателей относительно высока, особенно продолжительности сервис-периода, где коэффициенты вариации колебались в пределах 36,1 – 75,0%, что позволяет проводить направленный отбор по этому показателю.

В целом, по всей анализируемой группе показатели воспроизводства можно оценить, как удовлетворительные. Так сервис-период превосходит даже предельно допустимые показатели (120 дней), в итоге более продолжителен и межотельный период, что приводит к снижению интенсивности использования скота для воспроизводства.

Своевременный сравнительный анализ полученных данных, по происхождению, продуктивности, воспроизводству и прочих первичных данных, позволяет эффективно принимать решения по использованию животных с определенной целью, при ранжировании стада животных с минимальными значениями по интересующими селекционеров признаками в первую очередь направляют на выбраковку, для снижения отрицательного влияния на последующее потомство.

В свою очередь за животными попавшие в группу с высокими и средними показателями закрепляют быков-улучшателей по желательным признакам, в зависимости от цели селекционной программы, что обеспечивает получение потомства с желательными признаками.

Селекционный сдвиг в популяции, стаде хозяйства, ускоряется при использовании, помимо анализа первичных данных, результатов исследований по микросателлитным маркерам.

2.2 Данные анализа по микросателлитным маркерам крупного рогатого скота молочного направления продуктивности, интегрированные в информационно-аналитическую платформу

В ходе работы в результате анализа и проведения лазерной детекции методом капиллярного электрофореза получили флуоресцентно меченные длины амплифицированных специфических фрагментов ДНК, являющихся уникальным микросателлитным профилем животного, по которому согласно кодоминантному наследованию определяется передача аллелей от родителей потомку (рисунок 10).

Рисунок 10. Генетический профиль животного по 15 микросателлитным маркерам

Полученные данные электрофореза выгружали с помощью программного обеспечения прибора ABI 3500 в формате *.fsa или *.xls (рисунок 11).

А	Б

Рисунок 11. Выгрузка данных по полученным микросателлитным локусам в базу данных формата *.xls и *.fsa

Полученная информация необходима для пополнения базы данных племенных животных, разводимых на территории Тюменской области, а также для формирования ежегодной отчетности, направляемой в Министерство сельского хозяйства Российской Федерации (рисунок 12).

Рисунок 12. Форма ежегодной отчетности по данным генотипирования племенных животных по данным первичного учета и микросателлитным маркерам, формата *.xls

По данным проведенного нами молекулярно-генетического исследования приведена характеристика изученных 15 микросателлитных локусов у двух пород (черно-пестрая, голштинская) крупного рогатого скота молочного направления продуктивности, разводимого на животноводческих предприятиях Тюменской области. Установлен референтный интервал фрагментов нуклеотидных последовательностей, из которого следует, что животные с различной кровностью отличались друг от друга по диапазону длин фрагментов микросателлитов и числу аллельных вариантов ДНК-локусов генома крупного рогатого скота.

В таблице 8отображены данные, характеризующие крупный рогатый скот молочного направления продуктивности (черно-пестрая, голштинская порода) по STR-локусам диапазон длин фрагментов варьировал от 81 до 300 пар нуклеотидов. Следует отметить, что по некоторым локусам длина аллелей в одном локусе отличалась на 2 пары нуклеотидов.

Полученные результаты по диапазону аллельных вариантов микросателлитных локусов у молочного скота позволяют нам сравнивать животных разных пород. В исследовании по 15 микросателлитным локусам животных голштинской и черно-пестрой пород, у последних обнаружено преобладание в диапазоне референтного интервала на 2 пары нуклеотидов по локусам Inra023 и Eth3.

Таблица 8 – Референтный интервал и диапазон аллельных вариантов микросателлитных локусов генома крупного рогатого скота молочного направления продуктивности

Обнаруженные аллели отличались количественным составом (рисунок 13). Число аллелей у тестируемой породы варьировало от 5 до 14 при среднем показателе признака 7,53±0,68. Наиболее вариабельными оказались локусы Tgla122, Tgla227, Cssm66 и Tgla53, наименее Bm1824, Eth3, Ilst6, Csrm60 и Tgla126.

Наиболее вариабельные гены являются более пригодными для проведения генетической идентификации животных Тюменской области [53].

Наблюдается низкая встречаемость (0,002%) приватных аллелей в исследуемой группе животных, которая обусловлена применением искусственного осеменения.

Рисунок 13. Количество аллелей, изученных микросателлитных локусов крупного рогатого скота (n-317) молочного направления продуктивности, разводимого в Тюменской области (голштинская порода (GOL_TMN), черно-пестрая порода (CN-P_TMN)

Для выявления животных с генетическими мутациями, а также генов, связанных с хозяйственно-полезными признаками молочных пород, наиболее применимы высокоэффективные методы исследования с помощью SNP (однонуклеотидного полиморфизма).

В результате проведенного исследования (по SNP) получены данные по геному 100 голов молочного скота по маркерным генам продуктивности: бета казеин «молоко А2» (CSN2) (“milk A2”), гормона роста (GH), лактоглобуллина (LGB), каппа-казеина (CSN3), пролактина (PRL) и липидного обмена (DGAT1) и представлены в таблице 9.

По результатам исследования большинство животных были гетерозиготны, т.е. являлись носителями предпочтительных генотипов (аллелей) по исследуемым генам продуктивности. Максимальное количество гетерозигот (n-16) по гену CSN2 «молоко А2» обнаружено в №4 группе животных, наименьшее количество выявлено в группе №2 (n-11). В группах №1 и №3 их количество было одинаковым (n-12).

В №3 (n-11) и №4 (n-6) группах выявлено наибольшее число животных с генотипом А2А2 по предпочтительному гену бета-казеина «Молоко А2», а также наименьшее число животных с отсутствием предпочтительного генотипа (аллелей).

Количество животных с генотипом А2А2 по вышеобозначенному гену в группах №1 и №2 составило 4 и 3, соответственно. Молоко от таких животных показано людям с непереносимостью молока (отсутствие ß-казеина A1) и применимо для производства детского питания.

Таблица 9 – Генотипирование крупного рогатого скота молочного направления продуктивности по генам продуктивности

Во всех группах животных (№1-4) максимальное количество животных были гетерозиготныеGH^LVпо гену гормона роста, связанного срегуляцией соматического роста особей, удоя и молочного жира в молоке.

Наибольшее количество гетерозиготныхGH^LV животных (n-12) установлено в группе №3, чуть меньше (n-11) выявлено в группе №2. Наименьшее их количество обнаружено в группах №1 и №4 и составляет n-7 и n-8 соответственно.

В исследованных выборках животных с генотипом GH^LLне обнаружено.

По гену лактоглобуллина (LGB) у молочного скота число животных с предпочтительнымгенотипом LGB^BBварьирует до 3 (№3-4 группы животных), количество гетерозиготных животныхLGB^ABсоставило до 17 (№1); идо 16 (№2) гомозиготных животныхLGB^AA с наименьшим содержанием казеина в молоке.

Генотип ВВ каппа – казеина (CSN3) является важным с экономической точки зрения селекционным критерием продуктивности для молочных пород крупного рогатого скота, т.к. отвечает за белковомолочность (высокие показатели белка) и технологические свойства молока(качественные показатели по выходу сыра и органолептическими свойствами).Тестирование животных по вышеобозначенному гену во всех группах (№1-4) животных выявило максимальное количество гомозигот с генотипом CSN3^ВВ в диапазоне от 12 до 21.Наименее значимый генотип CSN3^ААустановлену животных в диапазоне от 1 до 3.

У крупного рогатого скота молочного направления продуктивности ген пролактина (PRL)является идеальным кандидатом для анализа связи локусов количественных признаков (QTL) c показателями молочной продуктивности, а также дополнительным критерием отбора при селекции.

Анализ таблицы 9 показал, что наименьшее количество животных (n-1) с желаемым генотипом PRL^GGбыло установлено в №3 группе. Равные значения (n-3) по данному генотипу были обнаружены в группах №2 и №4. Чуть меньше выявлено животных с генотипом PRL^АА во всех группах и варьировало в диапазоне от 15 до 12. Наименьшее количество животных с генотипом PRL^GАв этих группах варьировало в диапазоне от 9 до 10.

У изученных выборок молочного скота полиморфизм гена DGAT1 связан с признаками молочной продуктивности, в частности аллель К – с жирностью молока, аллель А – с выходом молока и суммарным содержанием белков в молоке. Наибольшее количество животных с генотипом DGAT1^КК (n-16) установлено в группе №1, чуть меньше (n-13) выявлено в группе №3 и в №4 (n-12). Наименьшее их количество обнаружено в группе №2 и составилоn-7.

Животных с генотипом DGAT1^КА составило до 14 (№2). Чуть меньше выявлено животных (n-10) в группе №4. Наименьшие и равные значения (n-9) по данному генотипу были обнаружены в группах №1 и №3.Во всех группах выявлены животные с генотипом DGAT1^ААи их количество составило в диапазоне от 0 до 4.

Отбор животных с предпочтительными генотипами (аллелями)по «генам- кандидатам» молочной продуктивности являются надежным инструментом для прогнозирования фенотипа, влияющих на формирование и функционирование хозяйственно-полезных признаков животных.

Полученные результаты генотипирования крупного рогатого скота молочного направления продуктивности с помощью SNP анализа позволяют нам выявлять генотипы (аллели) животных с генетическими аномалиями: НН1, CVM, STAT5A, STAT1, STAT3 (таблица 10). Идентификация летальных генотипов (аллелей) по вышеобозначенным генетическим аномалиям позволит выбраковывать таких животных.

Тестирование четырех групп животных молочного направления продуктивности (по 25 голов в каждой группе) показало наличие в группе №1 двух особей (гетерозиготных по летальному генотипу НН1), у которых были обнаружены летальные аллели гаплотипа фертильности НН1. Наличие данной аномалии связывают с эмбриональной смертностью на разных сроках стельности коров.

В группе №4 выявлена одна особь (гетерозиготная по летальному генотипу CVM), которая является носителем комплексного порока развития позвоночника у голштинского скота. Потомство от таких животных погибает в раннем эмбриональном периоде, либо вскоре после рождения.

Таблица 10 – Генотипирование крупного рогатого скота молочного направления продуктивности по генетическим аномалиям

2.3 Создание информационно-аналитической платформы для системы адаптации данных первичного учета и молекулярно-генетических исследований

Основой системы адаптации данных первичного учета, генотипирования и продуктивности животных для создания единой информационной системы оценки племенной ценности является созданная информационно-аналитическая платформа, построенная на базе свободного программного обеспечения с использованием открытых стандартов.

Для функционирования информационно-аналитической платформы полученные первичные данные загружаются в базу данных и используются в комплексном анализе популяции крупного рогатого скота молочного направления продуктивности для определения племенной ценности животного.

Разработанная система адаптации данных первичного учета, генотипирования и продуктивности животных создает возможность для эффективной обработки данных первичного учета, генотипирования и ветеринарного учета, устанавливать эффективность методик лечения и систематизировать данные о заболеваемости поголовья крупного рогатого скота молочного направления по региону.

Информационно-аналитическая платформа разработана в целях перехода к новой модели работы с данными, обеспечивающей единое информационное пространство данных на основе автоматизации процессов сбора, хранения, обработки, анализа и представления информации, качество данных, однократное извлечение первичных данных из внешних источников и их многократное повторное использование, а также взаимодействие всех участников селекционно-племенной работы: молекулярно-генетических лабораторий (Центров), качества молока, ветслужб, управления агропромышленного комплекса, Регионального информационно-селекционного центра, и непосредственно самих сотрудников сельскохозяйственных предприятий).

Для решения задач геномной селекции в скорости обработки информации, масштабируемости, аналитических возможностях разработана приведенная в настоящей работе базовая архитектура информационно-аналитическая платформа, определяющая наиболее важные уровни платформы: управление данными, управление процессами, управление доступом и приложениями. Архитектура платформы реализуема в условиях различных инфраструктурных решений информационных технологий: в серверном варианте, в среде частного, публичного или гибридного облачного решения (рисунок 14).

Рисунок 14. Базовая структура информационно-аналитической платформы

Учитывая высокую скорость развития информационных технологий и аппаратных средств, рост потребностей пользователей информационной системы, предусмотрена гибкая, мощная и масштабируемая структура информационно-аналитической платформы, обеспечивающая устойчивость инфраструктуры системы в будущем и удобство использования приложений. Реализация проекта платформы выполнена таким образом, чтобы ее составные части и подсистемы можно было расширять или менять, не влияя на работу системы в целом, работу приложений и, в конечном счете, на взаимодействие с пользователем.

Программно-определяемая архитектура состоит из виртуальных программных компонентов — сетевых ресурсов, систем хранения данных, вычислительных ресурсов, виртуальных машин и прочих, позволяет сформировать слой программной абстракции, независимый от оборудования, упростить развертывание, использование, масштабирование ресурсов, гибкость настройки и мониторинг работы компонентов, снизить требования к квалификации обслуживающего персонала, сократить расходы на развертывание и эксплуатацию.

На данном периоде развития применения методов геномной оценки в селекции крупного рогатого скота молочного направления продуктивности данные племенной ценности по фенотипическим и генотипическим параметрам животных собираются и обрабатываются в разрозненных, преимущественно коммерческих информационных системах. Это накладывает определенные ограничения на возможность проверки актуальности и достоверности информации для обеспечения максимально адекватной оценки перспективности использования животных, а также оперирования информацией по продуктивным качествам и успешность применения для проведения эффективной селекции в племенных хозяйствах в масштабе региона.

Основными компонентами информационно-аналитической платформы являются подсистемы:

• управления процессами;
• хранения данных;
• формирования и визуализации отчетности;
• адаптации и аналитической обработки данных.

Подсистема управления процессами обеспечивает эффективный обмен данными и интеграцию между внутренними подсистемами, а также смежными системами.

В части обмена сообщениями подсистема обеспечивает надежный и безопасный обмен информацией между основными компонентами информационно-аналитической платформы в распределенной среде. Конкретная реализация подсистемы, включая входящие в ее состав компоненты обмена сообщениями, управления бизнес-процессами, интеграции с внешними системами, а также протоколы обмена сообщениями определяются потребностями в интеграции со смежными системами, исходя из показателей пропускной способности конкретной реализации подсистемы, полученных на основе результатов нагрузочного тестирования.

В части обмена сообщениями подсистема обеспечивает: наличие клиентов для основных языков программирования, входящих в технологический стек информационно-аналитической платформы;возможность расширения функционала системы через программные модули;наличие средств развертывания системы; возможности развертывания системы в режиме кластера; поддержку стандартных интерфейсов и протоколов; возможность централизованного сетевого мониторинга и администрирования; поддержку сетевых протоколов транспортного уровня TCP/IP и UDP, а также сетевых протоколов прикладного уровня; поддержку протоколов обмена сообщениями; поддержку транспортных протоколов реального времени; поддержку нескольких моделей обмена сообщениями.

В части механизмов развертывания компонентов подсистема обеспечивает: возможность развертывания и высокую доступность компонентов информационно-аналитической платформы через механизмы контейнеризации и мониторинга состояния контейнеров компонентов;масштабирование информационно-аналитической платформы за счет механизмов балансировки нагрузки, обнаружения служб, мониторинга состояния кластера;автоматического рестарта контейнеров;управление конфигурацией развертывания;механизмы отката к стабильной версии конфигурации, при внесении некорректных изменений в конфигурации;механизмы подключения и обнаружения файловых хранилищ.

В части мониторинга подсистема обеспечивает: проверку доступности и производительности компонентов системы;гибкую модель оповещений и выполнения автоматических операций необходимых для обеспечения стабильной работы информационно-аналитической платформы;возможность веб-мониторинга, включая визуализацию показателей системы, проверку функционала и проверку времени ответа компонентов системы;создание пользовательских графиков с возможностью отображения нескольких метрик в рамках одного графика, построение отчетов о состоянии системы, представление бизнес метрик, организацию комплексных панелей мониторинга; запись, архивирование и очистку истории;механизмы создания и наследования шаблонов мониторинга.

В части аутентификации и авторизации пользователей подсистема обеспечивает:

— единую точку аутентификации и авторизации для всех подключений, с целью обеспечения доступа ко всем компонентам информационно-аналитической платформы;

— аутентификацию по протоколу LDAP;управление правами доступа и привилегиями пользователей для всех компонентов информационно-аналитическая платформа;

— управление учетными записями пользователей, включая операции создания, изменения, блокировки учетных записей и привилегий;

— выполнение аудита операций аутентификации и авторизации.

В части интеграции со смежными системами подсистема обеспечивает:

— наличие механизмов оркестрации сообщений между компонентами информационно-аналитической платформы;

— наличие механизмов фильтрации сообщений, обеспечивающих реализации сложной логики обработки и преобразования сообщений;

— наличие механизмов преобразования сообщений, обеспечивающих возможность передачи сообщений между несколькими системами в разных форматах;

— наличие нескольких реализаций протоколов обмена сообщениями, обеспечивая тем самым возможность интеграции большого набора компонентов;наличие механизмов организации последовательной передачи сообщений нескольким сервисам;

— возможность сохранения обрабатываемых сообщений;наличие механизмов балансировки нагрузки между несколькими сервисами, с целью обеспечения более высокой отказоустойчивости;поддержка шаблонов интеграции корпоративных систем.

В части управления программными интерфейсами подсистема обеспечивает:

— возможность публикации программных интерфейсов для обеспечения возможности взаимодействия внешних сервисов с информационно-аналитической платформой;

— хранение конфигурации программных интерфейсов для обеспечения возможности управления;

— возможность организации шлюза программных интерфейсов для обеспечения единой защищенной и управляемой точки входа для всех внешних клиентских вызовов;

— механизмы управления поступающим трафиком;анализ и мониторинг поступающих запросов;

— управление пользователями и ролями;

-предоставления и ограничения доступа к API в зависимости от функциональных задач пользователей;

— наличие модели жизненного цикла программных интерфейсов;возможность регистрации приложений использующих программных интерфейсов для выдачи различных ключей доступа различным приложениям;

— возможность разработки, документирования, версионирования и управления видимостью всех программных интерфейсов;поддержку шаблонов программных интерфейсов.

Подсистема хранения данных.Подсистема хранения данных обеспечивает хранение данных для реализации функций мониторинга и аналитики, а также организацию единой точки доступа к данным хранящимся в смежных системах и файлах.

В основу построения хранилищ заложены следующие принципы:

1. обеспечения хранения данных мониторинга и аналитики;
2. их разделения логически или физическис целью обеспечения независимого функционирования каждого;
3. высокая скорость чтения, записии гибкая схема хранения данных, поддержание клиент-серверной модели обмена данными; реализованы драйверы подключения, поддерживаемые на клиентской стороне;
4. возможности работы с различными типами источников данных, включая реляционные и нереляционные хранилища данных, форматы описания структурированных наборов данных и веб-ресурсы;
5. поддержка федерализации источников данных;
6. возможность выполнения распределенных транзакций;
7. управление доступом к интегрируемым данным.

Подсистема формирования и визуализации отчетности.Подсистема формирования и визуализации отчетности обеспечивает:представление данных в визуальном формате в различных разрезах и представлениях;аналитических операции над данными хранящимися в различных источниках данных.

В части визуализации подсистема обеспечивает:возможность визуализации данных хранящихся как во внешних источниках, так и предоставляемых хранилищем аналитических данных;объединять представления в панели, для логической группировки связанных визуальных представлений;представления данных, как в реальном времени, так и в периоде;поддержку различных типов графиков;доступ к панелям на основе пользовательских ролей;возможность конфигурации отображения блоков представлений.

Подсистема адаптации и аналитической обработки данных. Подсистема обеспечивает: возможность обработки в реальном времени сообщений из различных источников и в различных форматах;адаптацию данных с использованием механизмов потоковой обработки;обработку данных в памяти с сохранением результатов в хранилище аналитических данных;отказоустойчивость процессов аналитической обработки данных;возможность мониторинга состояния;возможность обработки сложных событий, за счет обработки сообщений поступающих из смежных систем и внутренних подсистем, с последующей их агрегацией по временным периодам;простой способ разработки, тестирования и развертывания приложений, написанных с использованием Streaming SQL;режимы пакетной обработки данных и потоковой обработки данных в режиме реального времени;возможность обучения и сохранения моделей машинного обучения.

С помощью аналитической платформы после консолидации данных продуктивности животных по ряду хозяйств возможно осуществление построения и анализа диаграмм продуктивности. Например, на рисунке 15 представлено графическое отображение взаимосвязи между интересующими признаками по всей популяции животных или в разрезе интересующей группы особей, полученное в результате использования информационно-аналитической платформы.

Рисунок 15. Графическое отображение степени влияния быка на уровень молочной продуктивности дочерей, разводимых в одних и тех же технологических условиях, полученное при использовании информационно-аналитической платформы

Практическое применение информационно-аналитическая платформа находит в сфере унификации подхода к выбору методов отбора и подбора пар в селекционно-племенной работе молочных хозяйств. Так, на рисунке 16отображена различная степень влияния быка на уровень молочной продуктивности дочерей, разводимых в одних и тех же технологических условиях. На основании данных первичного учета, внесенных в разработанную нами информационно-аналитическую платформу, представленных в виде диаграммы сравнения продуктивности потомков с нулевой динамикой продуктивности (на рисунке обозначена красной линией) можно визуально отследить и подвергнуть анализу результативность подбора быков. Благодаря механизму сбора и консолидации данных с разных хозяйств из разных информационных систем (“СЕЛЭКС. Молочный скот”, DairyComp305), можно представить данные в единообразной форме для последовательного построения в едином графике. Это позволяет всесторонне проанализировать конкретные признаки и исключить ошибки, допущенные в результате выбора методов по той или иной технологической операции в условиях конкретного хозяйства или группы предприятий.

Кроме того, информационно-аналитическая платформа предоставляет возможность сравнить производительные качества одного и того же производителя, используемого в разных хозяйствах, но со схожими технологическими условиями по производству продукции.

Рисунок 16. Графическое отображение уровня продуктивности потомства по одному быку от разных матерей, полученное при использовании ИАП

Так, анализ графического отображения уровня продуктивности потомства по одному быку от разных матерей, полученного при использовании информационно-аналитической платформы, позволяет утверждать, что показатели продуктивности матерей в том числе по происхождению, возрасту, экстерьеру, находятся в достаточно небольшом диапазоне значений, что свидетельствует об однородности племенного ядра. Однако, несмотря на это, один и тот же производитель совершенно по-разному повлиял на продуктивные качества коров, используемых в хозяйствах. В одном случае бык является «улучшателем», а для других – «ухудшателем». Следовательно, при работе со стадом в хозяйствах в соответствии с получаемыми данными информационно-аналитической платформы формируются разные принципы подбора пар в зависимости от выявления тех или иных корреляций.Племенная ценность животных тесно связана с экономической эффективностью производства, чем обуславливается необходимость раннего прогнозирования хозяйственно-полезных признаков животных на основе геномной оценки [8, 79, 80].

Коэффициент наследуемости отражает генетическое разнообразие животных по конкретному признаку.Для расчетов коэффициентов наследуемости, и использования их при расчетах индексов, необходимы показатели продуктивности по матерям и дочерям за первую лактацию (удой, МДЖ, МДБ, сервис-период и пр. показатели).При определении племенной ценности животного необходимо проанализировать широкий ряд фенотипических показателей и их взаимосвязь с генетическим потенциалом животного. Следует определять коэффициент наследуемости (h²), который отражает генетическое разнообразие животных по конкретному признаку [20, 28, 81, 82].  Рассчитать коэффициенты наследуемости и использовать их при расчетах индексов необходимо по хозяйственно-полезным признакам матерей и дочерей за первую лактацию.

В практике зарубежной и отечественной селекции коров оценивают, прежде всего, по удою, качественному составу молока (жир, белок, соматика), выходу основных питательных веществ за 305 дней лактации, по живой массе, экстерьеру и ряду других признаков [85, 86, 87, 88].

В результате целенаправленной работе в популяции закрепляются определенные гены. В стратегии селекции необходимо учитывать корреляционные связи между признаками, а также потери эффекта селекции по каждому из них пропорциональное величине 1n, где «n» — число признаков.

При увеличении числа признаков более 4-х значительного снижения эффекта селекции не отмечается. Именно на этом основывается принцип индексной селекции. На разных этапах селекции соотношение хозяйственно-полезных признаков в индексах меняется в зависимости от стратегии отбора.

Подбор завершает всю предыдущую работу по выращиванию, выявлению продуктивной и племенной ценности, отбору лучших животных для размножения. В результате подбора животноводы соединяют в последующем поколении желательные признаки.

Информационно-аналитическая платформа, построенная на принципах взаимосвязи первичных фенотипических и зоотехнических данных с результатами генетических исследований, позволяет эффективно и рационально анализировать состояние референтной базы, в данном случае популяции крупного рогатого скота молочного направления продуктивности Тюменской области, что способствует принятию эффективных мер для совершенствования селекционно-племенной работы в регионе.

Процесс адаптации первичных данных в информационно-аналитической платформе представляет из себя извлечение данных из внешних источников, очистку, проверку на корректность и трансформацию для соответствия потребностям обработки, анализа и последующей загрузки в хранилище данных.

Источники данных могут содержать структурированные данные в виде таблиц или текстовых файлов (в формате данных, разделенных символами-разделителями). Данные о продуктивности животных в базовом варианте системы были получены в результате импорта данных первичного зоотехнического и племенного учета из баз данных ИАС “СЕЛЭКС. Молочный скот” и DairyComp 305.

2.4 Сравнительный анализ информационных систем оперативного учета в животноводстве

Основными программами, применяемыми на предприятиях молочного животноводства для менеджмента производственных процессов, контроля, анализа и т. п., в том числе для выявления животных в охоте, осеменении, селекции применяют ИАС “СЕЛЭКС. Молочный скот” и программные продукты Dairy (DairyComp 305, DairyPlan). Данные программы имеют ряд отличительных признаков в сравнительной характеристике между собой, а также в сравнении с разработанным программным обеспечением. На рисунке 17представлена структура картотеки и интерфейса программы «СЕЛЭКС. Молочный скот».

Рисунок 17.Структура картотеки и интерфейса программы «СЕЛЭКС. Молочный скот»

Следует отметить, что программа “СЕЛЭКС. Молочный скот” создавалась изначально с уклоном для применения на предприятиях с привязным содержанием животных, в связи с чем имеется ряд принципиальных отличительных свойств в ее функционале.

Современные животноводческие комплексы с беспривязной системой содержания имеют высокую степень концентрации скота в отличие от хозяйств, использующих привязную. Главным фактором такого различия выступает технология доения. Беспривязная система содержания подразумевает движение скота из секций содержания в помещение с доильной установкой. Существует множество факторов, которые могут повлиять как на очерёдность доения групп, так и на размещение животных в конкретных секциях. Чаще всего данные нарушения технологии являются следствием ошибок в работе животноводов, что влечёт за собой необходимость ежедневного контроля и анализа их работы, возможность которого в программном обеспечении “СЕЛЭКС. Молочный скот” в интерфейсе не предусмотрена, так как программа адаптирована под наличие ферм и дворов: скот, содержащийся на привязи, «привыкает» к отведенному для него месту, на котором проводит большую часть своей жизни, а доярки, закрепленные за конкретными группами, осуществляют дополнительный, помимо зоотехников, контроль за передвижением скота, что практически сводит возможность ошибочного передвижения к нулю. В этой связи, для большего удобства в учете и анализе данных первичного учета продолжать в дальнейшем разработку интерфейса информационно-аналитической платформы необходимо таким образом, чтобы она позволяла вести учет животных по секциям содержания, что позволит не только соблюдать технологичность производственного процесса, но и даст возможность отслеживать продуктивность как по физиологическим группам, так и по хозяйству в целом [73,74].

В то же время программа «СЕЛЭКС. Молочный скот» позволяет осуществлять выгрузку данных и позволяет интегрировать получаемые данные в созданную базу данных информационно-аналитической платформы для широкого анализа и ведения племенного учета поголовья в региональном масштабе. Выгрузка данных осуществляется с помощью задаваемого программой по сформированному запросу SQL-коду (рисунок 18) в виде документа MS Excel (рисунок 19), данные из которого возможно эффективно использовать при создании и дальнейшем расширении региональной базы данных.

Рисунок 18. Формирование SQL-кода в программе «CЕЛЭКС.Молочный скот»

Формат данных в программе «СЕЛЭКС. Молочный скот» представленные на рисунке 19– один из вариантов выгрузки – так, в этом случае указаны значения в числовом формате об инвентарном номере животного – количестве лактаций – дате события (в данном случае — осеменение) – код события (указывает на конкретное событие (отел, осеменение, сухостой, запуск и т. д.)) – нумерация, указывающая на ответственного исполнителя (например, техника по искусственному осеменению) – кратность события. Столбец 1 – информация для подсчета учтенных голов, столбец 2 – указывает, учтена первотелка или корова (телившаяся более 1 раза).

Рисунок 19. Осуществление выгрузки данных в программе «CЕЛЭКС. Молочный скот»

Удобство в выгрузке данных программы «СЕЛЭКС. Молочный скот» позволяет успешно использовать сведения, получаемые из программы, и интегрировать их в созданную базу данных, что обеспечивает их централизацию, систематизацию, накопление и анализ на обнаружение зависимостей и корреляций с данными генотипирования.

В программе DairyComp 305, в отличие от программы «СЕЛЭКС. Молочный скот», возможность совершать выгрузку данных в таком формате нет, однако имеется функционал, позволяющий формировать наиболее полные годовые отчеты (рисунки 20, 21), а также предусмотрено заведение подробной карточки животного, что, в свою очередь, также позволяет формировать своды данных для наполнения базы информационно-аналитической платформы.

Рисунок 20. Отчет о ежедневной продуктивности стада по технологическим группам

Рисунок 21. Карточка животного в программе DairyComp 305

В настоящее время все зарубежные компании, занимающиеся селекцией скота и дистрибьюцией семенного материала быков производителей, анализируют получаемые первичные данные с помощью зоотехнических индексов, позволяющих осуществлять экспресс-анализ, который дает наиболее полную картину.

Например, индекс стельности (Pregnancy Rate) является более точным и полезным показателем эффективности воспроизводства всего поголовья. Данный показатель отражает процент коров от поголовья, становящихся стельными каждые 21 день после завершения периода добровольного ожидания. В отличие от программы «СЕЛЭКС. Молочный скот» в программе DairyComp 305 существенным отличием является возможность расчета зоотехнических индексов в самой программе (рисунок 22).

Рисунок 22. Расчет индекса Pregnancy Rate в программе DairyComp 305

Индекс стельности является стабильным показателем при оценке воспроизводства. Данный показатель – объективный инструмент оценки, определяющий результативность всех коров (включая выбывших), а не только тех, которые остались в поголовье. Он так же определяет интервал отела поголовья и процент возможной выбраковки.

В различных вариациях программного обеспечения «CЕЛЭКС. Молочный скот» и DairyComp 305 есть возможность рассчитывать индекс процента стельности, ввиду важности и применимости индекса в практической сфере животноводства в разработанном модуле платформы предусмотрены его вариации в зависимости от: быка-производителя; специалиста по искусственному осеменению; поставщика (производителя семени); дня недели; интервалов в осеменении; номера осеменения и других показателей, включая задаваемые пользователем параметры без ограничений (например, часто это тип охоты – длительность, с кровянистыми выделениями / без, спланированное по времени искусственное осеменение и т.п.).

К положительным характеристикам программы DairyComp 305 следует отнести возможность формирования отчетов по необходимым на актуальный момент времени параметрам и отражение таковых в виде графиков (рисунки 23, 24).

Рисунок 23. Отображение числа событий первого осеменения и соответствия его периоду добровольного ожидания в программе DairyComp305

Рисунок 24. Отображение в графике количества осеменений животных на протяжении лактации в программе DairyComp 305

На рисунке 25отображены данные первичного зоотехнического учета эффективности осеменения в программе DairyComp 305, которые впоследствии интегрируемы в базу данных информационно-аналитической платформы.

Рисунок 25.Отображение первичных данных зоотехнического учета эффективности осеменения в программе DairyComp 305

Разработка осуществлялась нами, исходя из данных анализа применения программ DairyComp 305 и “СЕЛЭКС. Молочный скот”, как наиболее применяемых в условиях индустриальных молочных хозяйств Тюменской области. Новая информационно-аналитическая платформа обладает положительными характеристиками предшественников, удобным интерфейсом, функционалом, включающим возможность внесения, анализа и обмена данными геномных исследований, чего ранее нигде предусмотрено не было, а также данными с программного обеспечения доильного и иного оборудования, сводами первичного зоотехнического, ветеринарного учета, что позволяет анализировать показатели воспроизводства в комплексе с данными зооветеринарного блока.

Разработанная информационно-аналитическая платформа предусматривает проведение расчетов индексов, применяемых в мировой селекционной практике (индекс стельности, Heat Detection, Pregnancy Rate и пр.) и позволит в дальнейшем не только эффективно организовывать технологические ритмы производства, но и эффективно конкурировать с зарубежными предприятиями в данной отрасли.

ЗАКЛЮЧЕНИЕ

В продолжение научно-исследовательской работы 2018-2019 гг. по темам: «Исследование и разработка методических подходов по оценке племенной ценности крупного рогатого скота молочного и мясного направлений на основе методов геномной оценки на территории РФ», «Прогнозирование моделей расчета племенной ценности крупного рогатого скота молочного и мясного направлений  продуктивности с использованием методов геномной оценки на территории РФ» важны уточнение и оценка надежности, а также получение новых достоверных данных о продуктивности животных по селекционным признакам здоровья и воспроизводства, экстерьера, продуктивности и т. п. для осуществления точной оценки животных на региональном уровне Тюменской области для формирования базы исходных данных и результатов племенной оценки [39,52].

На сегодняшний день вопросы организации геномной селекции на территории Тюменской области остаются одними из наиболее важных в современной аграрной промышленности ввиду необходимости повышения продуктивных показателей популяции крупного рогатого скота черно-пестрой и голштинской пород, как наиболее распространенных в регионе. Известно, что порядка 70% продуктивных способностей голштинского скота, а также голштинизированных животных и российской черно-пестрой породы определяются преимущественно генетическими маркерами. Это позволило сформулировать в рамках проведенного исследования современную концепцию создания централизованного свода генетических данных, который обеспечит их систематизацию и накопление, а также позволит комплексно определить те проблемы молочного животноводства, которые могут быть решены путем коррекции в реализации тех или иных обнаруженных генов продуктивности, генетических аномалий, устойчивости к болезням, продуктивного долголетия и пр.

Анализ существующих систем менеджмента молочного животноводства позволил установить наличие в его структуре на ряде животноводческих предприятий таких блоков как: ветеринария, воспроизводство, доение, молодняк, вакцинации, перегруппировка поголовья, которые учитываются в программных продуктах DairyComp, DairyPlan, CEЛЕКС и пр., которые характеризуются отсутствием целостного подхода к структуризации и накоплению данных. Разделение на блоки в этих цифровых системах не позволяет в полной мере оценить генетический потенциал поголовья и обнаружить взаимосвязи комплекса показателей эффективности молочного производства.

Для реализации достоверного сопоставления и централизации данных крупнейших индустриальных молочных хозяйств региона в ходе проведенной работы сформирована система адаптации данных первичного учета на основе информационно-аналитической платформы, которая послужит технологической основой для единой открытой системы сбора первичных фенотипических данных и данных генотипирования, генетической идентификации животных молочного направления продуктивности.

Платформа разрабатывалась нами таким образом, чтобы получаемые в процессе лабораторных исследований данные генотипов  по микросателлитным локусам и SNP, ветеринарного и зоотехнического (количественные и качественные показатели молочной продуктивности, содержание жира и белка в молоке, продолжительность лактации,   сервис-период, сухостойный период и стельность) учета племенных животных в индустриальных молочных хозяйствах были легко интегрируемы в структуру полученной системы, необходимой для формирования генетических паспортов крупного рогатого скота (приложение В) и ускоренного анализа (адаптация данных, автоматизация процессов их сбора, извлечения, обработки, хранения и анализа).Разработка реализована на основе программно-определяемой архитектуры, построенной на базе свободного программного обеспечения с использованием открытых стандартов и в составе базовых технологических решений: серверная операционная система — Ubuntu Server 18.04 LTS/20.04 LTS; основной алгоритмический язык программирования серверной части — Python; графическая среда для интерактивных вычислений Jupiter Notebook; система статистического анализа R; открытые программные библиотеки базы Python для машинного обучения TensorFlow, Keras, для визуализации  matplotlib, для обработки и анализа данных pandas и др.

В работе были проанализированы первичные фенотипические данные, полученные от сельхозтоваропроизводителей, собранные за один анализируемый период в одних условиях. По результатам анализа: продуктивность скота голштинской породы больше по: годовой удой — на 1,83%; средняя по жиру – на 3,69%; приросту – 23,69%, в сравнении с данными по черно-пестрой породе. Из представленных показателей у скота черно-пестрой породы возраст при первом отеле составил 793 дня, что на 60 дней больше чем у голштинской породы.

Генотипировано и представлено в виде базы данных информационно-аналитической платформы  317 животных молочного направления продуктивности (123 — черно-пестрой породы и 194 -голштинской породы) по 15 микросателлитным локусам (Eth3, Eth10, Eth225, Inra023, Ilst006, Tgla122, Tgla53, Tgla126, Tgla225, Tgla227, Bm1818, Bm2113, Bm1824, Cssm66, Csrm60, Sps115) генома крупного рогатого скота;  диапазон длин фрагментов ДНК микросателлитных локусов животных варьировал от 81 до 300 п.н., Выявлен полиморфизм микросателлитных локусов в исследованных выборках молочного скота. Обнаруженные аллели микросателлитных маркеров отличались количественным составом и варьировал в диапазоне от 5 до 14 пар нуклеотидов при среднем показателе признака 7,53±0,68. Наиболее полиморфными оказались локусы Tgla122, Tgla227, Cssm66 и Tgla53, наименее — Bm1824, Eth3, Ilst6, Csrm60 и Tgla126.

В результате проведенного исследования (по SNP) получены данные по геному 100 голов молочного скота по маркерным генам продуктивности: бета-казеин «молоко А2» (CSN2) («milk A2»), гормона роста (GH), лактоглобуллина (LGB), каппа-казеина (CSN3), пролактина (PRL) и липидного обмена (DGAT1). Большинство животных были гетерозиготны, т.е. являлись носителями предпочтительных генотипов (аллелей) по исследуемым генам продуктивности.

В №3 (n-11) и №4 (n-6) группах выявлено наибольшее число животных с генотипом А2А2 по предпочтительному гену бета-казеина «Молоко А2», а также наименьшее число животных с отсутствием предпочтительного генотипа (аллелей). Молоко от таких животных показано людям с непереносимостью молока (отсутствие ß-казеина A1) и применимо для производства детского питания.

Максимальное количество гетерозигот (n-16) по гену CSN2 «молоко А2» обнаружено в №4 группе животных, наименьшее количество выявлено в группе №2 (n-11). В группах №1 и №3 их количество было одинаковым (n-12).

Во всех группах животных (№1-4) максимальное количество животных были гетерозиготные GH^LV по гену гормона роста, связанного с регуляцией соматического роста особей, удоя и молочного жира в молоке. Наибольшее количество гетерозиготных GH^LV животных (n-12) установлено в группе №3, чуть меньше (n-11) выявлено в группе №2. Наименьшее их количество обнаружено в группах №1 и №4 и составляет n-7 и n-8 соответственно. В исследованных выборках животных с генотипом GH^LL не обнаружено.

По гену лактоглобуллина (LGB) у молочного скота число животных с предпочтительным генотипом LGB^BB варьирует до 3 (№3-4 группы животных), количество гетерозиготных животных LGB^AB составило до 17 (№1); и до 16 (№2) гомозиготных животных LGB^AA с наименьшим содержанием казеина в молоке.

Генотип ВВ каппа – казеина (CSN3) является важным с экономической точки зрения селекционным критерием продуктивности для молочных пород крупного рогатого скота, т.к. отвечает за белковомолочность (высокие показатели белка) и технологические свойства молока (качественные показатели по выходу сыра и органолептическими свойствами). Тестирование животных по вышеобозначенному гену во всех группах (№1-4) животных выявило максимальное количество гомозигот с генотипом CSN3^ВВ в диапазоне от 12 до 21. Наименее значимый генотип CSN3^АА установлен у животных в диапазоне от 1 до 3.

У крупного рогатого скота молочного направления продуктивности ген пролактина (PRL) является идеальным кандидатом для анализа связи локусов количественных признаков (QTL) c показателями молочной продуктивности, а также дополнительным критерием отбора при селекции. Наименьшее количество животных (n-1) с желаемым генотипом PRL^GG было установлено в №3 группе. Количество животных с генотипом PRL^АА во всех группах варьировало в диапазоне от 15 до 12,а с генотипом PRL^GА в диапазоне от 9 до 10.

У изученных выборок молочного скота полиморфизм гена DGAT1 связан с признаками молочной продуктивности, в частности аллель К – с жирностью молока, аллель А – с выходом молока и суммарным содержанием белков в молоке. Наибольшее количество животных с генотипом DGAT1^КК (n-16) установлено в группе №1, чуть меньше (n-13) выявлено в группе №3 и в №4 (n-12). Наименьшее их количество обнаружено в группе №2 и составило n-7.

Животных с генотипом DGAT1^КА составило до 14 (№2). Наименьшие и равные значения (n-9) по данному генотипу были обнаружены в группах №1 и №3. Во всех группах выявлены животные с генотипом DGAT1^АА и их количество составило в диапазоне от 0 до 4.

Полученные результаты генотипирования крупного рогатого скота молочного направления продуктивности с помощью SNP-анализа позволяют нам выявлять генотипы (аллели) животных с генетическими аномалиями: НН1, CVM, STAT5A, STAT1, STAT3. Тестирование четырех групп животных молочного направления продуктивности (по 25 голов в каждой группе) показало наличие в группе №1 двух особей (гетерозиготных по летальному генотипу НН1), у которых были обнаружены летальные аллели гаплотипа фертильности НН1. Наличие данной аномалии связывают с эмбриональной смертностью на разных сроках стельности коров.
В группе №4 выявлена одна особь (гетерозиготная по летальному генотипу CVM), которая является носителем комплексного порока развития позвоночника у голштинского скота. Потомство от таких животных погибает в раннем эмбриональном периоде, либо вскоре после рождения.

Полученные сведения позволили протестировать разработанную систему адаптацииданных первичного учета, генотипирования и продуктивности животных и были внесены в нее для формирования единой информационной системы оценки племенной ценности крупного рогатого скота молочного направления с перспективой использования в геномной оценке.

В продолжении тематики НИР 2021 года «Разработка информационной среды и базы данных первичного учета крупного рогатого скота для использования в геномной оценке сельскохозяйственных животных» будет создана информационная среда, которая позволит оценить генетический потенциал поголовья крупного рогатого скота, рассчитать племенную ценность животных, а также совершенствовать генофонд по региону в направлении повышения молочной продуктивности, уровня гетерогенности и грамотного ведения селекционно-племенной работы в области животноводства с перспективой использования в геномной селекции.

ВЫВОДЫ

1. Разработана система адаптации данных первичного учета на основе информационно-аналитической платформы (автоматизация процессов сбора, извлечения, обработки, хранения и анализа).
2. Проведена сравнительная характеристика программных продуктов ИАС “СЕЛЭКС. Молочный скот” и DairyComp 305. Установлено наличие в их структуре ряда таких блоков как ветеринария, воспроизводство, доение, молодняк, вакцинации, перегруппировка поголовья. Обнаружено отсутствие целостного и централизованного подхода к структуризации и накоплению данных, которое не позволяет оценить генетический потенциал поголовья, вести учет аномалий, обнаружить взаимосвязи комплекса показателей эффективности молочного производства. Выявлена возможность оперативной выгрузки первичных данных из существующих и наиболее применяемых в Тюменском регионе цифровых систем и их адаптации в разработанную информационно-аналитическую платформу.
3. Разработана система адаптации данных первичного учета, исследований по микросателлитным и SNP-маркерам,генам молочной продуктивности и генетическим аномалиям крупного рогатого скота молочного направления продуктивности для интеграции данных в информационно-аналитическую платформу.

Список использованной литературы

Приложения

РЕФЕРАТ

Отчет 44стр., 1 таблиц, 22 рисунков, 18 источников.

Ключевые слова: беспилотный летательный аппарат, ортофотоплан, электронные карты, вегетационные индексы, дешифровка фотоснимков, оцифровка полей, цифровизация, умное поле.

Работа выполнена с целью: Изучить и апробировать использование беспилотного летательного аппарата в производственных условиях для мониторинга сельскохозяйственных угодий и состояния агроценозов.

Исследовательская работа включает научное обоснование и практическое использование беспилотного летательного аппарата при мониторинге сельскохозяйственных угодий. Особое внимание уделяется технологическому процессу практического применения беспилотного летательного аппарата, начиная от организационных моментов (получения разрешения на вылет), организации полета (формирование маршрута, высоты, дальности полета, фиксирование сельскохозяйственных угодий, их состояние) заканчивая дешифрированием фотоснимков, созданием электронных карт с географической привязкой к оси координат.

С использованием Геоскан 201 Агро обследовано 20286 га сельскохозяйственных угодий в Тюменской и Свердловской областях из них 206 полей площадью 5552 га. Создание электронных карт при пилотировании БПЛА является более точным методом, оперативным, в сравнении с использованием метода объезда и космического спутника. Позволяет получить географические координаты границ поля, рассчитать его площадь, сформировать ортофотопланы и электронный образ полей.

Беспилотник быстро и эффективно формирует нормализированные вегетационные индексы (NDVI)агроценозов для перехода на дифференцированную подкормку их минеральными удобрениями в режиме off-line с использованием систем спутниковой навигации.

Введение

Наукоёмкие технологии на основе использования систем спутниковой навигации требуют оперативности в получении информации о состоянии агроценозов. Необходимость новых подходов вызвана и концентрацией земель у крупных товаропроизводителей, размер которых даже в условиях Западной Сибири достигает 40-100 тыс. га пашни. Традиционные способы контроля за плодородием почвы, фитосанитарным состоянием посевов становятся малоэффективными для своевременного выполнения технологических операций.

Огромный потенциал в продвижении цифровых технологий заложен при использовании беспилотных летательных аппаратов (БПЛА). Уже на сегодняшний день имеются широкие возможности применения БПЛА для оцифровки полей, мониторинга за использованием сельскохозяйственных угодий и даже оперативного решения проблем в агроценозах локального характера.

Беспилотники могут работать в ручном, автоматическом и полуавтоматическом режимах. Ручной режим осуществляется с помощью дистанционного пульта в пределах оптической наблюдаемости или по видовой информации, поступающей с видеокамеры переднего обзора. Автономный полет летательного аппарата выполняется по заданной траектории, на заданнойвысоте, с заданной скоростью и со стабилизацией углов ориентации с помощью бортовых программных устройств. Полуавтоматическое управление означает автоматический полет без вмешательства человека с помощью автопилота по заданным параметрам, но оператор может корректировать маршрут в интерактивном режиме [1].

Сбор информации о состоянии агроценозов, сельскохозяйственных угодий с использованием БПЛА более доступно для товаропроизводителей АПК по сравнению с проведением дистанционного зондирования земли (ДЗЗ) космическими спутниками и воздушными пилотируемыми аппаратами. Беспилотники дают возможность съемки с небольших высот, вблизи объектов, в зоне чрезвычайных ситуаций без риска для жизни и здоровья пилотов. БПЛА позволяют получить оперативно снимки высокого разрешения и экономически более выгодны [2, 3].

Большой успех в аграрном секторе имеют беспилотные летательные аппараты США, Японии, Китая, Италии и др. Летательные аппараты самолетного типа зарубежных стран могут находиться в полете до 55 минут на высоте до 2000 метров с полезной нагрузкой до 1 кг при собственной массе 2.4 кг [4].

Беспилотные летательные аппараты конструкции отечественных ученых заслуживают внимание бизнессообщеста в аграрном секторе. Поэтому нами поставлена цель на первом этапе, разработать порядок (сформировать методику) практического использования беспилотного летательного аппарата при мониторинге сельскохозяйственных угодий.

Данная работа позволяет реально оценить использование сельскохозяйственных угодий, оперативно составлять и корректировать севообороты в рамках адаптивно-ландшафтных систем земледелия, разрабатывать ресурсосберегающие технологии возделывания сельскохозяйственных культур, держать под контролем фитосанитарное состояние посевов, формировать органам власти несвязанную поддержку на 1га пашни, регулировать арендные отношения между собственником земель и товаропроизводителем

Ключевые слова: оцифровка сельскохозяйственных угодий, полей; беспилотный летательный аппарат; искусственные спутники Земли; формирование ортофотопланов.

1. Условия, материалы и методы исследований

Разработка процесса пилотирования беспилотного летательного аппарата для мониторинга сельскохозяйственныхугодий и состояния агроценозов проводилась в производственных условиях на полях ОАО «Приозёрное» Тюменской области и СПК «Калининский» Свердловской области.

Беспилотный летательный аппарат применяли марки Геоскан 201 Агро. Длительность полета составляет до 3 часов при максимальной высоте полета 4000 метров и максимальной протяженности маршрута 210 километров с минимальной безопасной высотой полета 100 метров. Температура эксплуатации составляет от -20 до +40°С с максимально допустимой скоростью ветра 12 м/с. Площадь съемки за 1 полет при масштабе 3-10 см/пиксель составляет 7-22 км2 со скоростью 64-130 км/ч и максимально взлетной массе 8.5 килограммов.

Общая площадь обследованных сельскохозяйственных угодий составила 20028,6 га, из них 206 полей площадью 5552 га. На полях яровой пшеницы сорта Икар аэрофотосъемка проводилась в фазу кущения выхода в трубку культурных растений.

Составленные электронные карты полей (их контур, площадь, качество снимков) сравнивались с ранее оцифрованными картами методом объезда по предложенной нами методике с картами этих же полей полученные после дешифрования космоснимков.

При оцифровке полей использовалась программа QGIS (QuantumGIS), для дешифровки фотографий – программа AgisoftMetashapeProfessional, для построения цветовой гаммы и интерпретации в NDVI – программа Sputnik-Agro.

На опытно-производственных полях при посеве яровой пшеницы дифференцированно по элементарным участкам вносили КАС-32 в дозе 80-100 л/га с учетом содержания в почве нитратного азота и планируемой урожайности. В фазу кущения-выхода в трубку культурных растений проводилась подкормка КАС-32 в баковой смеси с гербицидами 7 л/га.

2. Научно-методическая база (порядок) применения беспилотного летательного аппарата для мониторинга сельскохозяйственных угодий

На сегодняшний день применение БПЛА в сельском хозяйстве начинает бурно развиваться и вопрос о внедрении в производство этих технологийстановится актуальным. Современное техническое обеспечение, такое какспектральные камеры, делают беспилотные технологии более информативными и значительно расширяют их спектр применения [1].

С помощью БПЛА в сельском хозяйстве могут решаться следующиезадачи: создание электронных карт полей, (построение 3D модели полей);инвентаризация сельхозугодий; оценка объема работ и контроль ихвыполнения, с целью оптимального построения систем ирригации имелиорации; оперативный мониторинг состояния посевов (БПЛАпозволяет быстро и эффективно строить карты по всходам культур); отслеживатьнормализованный вегетационный индекс NDVI(NormalizedDifferenceVegetationIndex), с целью эффективного внесенияудобрений; оценивать всхожесть сельскохозяйственных культур;прогнозировать урожайность сельскохозяйственных культур;осуществлять экологический мониторинг сельскохозяйственных земель,охрану сельхозугодий, опрыскивание посевов химическими препаратамидля борьбы с вредителями и болезнями; оценивать химический составпочвы [8].

2.1. Технические параметры БПЛА Геоскан 201

Геоскан 201 — многофункциональное беспилотное воздушное средство, разработанное российской компанией «Геоскан»(Рис 1).

Российский многоцелевой беспилотный летательный аппарат модели Геоскан 201 разрабатывался российскими конструкторами на базе беспилотного воздушного средства модели Геоскан 101, при этом, несмотря на явное сходство, оба дрона отличаются друг от друга, причём как техническими, так и эксплуатационными характеристиками. Данное устройство может применяться для различного рода целей, включая проведение геологической, геодезической и картографической разведки местности, аэросъёмку и аэрофотографирование местности, выполнение патрульных и наблюдательных, мониторинговых миссий, в сельском хозяйстве и пр. [7]

Рисунок 1 — БПЛА Геоскан 201 Агро

«Геоскан 201» — это аэрофотосъемочный комплекс, включающий в себя беспилотное воздушноесудно (БВС) типа «летающее крыло», пусковую установку и наземную станцию управления(Табл 1).

Назначение: Аэрофотосъемочный комплекс «Геоскан 201» предназначен для получения геопривязанных фотографий отдельных объектов, площадной и линейной аэрофотосъёмки.

Область применения:

Полученные с использованием комплекса материалы могут использоваться для:

• создания ортофотопланов масштаба 1:500 — 1:2000;

• трехмерного моделирования участка местности;

• создания карт высот местности;

• вычисления объемов пород в карьерах и насыпных объектах;

• обследования состояния объектов инфраструктуры, дорожного полотна;

• инвентаризации лесов и посевов;

• оценки ущерба и планирования аварийно-спасательных работ; при ЧС, таких как наводнения, оползни и пожары.

Таблица 1 — Технические характеристики Геоскан 201

Аэрофотосъемочный комплекс не предназначен для полетов во время дождя, снега и прочих атмосферных осадков.

Комплекс не способен выполнять полеты ниже высоты точки старта.

В горной местности старт необходимо осуществлять в низшей точке, чтобы весь маршрут лежалвыше точки старта [6].

2.2. Разрешительная система использования БПЛА

Беспилотные летательные аппараты с сентября 2019 года подлежат обязательной регистрации в Росавиации. Кроме того, перед каждым использованием устройства необходимо получить ряд разрешений и согласований.

2.3. Регистрация БПЛА в Росавиации

БПЛА с максимальной взлетной массой от 250 граммов до 30 килограммов регистрируют по упрощенным правилам: требуется заявление от владельца и фотография устройства.

Правила учета беспилотных гражданских воздушных судов с максимальной взлетной массой от 0,25 килограмма до 30 килограммов , ввезенных в Российскую Федерацию или произведенных в Российской Федерации, утверждены постановлением Правительства Российской Федерации от 25.05.2019 № 658, которое вступило в силу по истечении 120 дней со дня его опубликования –27.09.2019.

Для постановки беспилотного воздушного судна на учёт владелец беспилотного воздушного судна представляет в Федеральное агентство воздушного транспорта заявление о постановке беспилотного воздушного судна на учёт с приложением фотографий этого беспилотного воздушного судна, содержащие следующие сведения:

а) информацию о беспилотном воздушном судне и его технических характеристиках:

— тип беспилотного воздушного судна (наименование, присвоенное изготовителем);

— серийный (идентификационный) номер беспилотного воздушного судна (при наличии);

— количество установленных на беспилотном воздушном судне двигателей и их вид (электрический двигатель, газотурбинный двигатель, двигатель внутреннего сгорания);

— максимальная взлетная масса беспилотного воздушного судна;

б) информацию об изготовителе беспилотного воздушного судна:

для юридического лица — наименование;

в) сведение о владельце беспилотного воздушного судна:

номер телефона (телефакса), адрес электронной почты;

для юридического лица — полное наименование, основной государственный номер, идентификационный номер налогоплательщика, адрес;

для индивидуального предпринимателя — фамилия, имя, отчество (при наличии), основной государственный регистрационный номер записи о государственной регистрации индивидуального предпринимателя, идентификационный номер налогоплательщика, адрес места жительства.

Заявление о постановке беспилотного воздушного судна на учёт представляется в Федеральное агентство воздушного транспорта в следующие сроки:

а) в случае приобретения беспилотного воздушного судна на территории Российской Федерации — в течение 10 рабочих дней со дня приобретения;

б) в случае ввоза беспилотного воздушного судна в Российскую Федерацию — в течение 10 рабочих дней со дня ввоза.

В соответствии с пунктом 13 Правил учета БВС для постановки БВС на учет,владелец БВС представляет ЗАЯВЛЕНИЕ О ПОСТАНОВКЕ БВС НА УЧЕТ с приложением фотографии этого БВС.

Заявление о постановке беспилотного воздушного судна (БВС) на учёт представляется в Федеральное агентство воздушного транспорта посредством направления почтового отправления или в форме электронного документа с использованием федеральной государственной информационной системы «Единый портал государственных услуг) по электронному адресу в информационно-телекоммуникационной сети «интернет» или портала учёта беспилотных воздушных судов [14].

2.2.2. Разрешение на использование воздушного пространства.

Порядок использования воздушного пространства Российской Федерации, в том числе и беспилотными воздушными судами, установлен Федеральными правилами использования воздушного пространства Российской Федерации, утвержденными постановлением Правительства Российской Федерации от 11.03.2010 № 138 [15].

Структура воздушного пространства включает в себя следующие элементы:

а) зоны и районы (зоны и районы Единой системы, районы полетной информации, диспетчерские районы, диспетчерские зоны);

б) маршруты обслуживания воздушного движения;

в) районы аэродромов (аэроузлов, вертодромов);

г) специальные зоны (зоны отработки техники пилотирования, пилотажные зоны, зоны испытательных полетов, зоны полетов воздушных судов на малых и предельно малых высотах, зоны полетов воздушных судов на скоростях, превышающих скорость звука, полетов воздушных судов на дозаправку топливом в воздухе, полетов воздушных судов с переменным профилем и т.д.);

д) маршруты полетов воздушных судов;

е) запретные зоны;

ж) опасные зоны;

з) зоны ограничения полетов;

и) другие элементы, устанавливаемые для осуществления деятельности в воздушном пространстве.

Границы элементов структуры воздушного пространства устанавливаются по географическим координатам и высотам. Границы и условия использования элементов структуры воздушного пространства публикуются в документах аэронавигационной информации [15].

Разрешение на использование воздушного пространства (ИВП) выдают в Главном или зональном центре Единой системы организации воздушного движения (ЕС ОрВД). Срок подготовки документов – пять дней или три дня соответственно. Заявление на ИВП должно содержать следующие данные:

— дату полета;

— тип беспилотника;

— границы района полета (координаты с указанием градусов, минут, секунд);

— высоту полета;

— время полета (по стандарту UTC);

— номер разрешительного документа от органа местного самоуправления или исполнительной власти.

Если полет проводит юридическое лицо, то заявление надо подать на бланке организации.

Документы можно представить по авиационной наземной сети передачи данных или на бумажном носителе (в том числе по факсу).

В полученном в ответ разрешении будет указан номер временного или местного режима ИВП [16].

Представления на установление временного и местного режимов подаются пользователями воздушного пространства в соответствии с Инструкцией по разработке, установлению, введению и снятию временного и местного режимов, а также кратковременных ограничений, утвержденной приказом Минтранса России от 27.06.2011 № 171 .

В представлениях указывается достоверная и полная информация о планируемой деятельности по использованию воздушного пространства.

Разработка временного режима главным центром Единой системы или местного режима зональным и региональным центрами Единой системы начинается с получения представления от пользователя воздушного пространства, которое содержит следующую информацию:

а) дата проведения мероприятия (не более трех основных и трех резервных дней) и вид деятельности;

б) при установлении временного или местного режимов для района проведения мероприятия:

границы района, обозначаемые в системе географических координат (градусы, минуты, секунды), и диапазон используемых высот (метры);

время начала и окончания мероприятия (всемирное координированное время);

предлагаемые эшелоны для полетов воздушных судов по маршрутам обслуживания воздушного движения и в районах гражданских аэродромов, находящихся в границах района проведения мероприятия;

предлагаемые ограничения в районах гражданских аэродромов (в случае, если деятельность по использованию воздушного пространства осуществляется в районе гражданского аэродрома на высотах от поверхности земли (воды) до эшелона 3050 м включительно в радиусах от контрольной точки аэродрома:

30 км — для аэродрома при внутренних полетах по расписанию,

50 км — для аэродрома, открытого для международных полетов);

резервный эшелон для обеспечения безопасности полетов в особых случаях при проведении мероприятия;

в) при установлении временного или местного режимов для обеспечения полетов воздушных судов по маршруту (маршрутам):

маршрут полета (маршруты полетов) воздушных судов шириной, установленной пунктом 28 Федеральных правил, с указанием пунктов маршрута в системе географических координат (градусы, минуты, секунды) для каждого из его участков, которые по своей длине эквивалентны участкам с полетным временем не более 25 минут;

г) разрешения на использование воздушного пространства запретных зон и зон ограничения, полученные в соответствии с Федеральными правилами;

д) данные о воздушных судах и аэродромах (вертодромах, посадочных площадках), с (на) которых разрешается их взлет (посадка) при проведении мероприятия;

е) порядок обслуживания воздушного движения (управления полетами) воздушных судов, участвующих в мероприятии, с указанием географического месторасположения пунктов управления, частот воздушной радиосвязи и порядка установления связи с ними;

ж) фамилия, имя, отчество, должность руководителя мероприятия и способ связи с ним;

з) фамилия, инициалы, должность лица, разработавшего представление на установление режима, и способ связи с ним [17].

Федеральными правилами использования воздушного пространства Российской Федерации установлен разрешительный порядок использования беспилотниками воздушного пространства, который предусматривает сообщение владельцами БПЛА в оперативные органы (центры) Единой системы организации воздушного движения Российской Федерации (далее — ЕС ОрВД) о плане полета беспилотного летательного аппарата и получение разрешения на использование воздушного пространства.

Разрешение выдается региональными, зональными и районными центрами ЕС ОрВД в зависимости от зоны воздушного пространства, которая будет использоваться при полете. При необходимости использования воздушного пространства над населенным пунктом дополнительно необходимо также получить разрешение органа местного самоуправления этого населенного пункта.

Эксплуатация беспилотного воздушного судна при отсутствии соответствующего разрешения влечет за собой привлечение Федеральным органом исполнительной власти, осуществляющим государственный контроль (надзор) в области использования воздушного пространства — Федеральной службой по надзору в сфере транспорта (ее территориальными подразделениями) к административной ответственности по ст. 11.4 КоАП РФ с назначением штрафа на граждан в размере от 20 тыс. до 50 тыс. рублей, на должностных лиц — от 50 тыс. до 150 тыс. рублей, на юридических лиц — от 250 тыс. до 500 тыс. рублей [18].

2.2.3. Согласование плана полета

За 24 часа до запуска беспилотника следует представить в ЕС ОрВД на согласование план полета(Рис 2). В нем указываются:

— границы (координаты) района полета;

— тип летательного аппарата;

— данные оператора;

— номер временного или местного режима ИВП.

Рисунок 2. Форма оформления на получения местного режима полётов

План полёта БПЛА и представление на установление временного и местного режимов воздушного пространства подавали на ниже указанные номера телефонов и адреса электронной почты оперативных органов ЕС ОрВД:

Непосредственно перед запуском БПЛА следует сообщить о начале полета по телефону в Главный или зональный центр ЕС ОрВД. О завершении использования беспилотника необходимо их также уведомить звонком (Рис 3).

За тем, чтобы беспилотники не запускались нелегально, следят полиция и Ространснадзор. Также отдельные зоны контролируют сотрудники ФСО, ФСБ, Минобороны, служб авиационной безопасности аэропортов.

Рисунок 3. СХР Полётного задания

Производить запуск, взлет БПЛА без установления связи с ЕС ОрВДзапрещается!

О всех изменениях в режиме полета БПЛА производится доклад в ЕСОрВД.

После приземления производится доклад в РЦ ЕС ОрВД о временипосадки и сообщается дальнейший план работы.

При потере связи с БПЛА производится немедленный доклад в РЦ ЕСОрВД. В докладе сообщается время и место потери связи, высота полетаБПЛА, предполагаемые оставшееся время полета и курс следования, районприземления (падения) БПЛА.

2.2.4. Требование к составу команд операторов управляющим БПЛА

К работе с комплексами дистанционного мониторинга на базе БПЛАдопускаются лица, годные к работе по п.п. 1, 3, 7, 13 «Перечня работ, привыполнении которых проводятся предварительные и периодическиемедицинские осмотры (обследования), приказ Министерстваздравоохранения и социального развития РФ № 83 от 16 августа 2004 года»,прошедшие обучение по утвержденным программам по эксплуатации БПЛАданного типа, усвоившие навыки практической работы с комплексом идопущенные к самостоятельной работе приказом по организации.

Для выполнения всех полетных задач, включая предполетный контроль,взлет, полет по маршруту, посадку, требуется расчет в составе 2-хоператоров.

При установке НСУ на автотранспортном средстве в состав расчетаможет включаться водитель.

Допускается эксплуатация комплекса одним оператором (если этооговорено в руководстве по эксплуатации данного типа БПЛА).

Операторы должны знать:

— порядок и правила эксплуатации БПЛА;

— основы самолетовождения, аэродинамики, метеорологии;

— специфику применения БПЛА

— правила ведения радиосвязи;

— правила техники безопасности при выполнении работ с БПЛА.

2.3. Требования к местам проведения взлета-посадок БПЛА

1. Порядок выбора точки старта БПЛА

1.1. изучить местность в предполагаемой точке старта, при этомнеобходимо учесть:

1.1.1. точку старта следует выбирать максимально высокойотносительно предполагаемого маршрута с минимальным удалением от исследуемых объектов для увеличения полезного времени работы и достижения максимальных результатов. Также в зависимости от требуемого объекта полета необходимо выбрать площадную или линейную аэрофотосъемку. В данном опыте мы использовали площадную аэрофотосъёмку. (Рис 4)

Рисунок 4 — Создание площадной аэрофотосъемки

Задайте на карте угловые точки исследуемого участка местности. Программа автоматически рассчитает маршрут обхода полигона. При построении маршрута отображаются наборвысоты и снижение БЛА в виде цилиндров, если разница высот соседних точек превышает30 метров. Если БЛА набирает высоту, то цилиндр залит оранжевым цветом, иначе – синим (Рис 5).

Рисунок 5 — Площадная аэрофотосъёмка

1.1.2. площадку для старта предпочтительно выбирать с травяным покрытием. Размер площадки должен быть не менее 100х100 м с условием, чтобы на прилегающей местности не находилось объектов препятствующих штатному режиму взлета, посадки и поиску БПЛА (реки, озера, овраги, строения, мачты, вышки и т.п.) в радиусе до 400 м.

1.2. определить положение сторон света;

1.3. определить направление и скорость ветра (направление и скоростьветра у поверхности земли и на рабочей высоте могут отличаться);

Команда Создать точку ожидания служит для того, чтобы БПЛА удерживало точку на высоте втечение отрезка времени. Позволяет измерять направление и силу ветра на высоте.

Нажмите на значок Создать точку ожидания на панели инструментов (Рис 6).

Рисунок 6 — Создание точки ожидания

Щелчком мыши на карте задайте точку, в которой должно осуществляться ожидание.

В экспертном режиме можно изменить свойства: задать высоту точки ожидания, длительностьожидания, направление движения и активировать функции измерения ветра и бесконечногоожидания.

Планер будет на заданной высоте «удерживать» точку в течение указанного времени (по умолчанию 300 секунд), после чего отправится по запланированному маршруту.

При активации варианта «Измерение ветра» длительность автоматически выставляется в значение 0. При этом точка ожидания окрасится в желтый цвет. Самолет выполняет полный оборот спостоянным измерением ветра (Рис 7).

Рисунок 7 — Точка измерения ветра

Функция бесконечного ожидания служит для постоянного удержания точки (пока не сработаетотказ по низкому заряду АКБ, приводящий к автоматическому возврату). При этом цвет точкиожидания сменяется на темно-синий (Рис 8).

Рисунок 8 — Точка бесконечного ожидания

1.4. определить направление маршрута относительно НСУ и убедитьсяв отсутствии препятствий в этом направлении для обеспечения прямой радиовидимости;

1.5. определить направление запуска и убедится в отсутствиипрепятствий в этом направлении;

1.6. убедиться в отсутствии препятствий в зоне посадочной глиссады. Следует учесть, что на посадку аппарат заходит против ветра, точка захвата координат является точкой открытия парашюта в режиме автоматической посадки и аварийной посадки в случае потери связи;

1.7. для безопасного запуска и посадки БПЛА необходимо отсутствие препятствий: строений, мачт, вышек, заводских труб высотой более 100 м.

2. Выбор площадки посадки.

Площадка посадки выбирается вблизи точки старта из учета возможности визуального контроля оператором захода на посадку и посадки БПЛА.

Для посадки БПЛА выбирается ровный участок местности размером 100х100 м. На площадке не должно быть предметов, при приземлении на которые возможно повреждение БПЛА, а именно: кустов и деревьев, пней и камней, столбов и линий электропередач, зданий и сооружений, водоемов и тому подобное.

2.1. при посадке в ручном режиме точка выпуска парашюта определяется оператором исходя из текущих метеоусловий, размера, места и особенностей посадочной площадки.

2.2. Посадка в автоматическом (полуавтоматическом) режимевыполняется только при визуальном контроле БПЛА оператором.

Команда Создать посадку служит для построения маршрута посадки.Это обязательное действие при построении полетного задания.

Нажмите на значок Создать посадку на панели инструментов (Рис 9).

Рисунок 9 — Создание посадки

Щелчком клавиши мыши выберите сначала точку посадки, затем точку захода на посадку.Программа автоматически создаст маршрут посадки из трех точек (промежуточная точка создается автоматически) (Рис 10).

Рисунок 10 — Пример посадки

2.4. Процесс пилотирования Геоскан 201 Агро

Процесс пилотирования Геоскан 201 Агро проводится в автоматическом режима при помощи программы GeoscanPlanner.

1. Запускаем программу GeoscanPlanner.

2. В окне ввода логина и пароля вводим свой логин и пароль пользователя продуктаGeoscanPlanner.

3. Во вкладке Полет выбираем Подключить БЛА (Рис 11).

Рисунок 11 — Подключение БПЛА

Составление полёта происходило в соответствии с составленной нами методики. В данном хозяйстве при оцифровке полей мы использовали площадную аэрофотосъёмку.

Перед запуском БПЛА производилась сборка пусковой установки в соответствии с инструкцией по эксплуатации. Пусковая установка нужна для стартового разгона БПЛА до скорости, на которой оно может поддерживать устойчивый полёт. Перед полетом проводим предстартовую подготовку, запускаем Мастер предстартовой подготовки (Рис 12).

Рисунок 12 — Запуск мастера предстартовой подготовки

Мы следовали указаниям мастера предстартовой подготовки (большинство проверок выполнялось автоматически). Задали радиус автоматического отцепа парашюта и время автономного полёта (время, в течение которого осуществляется полёт независимо от наличия связи между НСУ иБПЛА). После прохождения предстартовой подготовки установили БПЛА на пусковую установку.

Чтобы произвести полёт необходимо нажать на кнопку старт в программе GeoscanPlanner, БЛА перейдет в стартовый режим. На панели телеметрии отобразится режим КАТАПУЛЬТА. Сняв предохранитель и активировав пусковую установку, потянув за спусковой шнур, БПЛА осуществит взлёт.

Запуск производится против ветра в соответствии с инструкцией по эксплуатации данного типа БПЛА. После набора заданной высоты полет БПЛА производится в автоматическом режиме. Оператору необходимо только контролировать полёт, а встроенные программные задачи обеспечивают безопасный взлёт и посадку при каждом запуске.

После завершения полёта посадка производится в автоматическом режиме в соответствии с полётным заданием и садится в радиусе 100м от заданной точки посадки.

После приземления БПЛА необходимо произвести:

1. отключение источника питания

2. запись фото информации с НСУ и БПЛА* на съемный носитель

3. Практическая апробация использования беспилотного летательного аппарата для мониторинга сельскохозяйственных угодий

Цифровые технологии также имеют определенную последовательность их выполнения в аграрном секторе. Базисом их являются геоинформационные системы. Сбор информации о земных и космических факторах продуцирования агроценозов, установлении их роли для роста и развития сельскохозяйственных культур дает основу разработки технологических операций с использованием систем спутниковой навигации [4, 5, 6].

Беспилотные летательные аппараты на первом этапе высокоточных технологий выполняют важную роль механизма проведения оцифровки полей. Ранее нами разработана методика создания электронных карт полей методом объезда [11]. Она апробирована в хозяйствах Тюменской, Свердловской, Курганской областях на площади более 224 000 га. Данный подход позволяет реально оценить ситуацию использования земельных угодий – метод точен в определении конфигурации полей, площади их, учитывает природные и искусственные объекты внутри сельскохозяйственных угодий. Но метод объезда полей трудоемок и имеет ряд ограничений при выполнении работ (сезонность, погодные условия, возделывание культур на полях и т. п.).

Формирование карт сельскохозяйственных угодий с географической привязкой к координатам при использовании беспилотного летательного аппарата «Геоскан 201 Агро» имеет более широкий временной диапазон проведения работ. Из обследованных 206 полей в хозяйствах Свердловской и Тюменской областях различие в площади, определенной методом объезда и с использованием БПЛА составляло 0.1-0.3 га (Рис13).

Рисунок 13. Оцифровка полей с использованием метода объезда и беспилотного летательного аппарата

В зависимости от размера земельного участка колебания в площади определенной этими методами были в интервале 0.3-1.2%. Например, площадь поля № 72, которая определена при облете беспилотного летательного аппарата Геоскан 201 Агро составила 22,9 га, а при использовании метода объезда – 23.0 га, площадь поля № 73 соответственно – 25.2 и 25.5 га. Однако, при оцифровке сельскохозяйственных угодий с использованием Геоскан 201 Агро на облет 100 га тратилось 8.6 минут, а при объезде в зависимости от конфигурации полей, состояния границ поля, погодных условий, наличия искусственных и естественных внутрипольных объектов – до 24-33 минут, т.е. в 3-4 раза больше.

Сопоставление данных результатов дает основание отдавать предпочтение беспилотным летательным аппаратам при проведении оцифровки полей. Для построения цифровых моделей сельскохозяйственных угодий используются спутниковые системы высокого разрешения. При дешифровании космических снимков прямыми признаками являются цвет (тон), структура и текстура изображения. Изучение, анализ их позволяет установить пространственные взаимосвязи между территориальными комплексами [8, 9].

Формирование электронных карт полей с использованием космических съемок способствует сокращению сроков их выполнения, затрат труда, получать оперативно сведения, биометрических показателей о культурах, так как искусственные спутники Земли снимают одну и ту же территорию несколько раз в течение суток.

Вместе с этим, построение границ полей с помощью космических спутников может искажать их расположение с нарушением географических координат (рисунок. 14, 15).

Рисунок 14 Треки объезда и оцифровка границ полей на ортофотоплане

Рисунок15 Смещение границ полей на космоснимкеЯндекс

Причиной этому может быть временной источник заимствования космоснимков из архивных баз данных различных спутниковых систем (ГУГЛ, ЯНДЕКС, БИНГ и др.), их технические возможности и режим работы.

При космоснимках основным объектом для нас служит земная поверхность с её агроландшафтной спецификой. Космоснимок центральной проекции, когда проектирование местности осуществляется прямыми (перпендикулярными) линиями, идеально отображает геометрические свойства (форму, размер) сельскохозяйственных угодий. В процессе же формирования изображения объекта, из-за наклона оптической оси в момент снимка, границы поля искажаются, т.е. координатные точки на ортофотоплане получаются смещенными относительно центральной сцены космоснимка. На качество космоснимка также оказывает влияние высота полета космических спутников, неровныйагроландшафт, погодные условия.

Так, космоснимок поля № 72 имеет размытое изображение внутрипольного естественного объекта (лесной колок), что затрудняет определить его точные границы и площадь (рис 16а). Причиной этому явилось снижение разрешающей способности снимка, которая связана с высотой полета искусственного спутника Земли, а также неравномерность светораспределения горизонтальной проекции объекта. Применение Геоскана 201 Агро для получения ортофотоплана позволило получить более четкое изображение внутрипольного лесного колка (рис 16 б).

Рисунок16: а – Космоснимок поля № 72;	б – Снимок поля № 72, полученный с использованием беспилотного летательного аппарата

На точность определения границ полей при использовании космических аппаратов оказывают погодные условия. Дистанционное зондирование Земли спутниковыми системами имеет ограничения из-за облачности в приземных слоях. Данное природное явление в условиях Западной Сибири случается часто – продолжительность солнечного сияния (когда солнце не закрыто облаками, туманами) составляет лишь 18,5-37,4% [9]. Растровые снимки, полученные с помощью искусственных спутников Земли в таких случаях не могут использованы при оцифровке полей, так как не имеют сплошных границ (рис 17).

Рисунок17. Снимок, сделанный спутниковой системой в облачный день

Решение аналогичных прикладных задач с использованием беспилотного летательного аппарата Геоскан 201 Агро в подобных ситуациях вполне приемлемо. Согласно технической характеристики БПЛА с максимальной высотой полета 4000 метров может проводить снимки на минимально безопасной высоте полета (под облаками) – 100 метров над сельскохозяйственными угодьями в необходимые сроки (рис. 18).

Рисунок 18. Снимок полученный БПЛА

4. Построение ортофотоплана, интерпритация состояния посевов по коэффициенту NDVI

В период летнего периода нами обследовано 20 028 га сельскохозяйственных угодий хозяйств Тюменской и Свердловской области с использованием беспилотного летательного аппарата Геоскан 201 Агро сформирован ортофотоплан 206 полей площадью 5552 га. На рисунке 19 приведен ортофотоплан полей СПК «Калининский» Свердловской области площадью 3500 га. Высокое качество ортофотоплана полей достигнуто при высоте съемки 700 метров и пространственном разрешении 12 см/пиксель.

Рисунок19. Ортофотоплан полей СПК «Калининский» Свердловской области

При формировании ортофотопланов полей хозяйств были определены границы их с географической привязкой к координатам, вычислены площади каждого поля в севообороте с учетом внутрипольных естественных и искусственных объектов.

СПК «Калининский» расположен в предгорном районе (Уральских гор) Свердловской области, где смыв почвы при увеличении наклона поверхности с 3 до 5 может возрасти в 2 раза. При разработке адаптивно-ландшафтных систем земледелия целесообразно учитывать невыравненный рельеф в многомерной системе координат. Намибыласформированацифроваямодельрядаполей (рис. 20)

Рисунок 20. Цифровая модель поля СПК «Калининский» Свердловской области

Цифровая модель полей носит информативный характер и является основой рационального использования сельскохозяйственных угодий. Отображается характер рельефа, особенность расположения природной гидросети, модель помогает разработать ресурсосберегающую систему земледелия на этих полях, которая обеспечит воспроизводство плодородия почв и рост продуктивности агроценозов.

В процессе разработки практического использования БПЛА были сделаны ортофотопланы. Дистанционная фотометрия позволила получить вегетационные индексы. Обработку и построение карт NDVI проводили на примере поля № 72 площадью 23 га. Для сбора данных содержания хлорофилла в листовом аппарате на беспилотникеустановлен фотоаппарат с инфракрасным фильтром.

Первоначально карты отображаются в красных оттенках. Используя в программе функцию раскрас по палитре для карт NDVI отображение переводится в зеленый цвет. В формате КML (KeyholeMarkupLanguage) формируются границы полей, оцифрованные при облете сельскохозяйственных угодий.После получения контура границ поля, с помощью программы производится расчет нормализованных индексов NDVI, которые отражают содержание хлорофилла в растениях (рис.21).

Рисунок 22.Ортофотоплан нормализованных вегетационных индексов (NDVI)

Результаты обследования посевов яровой пшеницы показали, что поле имеет высокую вариабельность плодородия почвы и это отражается на состоянии культурных растений. Только на 0,4 га (из 23,0 га) индекс NDVI составил 0,4, то есть вегетационная масса имела хорошее состояние по обеспеченности азотом на 1,7 % площади. На 5,1 га (22,2% площади) состояние агроценозов удовлетворительное, на 11,9 га (51,7 % площади) – не удовлетворительное, а на 5,8 га (25,2 %) растения находились в депрессивном состоянии.

В целях оптимизации азотного питания агроценозов на поле следует наложить сетку (разбить на элементарные участки). При выборе размера ячейки необходимо учесть пестроту почвенного плодородия и рабочую ширину захвата агрегата, который будет вносить минеральные удобрения. В наших исследованиях подкормку яровой пшеницы проводили AMAZONE-1500 с шириной распределения удобрений 25 м, соответственно ширина сетки составила аналогичную величину. Пересчет индексов NDVI содержания хлорофилла на обеспеченность культурных растений азотом по элементарным участкам является основной для дифференцированной подкормки минеральными удобрениями посевов в режиме off-line с использованием систем спутниковой навигации.

Для полной картины оценки использования значений NDVI при расчете доз удобрений мы сделали сравнение и взаимосвязь определения содержания N в листьях культурных растений и содержание элементов питания в почве. Средняя связь установлена в фазу кущения яровой пшеницы (R² = 0,60) между содержанием азота в листьях культурного растения и содержанием N-NО₃ в почве (R² = 0,27).

Сопоставление коэффициента NDVI полученного при облете Геоскан 201 на кукурузе 4-5 листьев и с использованием космоснимков имело тесную связь (R² = 0,90), что свидетельствует о возможности использования БПЛА для оценки состояния агроценозов

Заключение

Дана сравнительная оценка различных методов проведения мониторинга за состоянием сельскохозяйственных угодий.

Обследование 20286 га сельскохозяйственных угодий в Тюменской и Свердловской областях, из них 206 полей площадью 5552 га.

Установлено, что создание электронных карт полей при пилотировании БПЛА Геоскан 201 Агро является более точным методом, оперативным в сравнении с использованием метода объезда и космических спутников.

Формирование карт сельскохозяйственных угодий с географической привязкой к координатам при использовании беспилотного летательного аппарата имеет более широкий временной диапазон проведения работ. Обоснованные поля БПЛА и методом объезда имела незначительные различия -0,1-0,3 га (0,3-1,2%).

При оцифровке сельскохозяйственных угодий с использованием Геоскан 201 на облет 100 га тратится 8,6 мину, а при объезде в зависимости от конфигураций поля, состояния границ поля, погодных условий, наличия искусственных и естественных внутрипольных объектов до 24-35 минут, т.е. в 3-4 раза больше.

Дистанционное зондирование Земли спутниковыми системами имеет ограничения из-за облачности в приземных слоях. При технической характеристике БПЛА с максимальной высотой полета 4000 метров проведены снимки на минимально безопасной высоте полета (под облаками) – 100 метров над сельскохозяйственными угодьями в необходимые сроки.

Беспилотный летательный аппарат быстро и эффективно помогает формировать нормализованный вегетационный индекс (NDVI) содержания хлорофилла, что является основой для дифференцированной подкормки культурных растений минеральными удобрениями.

Библиографический список

1. Федоренко В.Ф. Цифровое сельское хозяйство: состояние и перспективы развития / В.Ф. Федоренко, Н.П. Мищуров, Д.С.Буклагин, В.Я.Гольтяпин, И.Г. Голубев // М.: ФГБНУ «Росинформагротех», 2019 – 316 с.
2. Astapov A.YU.Unmanned aerial vehicles for estimation of vegetation quality/ A.YU. Astapov,K.A. Prishutov,I.P. Krivolapov, S.YU.Astapov,А.А. Korotkov//Amazonia Investiga. 2019. Т. 8.№23. С. 27-36.
3. Abramov N.V.,Semizorov S.A., Sherstobitov S.V., Gunger M.V.,Petukhov D.A. Digitization of agricultural land using an unmanned aerial vehicle // Всборнике: 3 International Scientific Conference: agritech – 3 – 2020: Agribusiness, Environmental Engineering and Biotechnologies. Krasnoyarsk science and Technology City Hall of Engineering Associations. Krasnoyarsk, Russia, 2020. c. 32002
4. Фирсов А.П. Применение беспилотных летательных аппаратов при геолого-геофизическом картировании / А.П.Фирсов, И.Н.Злыгостев, А.В.Савлук, П.А.Вайсман, А.К.Вальд, П.Г.Дядьков, А.С.Колесов, А.С.Шеремет// В сборнике: Геология и минерально-сырьевые ресурсы Северо-Востока России. Материалы Всероссийской научно-практической конференции. 2015. – С. 529-533.
5. Сметнев А.С. Использование беспилотных летательных аппаратов в сельскохозяйственном производстве / А.С.Сметнев, В.К.Зимин, Ю.Б.Юдин, И.Н.Скобеев// Вестник Российского государственного аграрного заочного университета. 2015.№ 18(23). С. 51-56.
6. Зулькарнаев В.У. Практическое применение беспилотных летательных аппаратов в современном мире / В.У.Зулькарнаев, В.Р.Камалова // Инновации в науке. 2016.№ 56-2. С. 23-27.
7. Чащин А.Н. Оценка сельскохозяйственного использования почв по данным дистанционного зондирования (Пермский край на примере ООО «Крона-Агро») / Чащин А.Н.,Жижилев В.П. // Социально-экологические технологии. 2020. № 1. – С. 76-96.
8. Абрамов Н.В. Земледелие с использованием космических систем / Н. В.Абрамов, С. А.Семизоров, С. В.Шерстобитов // Земледелие, 2015. №6. С. 13-18.
9. Клепач Д.П. Беспилотные летательные аппараты / Д.П. Клепач // Новая наука: Опыт, традиции, инновации. 2016. № 4-2 (77). С. 128-130.
10. Abramov N.V. Innovative Technologies of Cultivation of Crops in the Era of the Digital Economy / N. V. Abramov, S.A. Semizorov // International scientific and practical conference “Agro-SMART-Smart solutions for agriculture” (Agro-SMART, 2018), Atlantis Press/ Advances in Engineering Research, Volume 151. 2018, pp. 1-5. https://doi.org/10.299/agrosmart — 18.2018.1.
11. Абрамов Н. В., Семизоров С. А., Шерстобитов С. В. Создание электронных карт полей / Н. В.Абрамов, С. А.Семизоров, С. В.Шерстобитов //Тюмень, 2019. – 84 с.
12. Сухих В. И. Аэрокосмические методы в лесном хозяйстве и ландшафтном строительстве / В. И.Сухих //Йошкар-Ола, 2005. – 390 с.
13. Федосеев А.П. Справочник агронома по сельскохозяйственной метеорологии / А.П. Федосеев, В. М. Пасов // Л. Гидрометиздат, 1986. 526 с.
14. Правила учёта беспилотных гражданских воздушных судов с максимальной взлетной массой от 0,25 кг до 30 кг, ввезенных в Российскую Федерацию или произведенных в Российской Федерации: утв. постановлением Правительства Российской Федерации от 25 мая 2019 г. №658
15. Федеральные правила использования воздушного пространства Российской Федерации: утв. постановлением Правительства Российской Федерации от 11 марта 2010г. №138: в ред. Постановлений Правительства РФ от 05.09.2011 N 743 (ред. 27.09.2011), от 19.07.2012 N 735, от 08.07.2015 N 685, от 04.08.2015 N 787, от 18.02.2016 N 112, от 12.07.2016 N 668, от 14.02.2017 N 182, от 02.12.2017 N 1460, от 30.01.2018 N 84)
16. Новые правила для беспилотников: как реагировать и где запускать [Электронный ресурс] URL: https://mosreg.ru/sobytiya/obzory/novye-pravila-dlya-bespilotnikov-kakregistrirovat-i-gde-zapuskat-v-podmoskove (дата обращения 22.05.2020).
17. Инструкции по разработке, установлению, введению и снятию временного и местного режимов, а также кратковременных ограничений: уст. приказом Министерства транспорта Российской Федерации от 27 июня 2011 г. №171: в ред. Приказа Минтранса России от 10.08.2017 г. №294 // Соб. законодательства Рос. Федерации. 2010. №14. ст. 1649
18. Порядок регистрации и использования беспилотных летательных аппаратов // Независимое издание Консультант Плюс [Электронный ресурс] URL: http://consultantkhv.ru/newspaper/poryadok-registracii-i-ispolzovaniya-bespilotnyx-letatelnyx-apparatov/ (дата обращения 24.05.2020).

РЕФЕРАТ

Отчёт 50 стр., 4 таблицы, 4 рисунка, 15 источников, 2 приложения.

Ключевые слова: крупный рогатый скот, порода, генетические методы, идентификация, достоверность происхождения, генетические чипы, ДНК маркеры.

Работа выполнена с целью прогнозирования модели расчета племенной ценности крупного рогатого скота молочного и мясного направлений продуктивности с использованием молекулярно-генетических методов с перспективой их применения в геномной оценке на территории Российской Федерации. В работе впервые представлена теоретическая модель расчета племенной ценности крупного рогатого скота молочного и мясного направлений продуктивности при помощи простой модели BLUP, разработаны алгоритмы оценки племенных животных с использованием результатов генетических исследований, как по отдельным локусам, так и в комплексном их изучении, представлены критерии оценки племенной ценности быков -производителей и маточного поголовья, способы и приемы оценки племенной ценности из нескольких источников информации для групп родственных животных, концепция и математическое пространство оценки племенной ценности животных на основе одиночного селекционного признака.

Построение модели расчета селекционных индексов, как способа сравнения племенных животных, является не только актуальной, но и необходимой. Модель моет быть использована при формировании селекционных программ в молочном и мясном скотоводстве на всей территории Российской Федерации. Оценка племенной ценности животных с использованием молекулярного — генетических методов и математических моделей на основе селекционных признаков позволит сельскохозяйственным предприятиям получить экономический эффект за счет подбора животных с наилучшими величинами племенной ценности по выбранным признакам по популяции.

ТЕРМИНЫ И ОПРЕДЕЛЕНИЯ

В настоящем отчете о НИР применяют следующие термины с соответствующими определениями:

Молочный скот (хозяйственная классификация) — специализированные породы крупного рогатого скота, их содержание направлено на получение преимущественно молочной продукции. Мясная продуктивность молочного скота оценивается только с точки зрения увеличения рентабельности при утилизации туш животных, которые неспособны к дальнейшему циклу размножения (и циклу сбора молока).

Мясной скот — специализированные породы крупного рогатого скота, их содержание направлено на получение мясной продукции, т.е. с максимальной эффективностью конверсии корма в мышечную массу (говядину). Молочная продуктивность мясного скота обязательно оценивается в отношении кормления телят.

Племенная ценность — это уровень прогноза генетического потенциала племенного животного относительно среднего значения по популяции породы. Величина племенной ценности (генетической) влияет на проявление хозяйственно полезного признака потомства через дисперсионную величину, коэффициента наследуемости при передаче генотипа животного потомкам (Федеральный закон №431 от 12 июля 1995 г. «О племенном животноводстве»).

Геномная оценка — это генотипическая стратегия прогноза генетической ценности животных, которая является единой системой контроля первичного учета, контроля продуктивности и прогноза племенной ценности с учетом точной генетической информации о происхождении (генетической идентификации), вариантов генов, связанных с количеством и качеством продукции, а также других генетических маркеров, ассоциированных с фенотипическим проявлением хозяйственно полезных признаков. Генетические маркеры — нуклеотидные последовательности с известной первичной структурой, которые позволяют проводить идентификацию и картирование анализируемой нуклеиновой кислоты, связанной с проявлением полигена гипотетического хозяйственно полезного признака.

Микросателлиты — последовательности, состоящие из многократно повторяющихся повторов элемента (мотива), проявляющие заметную нестабильность и могут мутировать, изменяя число повторяющихся повторов.

SNP — зарегистрированный полиморфизм по одному нуклеотиду, характеризованный для популяции животных.

Генетические чипы — устройство, созданное по аналогии с электронными микросхемами (чипами), предназначенное для одновременного выявления множества определенных последовательностей ДНК. Генетический чип используется для изучения экспрессии генов и поиска мутаций в биомедицинских и популяционных исследованиях.

Количественные генетические селекционные признаки — признаки (живая масса, удой, жирность молока и пр.), которые кодируются множеством генов и характеризуют количественную наследуемость.

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ И ОБОЗНАЧЕНИЙ

В настоящем отчете о НИР применяют следующие сокращения и обозначения:

BLUP (Best Liner Unbiased Prediction) — наилучший линейный неискаженный прогноз

РИСЦ — региональный информационно-селекционный центр

МСХ РФ — Министерство сельского хозяйства Российской Федерации

США — Соединенные Штаты Америки

GWAS (genome-wide association studies) — полногеномный поиск ассоциаций

MAS (marker associated studies) — маркер-ассоциированные исследования

MS (microsatellite) — микросателлиты

LOH (loss of heterozygosity) — потеря гетерозиготности

GBLUP (Genomic Best Liner Unbiased Prediction) — лучший линейный неискаженный геномный прогноз

Linux Mint — операционная система

LibreOffice Calc — офисный пакет (таблицы)

LibreOffice Impress — офисный пакет (схемы и презентации)

Red Hat — операционная система

SAS University Edition — программная среда

Oracle Virtual box 6 — виртуализации среда

Data Collection Software v3.3 — программное обеспечение хранения данных

Windows 7 — операционная система

ИТ — информационные технологии

БД — база данных

Animal model — линейная модель индивидуума

ICAR (International Committee for Animal Recording) — Международный комитет записи и регистрации животных

ISAG (International Society for Animal Genetics) — международный комитет генетики животных

SNP (Single nucleotide polymorphism) — однонуклеотидный полиморфизм

EBV (evaluate breeding value) – величина племенной ценности

ISO 17025 — стандарт ИСО

Microsoft Office – офисный пакет программ

ПЦР — полимеразная цепная реакция

XLS — расширение файла таблицы Microsoft

QTL (quantitative trait loci) — локусы количественных признаков

CNV — количество копий варианта

СОП — стандартная операционная процедура

GenCall — величина оценки прочтения аллеля

EPD (expected progeny difference) — ожидаемое различие у потомства

ДНК — дезоксирибонуклеиновая кислота

ПЦ — племенная ценность

ПО — программное обеспечение

x_i — фенотипическое значение некоторого признака матери

y_i — фенотипическое значение некоторого признака у дочери

b — постоянный в исследовании параметр

e_i — случайная величина ошибок

var(y) — изменчивость наблюдаемого признака

var(g) — изменчивость генетической основы

var(fix (e) — изменчивость окружающей среды, влияющей на изменчивость признака либо фиксированных эффектов

var(e) — изменчивость случайных эффектов, не подлежащих определению

y_i — фенотипическое значение признака i-го потомка от заданной пары родителей (при этом влиянием матерей пренебрегают в дальнейшем вообще для еще большего упрощения модели

var(G_S) и var(G_M) — генетические значения признака отца и матери

var(Z_Si) и var(Z_Di) — отклонения от аддитивного наследования

HYS_i — влияния среды, стадо-год-сезон (отела) или постоянные влияния производственного окружения вместе

e_i — нормально распределенная случайная величина, играющая в процессе аддитивного наследования роль «шума»

*.csv — формат файлов текст

*.ods — формат файлов офис таблица

*.odt — формат файлов офис текст

*.txt — формат файлов текст

*.sas — формат файлов программ программной среды SAS

*.pdf. — формат файлов postscript Adobe

*.odp — формат файлов схемы и презентации

*.png. — формат файлов рисунок

Δ_G — генетическая выгода

кг — килограмм

мкл — микролитр

нг — нанограмм

EBV (ПЦ) — племенная ценность индивида

D (delta, Δ) — отличие продуктивности от сверстников

b — (регрессионный) коэффициент для перевода отклонения производительности в племенную ценность

P_F-1 — средние показатели текущей продуктивности популяции до отбора

y — измеренная производительность коровы, которая выражается как сумма эффектов, которые влияют на нее

S — влияние стада, в котором содержится корова

L — влияние порядка лактации

G — влияние генетической основы (племенная ценность) индивида

e — влияние неконтролируемых факторов

i-той племенной ценности A — коэффициент пересчета размерности в случае несовпадения шкалы измерений

ω — экономическая значимость измеряемого признака, выраженная в рублях

r²_S и r²_F — оценки достоверности племенных ценностей производителя и матери

*.bpm — формат схемы чипа Illumina

*.cluster — формат данных чипа Illumina кластеризации

*.dmap — формат физической карты чипа Illumina

ВВЕДЕНИЕ

Современная селекция в животноводстве невозможна без оценки племенной ценности животного — определения количественной оценки его генетического потенциала относительно средней величины по популяции [1]. Это позволяет оценить передачу селекционного признака потомству, разделить факторы производственной среды, перейти от исторически сложившейся фенотипической к генетической селекции, в которой отбор животных сформирован только по их генотипу.

В настоящее время оценка племенной ценности невозможна без сбора достоверных данных первичного учета и продуктивности без их моделирования под целевые указания МСХ РФ и формирования источников субсидирования хозяйств через РИСЦ, без вовлечения в генетическую идентификацию всех животных племенных хозяйств.

В настоящее время при помощи генетический идентификации оценивается родство лишь 10% поголовья, при этом эти данные никак не используются в формировании пар животных для скрещивания. В основном оценивается поголовье производителей-быков, в то время как генотип и родство потомства можно оценить лишь по родителям обоих полов. В хозяйствах формирование данных по продуктивности, происходят без учета международных общепринятых стандартов. Данные о животных используются лишь для внутренней работы хозяйств. В информационную систему вносятся модифицированные данные согласно принятым требованиям от РИСЦ и МСХ РФ. Это приводит к отсутствию возможности применения этих данных для оценки племенной ценности животных согласно соблюдению принципа надежности. Без достоверных исходных данных и генетической идентификации невозможно оценить механизмы и рассчитать реальное значение наследуемости передачи селекционных признаков. Соблюдение разрабатываемых стандартов и методик позволит перейти к генотипической селекции.

Научная новизна и практическая значимость выполненных исследований заключаются в разработке модели расчета племенной ценности животных с учетом информации по родителям, проведением генетической идентификации крупного рогатого скота, выращиваемого в племенных хозяйствах Тюменской и области, в также ХМАО-Югра, с перспективой применения в других регионах Российской Федерации.

Представленные критерии оценки племенной ценности животных позволят рассчитать экономическую эффективность производства в сельскохозяйственных предприятиях региона. Это в свою очередь позволит им увеличить объём и быть конкурентоспособными на общероссийском рынке, решить проблемы замещения импорта генетических ресурсов, наращивать объёмы обмена племенным материалом и производства животноводческой продукции более высокого качества и количества.

Для того, чтобы решить проблемы, связанные с формированием макроэкономической модели производства на региональном и национальном уровнях, необходимо внутри региона и между регионами создать систему сбора генетического племенного материала, которая будет построена на применении индивидуальной модели оценки племенной ценности. Такой подход позволит вести селекцию животных крупного рогатого скота, по генотипам и фенотипам, разделяя и рассчитывая влияние производственной (окружающей) среды от генетической составляющей.

Такой метод селекции основан на математическом моделировании и применяется во всех странах и является основным методическим приемом ведения селекции любых видов животных.

Другими словами, разработка первичной (основной) модели такого расчета, которая в дальнейшем сможет с увеличивающейся точностью описывать реальную оценку племенной ценности поголовья крупного рогатого скота молочного и мясного направления продуктивности необходима для прогнозирования генетической ценности животных. Также именно такая модель станет основой для реализации перспективы применения геномной селекции (уточненной родословной и ценности) в геномной оценке Тюменской области и других регионов. Департамент агропромышленного комплекса Тюменской области может выступить инициатором реализации создания системы сбора первичных данных по учету животных, данных по продуктивности и прогнозирования на их основе племенной ценности животных в качестве пилотного проекта, выстроив эту систему, в едином ключе с Информационной системой по животноводству Тюменской области, которую разрабатывает ФГБОУ ВО ГАУ Северного Зауралья, с учетом самых современных, не уступающим лучшим международным стандартам, методологических и инструментальных приемов.

Работа выполнена с целью прогнозирования модели расчета племенной ценности крупного рогатого скота молочного и мясного направлений продуктивности с использованием молекулярно-генетических методов с перспективой их применения в геномной оценке на территории Российской Федерации.

Для решения поставленной цели решались следующие задачи:

1. Разработать концепцию и математическое пространство оценки племенной ценности животных в современном и конкурентном селекционном пространстве на основе одиночного селекционного признака.
2. Разработать способы и приемы оценки племенной ценности в случае анализа данных из нескольких источников информации для групп родственных животных.
3. Разработать способы оценки животных при помощи формирования селекционного индекса.
4. Разработать алгоритм расчета племенной ценности крупного рогатого скота при помощи простых моделей BLUP.

1 ОСНОВНАЯ ЧАСТЬ

1.1 ВЫБОР НАПРАВЛЕНИЯ ИССЛЕДОВАНИЙ

1.1.1 АНАЛИТИЧЕСКИЙ ОБЗОР

Лидерами в разработке современных методов селекции в настоящее время являются США, Германия и Чешская республика. Эти страны служат примером для селекционеров всего мира в успешности их систем селекции, генетики и оценки животных. Для реализации поставленных задач в Российской Федерации необходима кооперация, взаимовыгодное сотрудничество и обучение специалистов за рубежом [1].

В настоящей работе, с одной стороны, речь идет чисто о зоотехнической прикладной отрасли, именуемой разведение животных, а с другой, об интенсивно развивающейся насыщенной математически и компьютерными технологиями генетической теории наследования количественных признаков. Синтез этих двух разделов науки о селекции позволил подойти к научно обоснованному составлению планов разведения животных не по фенотипическим проявлениям признаков, а по их генетической основе.

Сегодня большинство содержательных результатов в области генетики сельскохозяйственных животных были получены при помощи математических вероятностных моделей. Для формирования селекционных процессов необходимы сведения из теории вероятностей и математической статистики (статистический аппарат и программная математическая среда) [2]. Важным элементом является обсуждение линейной модели фенотипических значений полигенного признака. В связи с этим определяются такие важные селекционно-генетические характеристики популяции животных, как показатели наследственности, повторяемости, генетические и генотипические корреляции между признаками (рисунок А.1). Следует отметить, что необходим научный подход в решении селекционных проблем, который возможен лишь на базе генетической теории наследования количественных признаков.

Математическая модель наследования количественных (то есть измеряемых количественно) признаков используется для оценки различных селекционных методов. Следует отметить, что диапазон рассматриваемых методов — от массового отбора до отбора по специальным селекционным индексам. На основе новых селекционных методов обеспечивается возможность составления планов разведения сельскохозяйственных животных, сопровождая это обширными примерами из мировой практики [3].

Математические модели наследования количественных признаков разделены на два типа:

1. Модели феноменологические, учитывающие только внешние связи между фенотипическим значениями родственников. Например, если x_i — фенотипическое значение некоторого признака матери, y_i — у дочери, то модель , где b — постоянный в исследовании параметр, а e_i — случайная величина ошибки, независящая от x_i, является феноменологической моделью. Коэффициент b при этом может быть определен в предварительном эксперименте как коэффициент регрессии или задан на основании какого-либо допущения (например, , если предположить, что матери и отцы вносят одинаковые вклады ы фенотипическое значение признака у потомка). Предложенную модель можно использовать для прогнозирования признака у потомков для некоторых простых планов селекционно-племенной работы.
2. Модели генетические, построенные с учетом механизмов образования генотипа потомка при заданной паре генотипов родителей. Такие модели в качестве изначальных предположений должны в себе содержать описание генетической структуры признака (локусы, которые контролируют моделируемый признак, число аллелей в каждом локусе, коэффициенты рекомбинации и т.п.) и учитывать такие генетические процессы, как менделевское наследование аллелей в каждом локусе, рекомбинации и т.д. Примерами таких моделей является поиск ассоциаций и зависимостей GWAS, MAS, MS, LOH и т. п.

При выборе животных для селекции в генетических лабораториях необходим ежедневный анализ качественных признаков, контролируемым одним-двумя локусами и с малым количеством аллелей. Важно разработать систему индивидуальных скрещиваний, результаты которых дадут полное описание генотипов отдельных особей и вполне предсказуемый результат. А для полигенных количественных признаков генетический анализ в такой форме недоступен.

Во-первых, количественный признак, обладающий большой изменчивостью из-за влияния окружающей среды, не позволит однозначно установить генотип и его фенотипическую реализацию.

Во-вторых, увеличение количества локусов, контролирующих формирование признака, приводит к значительному увеличению числа локусов, контролирующих формирование признака, увеличению числа скрещиваний, необходимых для определения генотипа отдельных особей.

Эти обстоятельства диктуют новые требования к генетическим моделям и поддержание математической и программной среды для их реализации, создание компьютерных мощностей и обучения квалифицированных специалистов. Генетические модели требуют практического использования (оценки эффективности отдельных методов отбора, оптимизации способов разведения и т.п.), при этом годятся только те модельные уравнения, которые не зависят (или зависят достаточно слабо) от генетической структуры признака [4] Первая генетическая модель наследования количественного признака была предложенная в 1918 г. Она была применена для частного случая (один двухаллельный локус, независимость модификационного распределения от генотипа, менделевское наследование) и имела большое значение для того времени. С помощью этой модели удалось доказать, что количественные признаки, характеризующиеся непрерывным варьированием, наследуются согласно правилам классической генетики. Данная модель была применима для изучения каких-либо практических ситуаций [5].

Значительной сложностью в построении генетических моделей является их недостаточная изученность, которая требует больших капиталовложений в оборудование, научные исследования, высококвалифицированные специалисты, значительное количество ручного труда и больших мощностей вычислительного оборудования.

Построение компьютерных моделей и виртуализация процесса селекции открыло новую эру для создания новых машинных моделей в средах программирования C++, C#, Python, SAS, R и т. п. и математической среде линейного моделирования BLUP (GBLUP), MAS, MS, GWAS. При построении таких моделей генетическая структура признака и генетические механизмы наследования включаются уже не так сложно. К сожалению, в нашей стране до сих пор машинное генетическое моделирование селекционных задач не является рабочим методом теоретиков-селекционеров, и лишь применяется в коммерческих компаниях, которые используют на своих популяциях животных, в виде готовых коммерческих зарубежных решений. Отечественные генетики предпочитают использовать полуфеноменологические модели, одна из разновидностей которых является основой отечественных селекционных методов — оценка производителей по потомству [6].

Первое и единственное генетическое положение, лежащее в основе отечественной простой модели — это невозможность наследования приобретенных признаков. Генетические же механизмы образования генотипов потомков в модель вообще не закладываются. Вместо них вводится традиционное положение селекционеров «лучшее с лучшим — дает лучшее». Это приводит к первому приближению — к линейной зависимости фенотипического значения признака потомка от соответствующих значений признака у родителей:

(1)

где var(y) — изменчивость наблюдаемого признака, var(g) — изменчивость генетической основы, связанной с ним, var (fix (e) — изменчивость окружающей среды, влияющей на изменчивость признака, фиксированные эффекты, var(e) изменчивость случайных эффектов, не подлежащих определению.

(2)

а уравнение модели в векторной форме:

(3)

где y_i — это фенотипическое значение признака i-го потомка от заданной пары родителей (при этом влиянием матерей пренебрегают в дальнейшем вообще для еще большего упрощения модели), var(G_S) и var(G_M) — генетические значения признака отца и матери, var(Z_Si) и var(Z_Di) — отклонения от аддитивного наследования, учитывающее, по мнению авторов таких моделей, случайности в образовании наборов аллелей в гаметах, взаимодействие генов и т.д., HYS_i = (var fix (e)) — это влияние среды, стадо-год-сезон (отела), или постоянные влияния производственного окружения вместе.

Таким образом, создается первое впечатление о сугубо генетическом описании процесса наследования, достаточно широкого, учитывающего отклонения от аддитивного наследования. В действительности все намного сложнее.

Содержание вкладов отклонений Z в модели описывается только словесно, формализации и вычисленных величин Z_S и Z_M от G_S и G_M никто никогда не получал. Мало того, в используемых модельных рассмотрениях авторы считают, что Z_S и Z_M от G_S и G_M вообще не зависят друг от друга и просто распределены нормально. Легко понять, что такое предположение сводит столь богато словесно описанную модель к тривиальному случаю, который применяется повсеместно при оценке племенной ценности животных:

(4)

где, e_i — нормально распределенная случайная величина, играющая в процессе аддитивного наследования роль «шума». Этот «шум» обеспечивает (удобно объясняет и на этот «шум» можно списать методологические ошибки авторов) неоднозначность реализации генотипа особи и обусловлен влиянием среды, которые при словесной формулировке авторы хотели бы, но не стали учитывать в явном виде. В дальнейшем величину G_M принимают за ничтожно влияющую, еще более упрощая модель до ее невозможности.

Следует отметить еще один аспект использования моделей для оценки селекционных стратегий. Естественно, что такая оценка должна проводиться отдельно для каждой конкретной популяции, для каждого изучаемого признака. Очевидно, что единственное отличие наследование одного количественного признака от другого, это значение показателя наследуемости. Предполагая, что этот показатель настолько информативен, что его значение целиком определяет всю сложную специфику некоего количественного признака, приходится указать на некоторые недостатки в методике его определения. В отечественной селекции показатели расчета племенной ценности животных, определения индексов, параметров не должны рассчитываться. Их необходимо брать из литературных данных по зарубежным популяциям, с учетом величин, которые соответствуют безгранично большой численности животных. Ни один автор индекса не приводит доказательств адекватности и достоверности используемой в его индексе величины коэффициента и не может ответить на вопрос, откуда эта величина взялась [7-8].

Если следовать мировой практике, то по Лашу определяют показатель наследуемости, как долю изменчивости аддитивных генотипических значений в общей изменчивости аддитивных генотипических значений в общей изменчивости фенотипических значений признака [9]. Авторы индексов используют некоторые положения, справедливые только в узком диапазоне ситуаций.

Например, h² равен удвоенному коэффициенту корреляции {родитель-потомок} или учетверенному коэффициенту корреляции между полусибсами, в случае, если наследование полностью аддитивно для панмиктической популяции, находящейся в состоянии равновесия. Любая популяция, в которой происходит отбор, этим требованиям не удовлетворяет.

Отклонение полученной таким образом оценки h²_e от истинного значения h²_e зависит от каждой конкретной ситуации и заведомо непредсказуемо (и в каждом случае должно быть вычислено). То же замечание будет справедливо и по отношению к оценке h²_e через реализованную наследуемость. В последнем случае фактически производится оценка коэффициента регрессии фенотипических значений признака на признак обоих родителей, а коэффициент регрессии потомка на родителя совпадает с коэффициентом корреляции {родитель-потомок} только для панмиктичных равновесных популяций с аддитивным формированием признака.

Также эффективность многих селекционных методов существенно меняется даже при небольших изменениях значений h². В то же время объемы выборок, применяемых в селекции, малы и при нахождении оценок h² методом корреляций таковы, что доверительные интервалы, построенные для h², перекрывают диапазоны значений порядка 0,2-0,8. Таким образом, точность оценки h², используемой в отечественной селекции, достаточно невелика и вероятностная ошибка при предпочтении одной селекционной стратегии по сравнении с другой не приводятся.

Решение актуальных вопросов по оценке статистической надежности первичных данных по учету животных, оценке их родства, формирования баз данных по продуктивности и оценки надежности этих значений в виде единой национальной системы, основанной на тщательной работе каждого из региональных хозяйств, не зависящих от практики агрессивного вытеснения с рынка услуг по оплеменению при распределении субсидирования, используемой в РИСЦ, а основанной на открытой и прозрачной системе экономического и информационного взаимодействия позволит реализовать оценку наследуемости селекционных признаков на реальном поголовье скота, а также передаче признака и племенной ценности животных.

1.2 МАТЕРИАЛЫ И МЕТОДЫ

За период 2017- 2019 года сформирован генетический банк ДНК 6439 животных, отобранных в ряде предприятий Тюменской (АО «Приозерное», ООО «Бизон», ЗАО «Падунское», АО «ПЗ «Учхоз ГАУ Северного Зауралья», ООО «ЗапСибХлебИсеть», ООО «Герефорд», ООО «Суерь»), а также ХМАО-Югра (ООО «Башмаков») [13].

В рамках проведенной работы по государственному заданию МСХ РФ 2018 г. по теме «Исследование и разработка методических подходов по оценке племенной ценности крупного рогатого скота молочного и мясного направлений на основе методов геномной оценки на территории РФ», при обработке данных были использованы образцы ДНК животных следующих пород: голштинской (2091 голова), черно-пестрой породы (513 голов), салерс (5 голов), обрак (1470 голов), аббердин-ангус (175 голов) и герефорд (187 голов).

В 2019 году, в рамках текущего государственного задания МСХ РФ в анализ были включены образцы ДНК животных Тюменской области следующих пород: голштинской (1640 голова), черно-пестрой породы (78 голов), салерс (105 голов), обрак (140 голов) и герефорд (35 голов).

Выделение ДНК проводили с использованием коммерческих наборов реагентов для выделения геномной ДНК из цельной крови ДНК-Экстран-1, руководствуясь инструкцией фирмы-изготовителя, 5% раствора ионообменной смолы Chelex – 100. Для мониторинга возможной контаминации при выделении ДНК использовался отрицательный контроль (k-) [13].

Взятие проб крови осуществляется из яремной вены животного в объёме 5 мл в чистые подписанные пробирки с добавлением антикоагулянта -динатриевой соли ЭДТА (на 20 частей крови 1 часть 6% Na₂ЭДТА).

Кровь также может собираться на фильтровальную бумагу типа, закрытую криовиалу объёма 5 мл. В таком случае, если фильтровальная бумага типа FTA, высушенная с образцом, кровь на ней можно транспортировать при комнатной температуре в течение недели. Выбор метода выделения ядерной ДНК определяется в зависимости от исходного материала, цели исследования и необходимого времени хранения выделенной ДНК [13].

Отбор проб и получение препарата ДНК из жидкой цельной крови животных проводили при помощи 5% раствор ионообменной смолы Chelex-100. Для выделения ДНК из жидкой крови, образец объёмом 1 мкл помещали в чистую пробирку вместимостью 1,5 мл. К образцу добавляли 1000 мкл деионизированной воды. Пробирку инкубировали при комнатной температуре на срок 10 мин. Критерием окончания лизиса является гомогенизация содержимого пробирки с образцом. Охлаждённую пробирку центрифугировали 2 мин на настольной центрифуге при частоте вращения 14000 об/мин при комнатной температуре [13].

Не задевая осадка удаляли супернатант, оставив 20-30 мкл. И предмет носитель в пробирку с образцом добавляли 80 мкл 5% взвеси Chelex. Перемешивали содержимое пробирки на вортексе, инкубировали в термошейкере 20 мин при +56⁰С и 900 об/мин. Затем 10 сек перемешивали на вортексе и инкубировали 8 мин при +99⁰С. Тщательно перемешивали на вортексе и центрифугировали 3 мин при 12 000 об/мин. Не задевая осадка переносили 50 мкл супернатанта в чистую 1,5 мл пробирку. Пробирку с полученным препаратом ДНК закрывали и либо сразу же использовали для дальнейшей работы, либо помещали на хранение (при температуре 2–8 °С на срок до 14 дней, или при температуре не выше минус 18 °С на до 1 года). Отбор проб и получение препарата ДНК из сухой цельной крови животных проводили в 5 % растворе ионообменной смолы Chelex-100 [13].

Для выделения ДНК из сухой крови животного в 1,5 мл пробирку помещали объект на предмете носителе размером 0,2 см². К образцу добавляли 1000 мкл деионизированной воды. Пробирку инкубировали при комнатной температуре в течение 10 мин. Критерием окончания лизиса является гомогенизация содержимого пробирки с образцом. Охлаждённую пробирку центрифугировали 2 мин на настольной центрифуге при частоте вращения 14000 об/мин при комнатной температуре. Не задевая осадка удаляли супернатант, оставив 20-30 мкл. В пробирку с образцом добавляли 80 мкл 5% взвеси Chelex. Перемешивали содержимое пробирки на вортексе, инкубировали в термошейкере 20 мин при +56⁰С и 900 об/мин. Затем 10 сек перемешивали на вортексе и инкубировали 8 мин при +99⁰С. Тщательно перемешивали на вортексе и центрифугировали 3 мин при 12000 об/мин. Переносили 50 мкл супернатанта в чистую 1,5 мл пробирку. Пробирку с полученным препаратом ДНК закрывали и либо сразу же использовали для дальнейшей работы, либо помещали на хранение (при температуре 2–8⁰С на срок до 14 дней, или при температуре не выше -18°С на 1 год, при -80⁰С до 5 лет [13].

Концентрацию ДНК определяли спектрофотометрически с использованием спектрофотометра Nanodrop (Termo, США) при длине волн 260 и 280 нм. Оптимальная концентрация ДНК для проведения мультиплексной ПЦР составляет 100-200 нг/мкл и обязательно определяется спектрофотометрически. Концентрацию, степень очистки, нативность и подвижность ДНК оценивали методом электрофореза в 0,8-1,5% агарозном геле (при напряжении 120 В) в течение 15 мин для 10 см пластины, буфер ТАЕ с дальнейшей визуализацией при помощи 1% бромистого этидия. Для электрофореза использовали электрофоретическую камеру с длиной столика 10 см с источником питания Sub-Cell Model 96 Cell. Фиксацию изображения осуществляли при помощи системы гель-документирования Gel Doc XR+ В качестве маркера молекулярных весов использовали 1kb маркер DNA Ladder.

Стандартным экспресс-методом оценки концентрации ДНК и степени её чистоты является спектрофотометрическое и флуорометрическое измерение. Для этого брали 1–5 мкл исходной ДНК и вносили в 145-149 мкл деионизированной воды. Далее приготавливали отрицательный контроль фона — 150 мкл деионизированной воды. Концентрацию измеряют согласно программе прибора обычно одновременно с оценкой степени очистки при длине волн 260 и 280 нм. Степень очистки представляет собой соотношение оптических плотностей раствора ДНК при данных длинах волн и должно составлять 1,8-2,0.

Успех проведения реакции в значительно степени зависит от степени очистки и концентрации ДНК. Оптимальная концентрация для постановки реакции составляла 0,2-2 нг/мкл, предел чувствительности ‹100 пг, при степени очистки не менее 1,8. Для оценки специфичности реакции амплификации использовали препараты контрольной ДНК положительный контроль k+, с известными генотипическими и препаратами, и не содержащий ДНК отрицательный контроль k-. Амплификацию проводили на термоциклере ProFlex 96-Well PCR System (Termo, США) согласно программе амплификации (таблица Б.1).

Продукты полимеразной цепной реакции фракционировали электрофоретически с использованием системы капиллярного электрофореза 3500 GeneticAnalyzer, с ПО Data Collection Software 4.1. Полученные оптические данные анализировали в сравнении со стандартом длин GS550 в канале детекции Orange. Обозначения 24 фрагментов ДНК приводятся в соответствии с их размером: 60, 70, 80, 90, 100, 120, 140, 160, 180, 200, 220, 230, 240, 260, 280, 300, 320,340,360, 380, 400, 420, 440, 450, 500, 550 [13].

Внутренний стандарт предназначен для контроля этапов амплификации, электрофореза и анализа данных, благодаря высокой плотности данных фрагментов, обладает высокой точностью и воспроизводимостью определения длины амплифицированных фрагментов исследуемых образцов, ввиду отсутствия аллельной лесенки. Используя ПО GeneMapper ID-X Software v1.4 и устанавливали индивидуальные генотипические комбинации аллельных вариантов (профили ПДАФ). Полученные в ходе анализа данные использовали для определения достоверности происхождения. В случае микросателлитных панелей не допускается отклонение от референтных значений более чем на 1-2 пар нуклеотидов, при этом не допускается выход за референтные интервалы BIN на секвенаторе. Также запрещено смещать выявленные длины микросателлитов, ссылаясь на качество капиллярного массива, геля, реагентов или проведённого ПЦР. Здесь также следует искать причину ошибок в недостаточности квалификации персонала или использования не рекомендуемых производителем реагентов или протоколов ISAG/ICAR [6].

• 1. Данные первичного учета животных по родству получали из ИАС СЕЛЭКС (ООО «Плинор») [11].

При проведении расчетов применялись вычислительные методы в операционных системах Linux Mint. В качестве вычислительной системы использовался LibreOffice Calc и операционная система Red Hat с эмулятором учебной вычислительной статистической среды SAS University Edition в виртуализации Oracle Virtual box 6. Для проведения расчетов и получения первичных данных по микросателлитному анализа применялось программное обеспечение Data Collection Software v3.3 на операционной системе Windows 7 [12].

В случае идентификации с использованием генетических чипов необходимо использовать программное обеспечение DesignStudio Microarray Assay Designer и Genome Studio Software 2.0. Форматы применяемых файлов были: *.csv, *.ods, *.odt, *.txt, *.sas, и *.pdf. Иллюстрации были оформлены в LibreOffice Impress в формате *.odp с конвертацией перед вставкой в документ в формат *.png.

2 РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

2.1 Концепция реформирования системы оценки племенной ценности крупного рогатого скота

При современном состоянии отечественной селекции, предлагаемые отечественными авторами методы и селекционные индексы не могут рассматриваться как некие стандартные рецепты, пригодные для всех случаев, в том числе для пород.

Необходим творческий подход исследователя — селекционера с зоотехническим образованием, хорошо знающего производство и биологию животных, особенности их разведения, ежедневно работающего в хозяйствах, с применением современных информационных технологий и математических сред для проведения конкретного анализа биологической ситуации в породе, популяции животных, на каждой ферме, каждом коровнике, стойле, семье для создания и формирований моделей оценки животных в реальной ситуации.

Действительно, в сложных условиях отечественной селекции, зачастую при недостоверных данных о продуктивности, или значительном влиянии ошибок тестирования предпосылки, лежащие в основе генотипической модели Фишера-Райта не оправдаются. Было целесообразно на первом этапе отказаться от ее использования и опираться на чисто феноменологическое описание, применяя обычные статистические показатели. Но в дальнейшем упорядочив первичный учет и оценку продуктивности животных, наладив процесс воспроизводства, исходя только из достоверных первичных данных, несмотря на требования выполнения плана, применять моделирование для реализации селекционных стратегий.

2.2 Идеология прогноза и выбора племенных животных для дальнейшей селекции

Селекция влияет на экономику разведения прежде всего тем, что позволяет создавать таких особей для заводчиков, которые экономически более полезны и выгодны, чем особи, выращенные ранее. Экономика выращенного животного является следствием генетического уровня отдельных качеств (признаков продуктивности, здоровья, плодовитости и т.д.) в данных условиях среды разведения.

Успех селекции измеряется экономической целесообразностью выращивания, против предшествующего периода и выражается в генетической прибыли (выгоде) (Δ_G) для совокупности качественных признаков.

Однако генетическая прибыль составляет часть от общего экономического изменения в разведении, важную роль играют влияние окружающей обстановки и условия содержания. Таким образом, общее экономическое изменение Δ_C сумма генетической прибыли и прибыли, вызванной улучшенной средой и методикой разведения Δ_T.

(5)

Селекция занимает в животноводстве особое место. Это находиться в связи с производственными условиями, системой получения продукции и выбором подходящего генотипа.

Отдельные генотипы (отдельные породы) не конкурируют, а дополняют друг друга, поскольку каждый генотип подходит только для конкретной производственной системы, в зависимости от производственной направленности и условий производства.

В других условиях данный генотип не будет использоваться оптимальным способом. При рассмотрении целесообразности породы необходимо в первую очередь уточнять производственную ориентацию и условия производства. Породы различаются по молочной продуктивности, плодовитости, способности к откорму до оптимального веса убоя, требованиям животных в питании и обслуживании. Породы необходимо сравнивать не только по уровню надоев коров, но и исходя из экономической эффективности всего товарного стада. Каждая порода предназначена для различной производственной ориентации. Только лишь после выбора генотипов необходимо задуматься о постоянном улучшении животных селекцией (рисунок А.2).

2.3 Разработка концепции оценки племенной ценности животных в современном конкурентном селекционном пространстве

Если определена производственная ориентация, то могут быть выбраны подходящие генотипы животных. Основой являются знания фундаментальных генетических параметров и генетических различий между отдельными популяциями (породами, линиями или другими племенными группами) в отдельных наблюдаемых признаках. Основываясь на генетических параметрах, необходимо оценить, является ли гибридизация эффективной или предпочтительнее использовать чистокровное разведение.

Следующим шагом является выбор лучшего метода скрещивания (двух линейного, трех линейного, обратного и т.д.). Далее следует выбрать подходящие породы, линии или другие племенные группы для скрещивания. Если они отсутствуют, то должны быть получены синтетически из нескольких популяций, выбранных для этой цели. Синтез может быть осуществлен путем скрещивания, в том числе вводного, поглотительного или воспроизводительного типа. Если гибридизация неэффективна, в таком случае выбирается подходящая порода (подходящая линия, либо другая племенная группа), либо создается новая для воспроизводства [14].

Формирование синтетических популяций животных — это довольно распространенный и рутинный процесс. Для крупных сельскохозяйственных животных обычно популяции практически открыты для постоянного селекционного скрещивания с импортным генетическим материалом, поступающим из-за границы.

Селекция проходит всегда в активной популяции (племенные животные), где применяются генетическое тестирование, контроль продуктивности, оценка племенной ценности и селекционный отбор для воспроизводства. При этом потребителями итогов селекции являются все животноводы, независимо от того, активно ли они участвуют в селекционном процессе или нет. Племенные животные используются как в активной популяции (племенной скот), так и в товарном разведении.

Активная и товарная популяции представляют собой единое целое, с точки зрения улучшения экономической целесообразности разведения. Гены передаются от активной популяции к товарным стадам в животноводстве, тем самым благоприятно влияя на генетическую выгоду (Δ_G) и экономику, при содержании коммерческого скота в животноводческих хозяйствах.

Ввиду вышесказанного, для оценки селекции необходимо следить за экономическим улучшением Δ_С, вызванного генетической селекцией во всей популяции животных, включая товарные стада.

Результаты селекции проявляются в изменении величин продуктивности, главным образом, в коммерческих (подсобных) хозяйствах. Животновод, который содержит коммерческий скот, делит полученную прибыль от разведения с селекционером.

Подразделение прибыли в итоге принимает форму торговли генетическим материалом. Иногда между селекционером и животноводом коммерческой породы выступает еще посредник — продавец генетического материала, который также сохраняет себе часть прибыли, получаемую производителем продуктов животноводства за свои услуги. Процесс, когда племенные хозяйства не связаны с коммерческими компаниями или холдингами, но берут от них генетический материал (отбракованные животные, сперма, эмбрионы, семенные яйца), является совершенно необоснованным.

Формы деятельности, связанные с селекцией, можно разделить на три основных этапа:

1. Разработка проекта селекционной программы. Выбор программы представляется как краткое изложение организационных мер, где посредством управления разведением животных достигается улучшение экономического уровня разведения для следующего поколения племенных животных. Неотъемлемой частью является прогноз ожидаемого эффекта селекции Δ_G (генетической выгоды) на отдельные признаки и прогноз совокупного эффекта в деньгах.
2. Практическая селекция или собственно селекция. На этом этапе участвуют селекционеры и племенные организации, уполномоченные осуществлять определенные виды деятельности по племенной репродукции и селекции сельскохозяйственных животных.
3. Контроль разведения и селекции. Контроль заключается в выявлении эффекта Δ_G, который является единственным показателем успешности селекции. Сравнение достигнутого эффекта с эффектом, предсказанным на первом этапе, создает обратную связь и является отправной точкой для изменения и улучшения выбора селекционной программы.

Селекционная программа для отдельных пород или линий и синтетических популяций состоит из нескольких основных шагов. Эти этапы последовательно повторяются в течение последующих поколений животных и содержат:

1. Учет и тестирование животных. На этом этапе речь идет о таких методах тестирования, которые изначально ориентированы на цели исследования, регистрацию рождения и проверку продуктивности по выбранным признакам. Тестирование животных должно быть организовано таким образом, чтобы гарантировать, что различные генотипы встречаются в сопоставимых условиях. Важным моментом является определение общего масштаба тестирования, количества сверстников и потомков для каждого производителя.

2. Данные по продуктивности, расчет племенной ценности тестируемых животных. Методы оценки племенной ценности постоянно совершенствуются. В настоящее время наиболее точным методом является модель индивидуумов (Animal model), которая наилучшим образом отражает влияние окружающей производственной среды при селекции и воспроизводстве на продуктивность и отношения между животными в общем порядке. В настоящее время применяются генетические маркеры, при помощи которых для ряда селекционных признаков прогноз в дальнейшем осуществляется более точно.

3. Выбор (селекция), проводимая на основе рассчитанных величин племенной ценности животных. В процессе селекции в племенное разведение попадают только те индивидуумы, для которых выявлены высокие значения племенной ценности, которые по наблюдаемым селекционным признакам превышают своих сверстников.

4. Выбор животных в пары для воспроизводства. На этом шаге необходимо подумать об организации схем спаривания, чтобы обеспечить в дальнейшем у выбранных топовых производителей наиболее широкое применение (широкую экспансию). В частности, применяется намеренное спаривание особей с наивысшими племенными ценностями (лучшие отцы для лучших матерей), с целью рождения наиболее продуктивных «индивидуумов». В связи с этим применяются различные биотехнологические методы (искусственное осеменение, пересадка эмбрионов, клонирование и т.п.) [14].

Организация селекции и оптимальная непрерывность отдельных шагов разведения несомненно очень сложны. По этой причине используются оптимизационные научные исследования, которые учитываются как генетические, так и экономические вопросы с подробным изучением разведения данного вида сельскохозяйственных животных. С точки зрения выбора оптимальной организацией селекционной программы является максимальная генетическая выгода (Δ_G) при минимальной стоимости выращивания и минимальных затратах заводчика [14].

Единственная цель селекции не состоит в том, чтобы достигнуть генетической выгоды, обозначенной Δ_G. Селекционную программу необходимо организовать таким образом, чтобы все значения Δ_G в группе всех наблюдаемых селекционных признаков были как можно выше. Если генетическая выгода равна нулю или даже отрицательна (проводится встречный отбор — генетический уровень породы ухудшается), то программа утратила свое значение, и речь идет только об обеспечении размножения животных [14].

Размножаемая популяция (порода) или другая племенная группа имеет определенный генетический уровень, который сохраняется для будущих поколений. Некоторые селекционные действия приведут к повышению генетического уровня, и этот прирост снова сохраняется во всех последующих поколениях.

Целью селекции является не только разовое, но и постоянное ежегодное увеличение генетического уровня разводимых животных. Каждое увеличение генетического уровня связано с уровнем, достигнутым в предыдущие периоды.

Это означает, что при постоянной и систематической работе достигается постепенный рост генетического уровня. Отдельные оценки, которые обозначают приращения генетического уровня, могут быть представлены в виде непрерывной линии. В таком случае наклон линии выражает генетический прирост (генетическую выгоду) за единицу времени — чаще всего за 1 год.

Ежегодный генетический прирост обязательно контролируется и служит необходимой проверкой функционирования программы селекции. Например, у отдельных молочных пород крупного рогатого скота во всем мире оно составляет от 30 до 180 кг молока (ежегодный прирост молочной продуктивности, обеспеченной за счет селекции).

2.4 Разработка математического пространства оценки племенной ценности на основе одиночного селекционного признака

На продуктивность сельскохозяйственных животных влияют генетическая основа и условия производственной среды разведения. Различия в продуктивности, обусловленные генетической основой, можно оценить математически.

В настоящее время основой селекции и разведения сельскохозяйственных животных является прогноз племенной ценности. Под термином «племенная ценность» подразумевается оценка генетической основы индивидуума, а именно отклонения величины признака продуктивности от среднего значения сверстников. Таким образом, племенная ценность всегда является отклонением между особями, семьями, линиями, породами. Племенная ценность — это лишь оценка.

Таким образом, племенная ценность представляет собой относительное число (отклонение), которое применяется только к сверстникам и только к той популяции, в которой она была прогнозирована. Это значение не может быть автоматически использовано для импорта/экспорта в другие популяции животных и другие страны. Нельзя напрямую использовать индексы и прогноз племенной ценности и геномной оценки из международных каталогов. Это абсолютно некорректно ввиду нарушения основ прогноза. Такие преобразования возможны только с помощью поправочных коэффициентов, которые требуют одновременного тестирования породы в разных странах (на примере сотрудничества с компанией ICAR/MACE [10].

Прогноз племенной ценности основан на тестировании и контроле продуктивности животных. Цель состоит в том, чтобы при помощи оценки породной ценности как можно точнее оценить различия в генетической основе индивида.

Тестирование животных и контроль продуктивности организованы таким образом, чтобы сравнивать животных в тех же условиях, где обитают и работают друг с другом сверстники.

Измеренная продуктивность является результатом воздействия многочисленных генетических (метод скрещивания, метод селекции в регионе и на национальном уровне, влияние породы и внутренняя генетическая ценность индивида внутри породы) и экологических факторов (эффектов)- воздействия окружающей среды (влияние года, сезон, условия кормления, разведения, стада, цеха, местоположения цеха и т.д.).

В дополнение к этим систематическим воздействиям на производительность также влияют случайные (рандомизированные), неконтролируемые воздействия окружающей среды, воздействие которых невозможно контролировать или предсказать. Во многих случаях фактическая продуктивность неизвестна, и фермер имеет на руках только запись контроля продуктивности, которая выполняется с заданным интервалом (контрольное взвешивание, контрольное доение и т.п.). Используя данные этого контроля, оценивается продуктивность, которая в свою очередь является источником других неточностей и ошибок.

Генетическая основа индивида проявляется как непосредственно в его продуктивности, так и в ряде других сопутствующих переменных — аддитивном эффекте (воздействия генов на продуктивность, которые складываются) от матери и неаддитивных эффектах, вызванных взаимодействием родительских гамет (гетерозисный эффект, эффект гибридизации). Суммарный эффект родителей далее делится на влияние (эффект) породы (линии) и отклонение индивида внутри этой единицы.

(6)

Точно так же влияние среды проявляется как непосредственно в продуктивности по заданному признаку, так и в ряде сопутствующих переменных. Существенным является влияние заводчиков, которые влияют на интенсивность отбора на национальном уровне, уровень питания отдельных категорий животных, уровень индивидуального ухода, уровень надежности полученных данных учета.

Важным является взаимодействие генотипа с окружающей производственной средой (специфическое проявление данного генотипа в конкретной окружающей среде), которое проявляется как непосредственно в продуктивности, так и в значениях сопутствующих переменных. Это приводит к тому, что некоторые породы и особи подходят для одних условий, в то время как другие породы и особи соответствуют уже другим условиям.

С этой точки зрения оценка племенной ценности — процесс устранения всех искажающих негенетических факторов, оказывающих эффект на измеряемую величину продуктивности из измеренных величин, с последующей соответствующей математической оценкой.

Систематическое влияние окружающей среды воздействует на измеренную продуктивность сильнее, чем племенная ценность. Поэтому небольшая ошибка в оценке систематических влияний окружающей среды, ошибка поправочных коэффициентов этого эффекта может существенно повлиять на точность оценки племенной ценности.

На изменчивость такого признака, как надой молока, на 60% влияет заводчик. Оставшиеся 40% — это естественная фенотипическая (биологическая) изменчивость. При величине показателя наследуемости h²=0,25 это означает, что 3/4 этой части изменчивости вызвана случайной неконтролируемой окружающей средой, а 1/4, то есть 10% исходной изменчивости, является генетической изменчивостью особей. Именно эта генетическая составляющая должна использоваться в селекции.

Генетическую изменчивость в своей работе использует не только селекционер, но и животновод при разведении в товарном стаде. На изменчивость, вызванную влиянием окружающей среды, влияет только фермер, который обеспечивает условия размножения животных [14].

Оценка племенной ценности основана на измеренной продуктивности. Индивидуум сравнивается с ровесником того же возраста, содержащегося в одинаковых условиях (в том же разведении, в том же сезоне, в том же стаде, с тем же питанием и т.п.). Поэтому пойдет речь о племенной ценности (EBV), вычисляемой на основании отличия продуктивности особи от средней продуктивности сверстников (D). Племенную ценность можно упрощенно представить так:

(7)

где EBV (ПЦ) — племенная ценность индивида, D (delta, Δ) — отличие продуктивности от сверстников, b — (регрессионный) коэффициент для перевода отклонения производительности в племенную ценность.

Используя коэффициент регрессии, различие в продуктивности преобразуется в генетическую величину. Регрессионный коэффициент зависит от количества измеренных признаков, количества сверстников и наследования данного признака.

Часто племенную ценность сравнивают с сопоставимым базисом (b, basis), учитывая генетическую прибыль в породе:

(8)

где EBV_b — базовая племенная ценность, k — поправка (отклонение) к основе.

Выраженная таким способом племенная ценность часто встречается в каталогах животных иностранных компаний, где стоимость породы обычно выражает не сравнение со средним значением в текущем году, а с базисом особей старших на несколько лет.

Племенная ценность имеет такое преимущество, что она может быть использована для расчета и планирования полезности будущего потомства. Половину генетического основания получает каждое потомство от отца, а половину — от матери. На основе племенных ценностей родителей, ожидаемая племенная ценность потомства может быть определена:

(9)

где EBV_p — ожидаемая племенная ценность потомства (progene), EBV_F — племенная ценность матери (female, mate), EBV_s — племенная ценность отца, производителя (sire).

Если племенные животные и дозы семени импортируются из-за границы, племенная ценность животных определяются по сравнению со сверстниками в соответствующих странах. Затем их племенная ценность должна быть скорректирована с учетом внутренних условий с использованием коэффициентов пересчета.

Ожидаемая продуктивность потомства (progene productivity, P_p) предполагает схожую среду разведения:

(10)

где P_F-1 — средние показатели текущей продуктивности популяции до отбора.

Цель состоит в том, чтобы максимально увеличить этот сдвиг от P до P_p.

2.5 Разработка способов оценки племенной ценности в случае анализа данных из нескольких источников информации единовременно, в случае анализа данных для групп родственных животных

При современном состоянии отечественной селекции предлагаемые отечественными авторами методы и селекционные индексы не могут рассматриваться как некие стандартные рецепты, пригодные для всех случаев жизни, или для пород.

Упорядочив первичный учет и оценку продуктивности животных, наладив процесс воспроизводства, исходя только из достоверных первичных данных, необходимо применять моделирование для реализации селекционных стратегий [14].

Например, коэффициенты корреляции между родственниками непосредственно отвечают на вопрос, насколько эффективны методы массового отбора. Рассчитывая их по наблюдаемой корреляции целесообразно перейти от простого отбора к более углубленным методам селекционной работы. Рассчитанные коэффициенты регрессии потомка на родителей позволяют непосредственно прогнозировать ответ на массовую селекцию и т.п. Каждый шаг применения методов количественной популяционной генетики выгоден для хозяйств.

Под количественной популяционной генетикой в сельском хозяйстве понимают статистический анализ поведения популяций, описание их состояния при помощи таких параметров, как генотипическая и фенотипическая дисперсии, генетический коэффициент корреляции, коэффициенты наследуемости и повторяемости. Точное определение используемых понятий — это необходимое условие успешности отечественной селекции [15].

Если эффекты окружающей среды (env, environment) и генетический эффект животного (а), то следует написать уравнение модели в явной форме:

, всегда имеет формат написания , в матричной форме (11)

где у_i — измеренная производительность, HYS (env_i), b (EBV_i) — предполагаемые неизвестные воздействия окружающей среды и племенных ценностей (herd-year-season, стадо-год-сезон), J — эффект индивиду, e_i — действие неконтролируемых факторов, — вектор продуктивности, X— матрица плана эксперимента для фиксированных, неизменных (fixed, permanent) эффектов, Z — матрица плана эксперимента для рандомизированных, случайных (random) эффектов, — вектор исследуемых случайных эффектов, — вектор рассчитываемых фиксированных эффектов.

В этом случае уравнение модели означает, что продуктивность — это сумма эффектов среды (env) (действия заводчика), племенной ценности (EBV) и неконтролируемых (случайных, рандомизированных) факторов окружающей среды (е).

На основе приведенного уравнения модели в математической среде программирования составляется система уравнений (по одному для каждого индивида), которая затем решается для вычисления племенной ценности. При расчете племенной ценности этим методом, речь идет о решении этой системы уравнений.

Неизвестные величины в уравнении, которые необходимо вычислить, это величины племенной ценности животных (обозначены как EBV и затем уровни влияния среды размножения, такие как стада, годы, времена года (обозначены как HYS). Это означает, что этим методом вычисляются не только величины племенной ценности животных и различия между стадами, временами года и другими эффектами, включенными в расчет [15].

На практике, модельное уравнение и система уравнений принимают конкретную форму в зависимости от того, какие эффекты учитываются при вычислении племенной ценности. Поскольку менеджмент разведения различается в зависимости от страны, где он применен, от вида сельскохозяйственных животных и пород, расчет процедуры BLUP несколько отличается в каждой стране. Такое различие обусловлено составлением уравнения, которое наилучшим образом отразит конкретные условия в регионе, ферме, тип менеджмента, разведения, климат, методы кормления и содержания, получения продукции (доения, убоя, стрижки) управления и многое другое [15].

На примере вычисления племенной ценности для дойного стада скота предполагается, что на измеренный удой молока для коровы влияет только стадо, в котором оно разводится (условия и способ кормления и содержания, возможно климат, он иногда закладывается в сезон кормления), затем возраст (порядок лактации) и генотип (индивидуальность каждой коровы). Таким образом, вычислительная линейная модель будет включать три эффекта — стадо, порядок лактации и индивида. Оцениваемое качество — удой молока. Для простоты рассмотрим только 5 коров в двух стадах с измеренной продуктивностью в течение первой или второй лактации (таблица 1).

Таблица 1 — Продуктивность дойных стад

В первом стаде три коровы, две на первой и одна на второй лактации. Во втором стаде — две коровы, одна на первой, а другая лактирующая. Из записи происхождения установлено, что корова № 2 и корова № 5 имеют общего отца. В выборке нет никаких других отношений между особями.

Как показывают данные о продуктивности, второе стадо находится на более высоком уровне, чем первое.

Записываем уравнение модели:

(12)

где y — измеренная производительность коровы, которая выражается как сумма эффектов, которые влияют на нее, S — влияние стада, в котором содержится корова, L — влияние порядка лактации, G — влияние генетической основы (племенная ценность) индивида, e — влияние других неконтролируемых факторов.

В случае нормального распределения исследуемых величин продуктивности, возможен расчет стандартного отклонения и ковариационных матриц, т.к. мы ищем экстрем функции.

Цель состоит в том, чтобы оценить племенную ценность (генетическую основу индивида), от которой будет отделено влияние возраста животных и среды производства.

При отборе для племенной работы невозможно следовать данным только измеренной продуктивности, потому что на выбор влияет несколько факторов. Исходя из племенной ценности, мы предпочтем использование в племенной работе коров в следующем порядке (таблица 2).

Таблица 2 — Применение коров в племенной работе

Различия в продуктивности, зависящие от факторов среды содержания, намного больше, чем генетические различия между животными. Кроме того, доказано, что трудно подразделить отдельные факторы, которые влияют на измеренную продуктивность, без решения линейных уравнений. Из практического опыта мы знаем, что на измеряемую продуктивность влияет ряд существенных факторов, и поэтому системы уравнений являются более сложными и включают в себя большее количество эффектов [15].

2.6 Разработка способов оценки животных при помощи формирования селекционного индекса

Селекция сельскохозяйственных животных основывается всегда на комплексе экономически важных признаков. При выборе этих свойств и определении их важности учитываются их экономическая ценность и генетические параметры (реальная величина наследуемости и взаимоотношения между признаками). Эксперименты показали, что отбор по группе признаков наиболее эффективен при выполнении с использованием индексов выбора, где частичные свойства объединяются с использованием весовых коэффициентов в одной итоговой оценке. Поэтому при отборе важным является селекционный индекс, который выражает совокупную стоимость животных в деньгах в виде суммы, так что частичная племенная ценность каждого свойства умножается на экономическую стоимость этого свойства. Приведем пример, как выражается экономический селекционный индекс в виде прибыли для заводчика:

(13)

где для i-той племенной ценности A — коэффициент пересчета размерности в случае несовпадения шкалы измерений, ω — экономическая значимость (рублей на размерность величины) для измеряемого признака, EBV — племенная ценность признака. Представленные здесь принципы действительны как для отдельных селекционных признаков, так и для совокупной селекционной ценности, выраженной селекционным индексом.

2.7 Оценка племенной ценности крупного рогатого скота молочного и мясного направлений при помощи простых моделей BLUP (линейных моделей как математической среды формирования первичных данных)

При селекции скота должны быть приняты во внимание риски. Как показано ранее, настоящая генетическая основа все еще не была обнаружена, и доступна только ее оценка с определенной точностью. Поэтому в первую очередь определяется достоверность прогноза племенной ценности. Расчет достоверности основан на отношении вычисленной ценности к реальной генетической ценности, что равно коэффициенту определения этого отношения r².

Коэффициент r² принимает значения от 0 до 1 (или от 0 до 100%). Цель определения достоверности состоит в том, чтобы сделать оценку максимально точной к реальности. Это означает, что значение коэффициента должно стремиться к 1 (100%). Этот показатель важен и зависит от наследуемости заданного признака, количества сверстников, и количества измеренных признаков продуктивности индивида. Если значение близко к 0, это означает, что селекция будет очень неточной.

В случае быков, отобранных для селекции на основе контроля наследуемости, что является распространенным явлением, обычно требуется, чтобы достоверность прогноза племенной ценности по надою молока была не менее 75%.

Если принять во внимание весь совокупный генотип всех исследованных признаков, то без прогноза племенной ценности может быть достигнута достоверность r²=16%. Например, если речь идет об условии применения информации о всех доступных признаках у молодых быков чешского красно-пестрого скота при отборе на осеменение, в то время как у оцененных быков эта величина достигала r²=78%. Для потомства ожидаемая достоверность оценки племенной ценности определяется следующим образом:

(14)

где r²_S и r²_F оценки достоверности племенных ценностей производителя и матери.

С надежностью оценки племенной ценности производителя 80% и матери от 20 до 40%, можно достигнуть уровня достоверности прогноза племенной ценности потомства от 25 до 30%. Если для матерей нет известной племенной ценности, то при самой точной оценке отца максимально можно прогнозировать ценность потомства с достоверностью не более 25%.

Если при выборе для племенного разведения может заинтересовать только одна или несколько особей, то достоверность вычисления среднего значения для группы из нескольких особей выше, а это снижает риск для заводчика. С увеличением количества особей в группе средняя ошибка в оценке средней племенной ценности в группе значительно уменьшается. Один взрослый бык с большим количеством потомства с рейтингом достоверности r²=80% имеет среднюю ошибку оценки, столь же большую (0,45), что и среднее значение для четырех молодых быков, каждый из которых имеет рейтинг достоверности r²=20%, или как пять быков без оценки вообще. Это означает, что одинаковая точность селекции может быть достигнута как с проверенными, так и с молодыми быками, с использованием группы молодых быков вместо одного старого, проверенного по продуктивности потомства быка.

Для потомства от преднамеренного спаривания можно ожидать достоверности прогноза племенной ценности r²=от 0 до 30%. Этим значениям соответствуют средние ошибки в оценке племенной ценности потомства, которая отличается лишь на 16%.

Фактическая производительность потомства еще больше зависит от окружающей среды. При наследовании h²=0,25 средние ошибки производительности потомства отличаются в вышеупомянутых крайних случаях лишь на 0-4%, которые практически ничтожны.

Отсюда следует, что достоверность оценки племенных ценностей родителей влияет на племенную ценность и точность отбора и, следовательно, на общий племенной эффект. Однако надежность родительского выбора существенно не влияет на среднюю ошибку производительности потомства. Это в основном зависит от количества животных в группе [15].

2.8 Изменчивость продуктивности потомства

Частым требованием заводчиков является баланс стада. Между особями всегда существует изменчивость, которая является суммой генетической и случайной изменчивости, последней обусловленной внешним воздействием производственной среды.

Изменчивость последующего поколения зависит от интенсивности отбора родителей, на который влияет генетическая часть общей изменчивости. Для обновления стада необходимо использовать почти всех племенных телок, и поэтому при работе с ними затруднительно достигнуть значительного давления селекционного отбора. Селекционное давление может быть достигнуто только между производителями. По мере увеличения точности селекции и увеличения давления селекционного отбора будет уменьшаться у потомства генетическая изменчивость.

Из сказанного подразумевается, что точность и интенсивность селекции родителей в практических условиях практически не влияют на баланс продуктивности стада. Тем не менее, точность и интенсивность селекции существенно влияют на племенную экономику благодаря полученным генетическим выгодам и цене, уплаченной за сбор спермы [15].

Отчасти необходимо учитывать, что план закрепления малого количества быков за стадом снижает генетическое разнообразие, увеличивает инбридинг и снижает изменчивость потомства по продуктивности, поэтому необходимо действовать по оптимальному варианту закрепления быков в соотношении 1/10- 1/5 к количеству нетелей. Также необходимо обеспечивать ротацию производителей между стадами с наиболее возможной интенсивностью и охватом стад (на межрегиональном и межнациональном уровнях).

2.9 Взаимосвязь генетической прибыли и племенной ценности

Прогноз племенной ценности в увязке с контролем продуктивности является основой для выбора в племенную работу и, заодно, основой селекции сельскохозяйственных животных. На основе отбора достигается генетическая прибыль. В результате генетической прибыли делаются заключения о том, что разводимые породы (линии, популяции) успешно развиваются и существуют ли генетические различия между отдельными группами и поколениями внутри породы. В случае правильного пути и методологии каждое последующее поколение и каждый последующий год в среднем лучше (и экономически более выгоден для селекционеров), чем предыдущие поколения и годы. Кроме того, развитие породы означает, что отдельные животные с возрастом теряют свою относительную ценность и превосходят более молодых особей. Племенная ценность особи имеет постоянную величину, к которой мы в процессе прогноза приближаемся, оценивая животное [4].

В результате генетической прибыли (Δ_G) популяция породы развивается и ее средний генетический уровень увеличивается.

Таким образом, целью селекционера является производство племенного материала для использования только лучших особей, причем крайне интенсивно, и как можно с более коротким сроком оценки племенной ценности.

Необходимо постоянно уменьшать интервал смены поколений (генерационный интервал), т.е. использовать новые приемы контроля продуктивности, уточнение родства, увеличение надежности и точности оценки, внедрение искусственного осеменения, пересадки технологий, генетических и геномных технологий, но обязательно при решении первоначальных основных задач при формировании национальной информационной системы оценки [15].

2.10 Изменения рейтинга в зависимости от времени

В зависимости от генетической тенденции (тренда), происходит развитие породы, в результате чего молодые выпуски животных в среднем генетически лучше, чем выпуски за предыдущие годы (старшие). Это означает, что установленная племенная ценность должна быть актуализирована в сравнении с младшим выпуском. Во многих случаях новая информация накапливается с течением времени (известны новые производственные показатели и селекционные признаки), в этом случае оценка племенной ценности обновляется. Прогноз племенной ценности — это регулярный процесс (от одного раза за бонитировку в сезон до нескольких раз в год). Таким образом, через некоторое время, с определенным интервалом возникнет необходимость вновь проводить вычисление племенной ценности и совершенствовать методику оценки, включая вновь накопленную информацию [14].

Племенная ценность бывает выражена либо в отношении определенной основы (среднее значение племенной ценности всех животных выбранной генетической группы и выбранного периода), либо в сравнении со средней племенной ценностью всех животных за планируемый конечный период. Когда используется модель индивидуумов, то племенные ценности всех оцениваемых особей обычно сравниваются со средней величиной индивида относительно основной популяции (т.е. в сравнении со средней величиной племенных ценностей тех предков, от которых было развито генеалогическое дерево).

Важно фиксировать дату последнего определения племенной ценности и, с возрастом, корректировать племенную ценность особи на основе генетической выгоды.

2.11 Экономика селекции

Селекция подчиняется экономическим правилам, т.е. это занятие должно быть финансово эффективно. Средства расходуются на отдельные виды деятельности, связанные с селекцией и разведением. Возврат вложенных ресурсов основан на улучшении экономики разведения полезных животных. В зависимости от длины генерационного интервала формируется срок окупаемости вложенных средств с определенной отсрочкой.

Если программа селекции работает одинаково в течение более длительного периода времени, то затраты на разведение ежегодно являются постоянными и не изменяются с течением времени. В начальный период программа отбора будет невыгодна, потому что первые результаты селекции проявятся с опозданием в зависимости от величины интервала смены поколений [14].

Существенными затратами являются вложения на содержание, ветеринарное обслуживание и поддержание селекции. Денежные поступления от разведения более экономически выгодного скота постепенно будут увеличиваться, в зависимости от генетической выгоды. В какой-то момент они приравниваются к затратам на разведение и с этого момента они все больше будут перевешивать затраты.

Доход от более высокой продуктивности и в целом более высокой эффективности размножения будут реализованы у всех заводчиков. Затраты на селекцию несут заводчики. Сотрудничество между животноводами и селекционерами приводит к взаимному урегулированию и разделению финансового эффекта селекции среди участников этих отношений. На уравнении 15 показана экономическая эффективность селекции, которая вытекает из затрат на разведение с денежным доходом от более высокой продуктивности животных в течение определенного отчетного периода, например, периода 25 или 50 лет.

(15)

2.12 Анализ получения данных иммуногенетического анализа

Анализ иммунологических профилей по группам крови служит для определения достоверности происхождения потомка по обоим родителям необходимо проводить в лаборатории, сертифицированной по международному стандарту ISO 17025. Важным является то, что анализ необходимо проводить при наличии биологического образца от обоих родителей и потомка, либо по изъятию недостающих данных из каталога.

Тестирование проводится на образце сыворотки крови, выделенной цитратным методом в присутствии антикоагулянтов. В настоящее время различают 12 систем локусов групп крови, анализ проводится по системе антигенов EAA (2 локуса), EAB- (36 локусов), EAC (8 локусов), EAF (2 локуса), EAJ (1 локус), EAL (1 локус), EAM (1 локус), EAS (6 локусов), EAZ (1 локус).

Иммуногенетическое исследование выполняются согласно правилам его проведения. Результатом которого выводится генотип/аллели, которые наследуются по Менделю и применяются для определения их передачи от родителя к потомкам. Формат хранения данных в виде текстового документа или таблиц Microsoft Office находится в базе данных лаборатории, в отчетной форме передается в МСХ РФ.

2.13 Анализ получения данных микросателлитного анализа и SNP- анализа

Микросателлитный анализ служит, в первую очередь, для определения достоверности происхождения потомка по обоим родителям. Анализ проводится при наличии биологического образца от обоих родителей и потомка, либо по изъятию недостающих данных из каталога.

В качестве биологического материала были использованы образцы (лейкоциты крови, ткань, волосяные луковицы, мазки из носа) 6439 животных, отобранных в ряде предприятий Тюменской (АО «Приозерное», ООО «Бизон», ЗАО «Падунское», АО «ПЗ «Учхоз ГАУ Северного Зауралья», ООО «ЗапСибХлебИсеть», ООО «Герефорд») и Курганской областей (ООО «Суерь»), а также ХМАО-Югра (ООО «Башмаков») [13].

В рамках проведенной работы по государственному заданию МСХ РФ 2018 г. по теме «Исследование и разработка методических подходов по оценке племенной ценности крупного рогатого скота молочного и мясного направлений на основе методов геномной оценки на территории РФ», при обработке данных были использованы образцы ДНК животных следующих пород: голштинской (2091 голова), черно-пестрой породы (513 голов), салерс (5 голов), обрак (1470 голов), аббердин-ангус (175 голов) и герефорд (187 голов).

В 2019 году, в рамках текущего государственного задания МСХ РФ в анализ были включены образцы ДНК животных Тюменской области следующих пород: голштинской (1640 голова), черно-пестрой породы (78 голов), салерс (105 голов), обрак (140 голов) и герефорд (35 голов).

Геномную ДНК выделяли коммерческими наборами или наборами собственного производства. Различают методы кислотной и щелочной экстракции с детергентами, методы кислотно-фенольной экстракции (современный вариант Три-реагент Хомчинского) или перхлоратный метод.

ПЦР проводили на амплификаторе с обогреваемой крышкой без присутствия масла, т.к. его удаление не всегда эффективно и нарушает течение капиллярного электрофореза, образуя пленку при инжекции образцов на конце капилляров (рисунок Б.3, Б.4).

Согласно международному стандарту ISAG анализировали 13 локусов ядерной ДНК TGLA227, BM2113, TGLA53, ETH10, SPS115, TGLA126, ETH3, TGLA122, INRA023, ETH225, BM1824, BM1818, INRA124, которые равномерно распределены по хромосомам животного.

В результате анализа и проведения лазерной детекции капиллярного электрофореза получили меченных флуоресцентно длины амплифицируемых специфичных фрагментов ДНК. Длины аллелей — это уникальный микросателлитный профиль животного, по которому согласно менделевскому наследованию определяется передача аллелей от родителей потомку. Полученные данные электрофореза выгружали с помощью программного обеспечения прибора в текстовом формате или в формате *.xls и хранили в базе данных.

Генетические расстояний использовали для построения матриц родства, полученную при помощи макросов программного обеспечения Genalex. Таким образом в качестве инструмента для определения отцовства позволило проанализировать и предположить происхождение животных по родителям мясных пород (табл. 3).

Таблица 3 — Треугольная матрица идентичности по Нею

Результаты выявленных неточностей по данным первичного учета и родства животных использовали при формировании матриц родства и оценке племенной ценности животных в обязательном порядке находится в базе данных лаборатории, в отчетной форме передается в МСХ РФ.

Анализ SNP проводится для создания и амплификации библиотеки и ее тестирования на генетическом чипе различных классов: низкой (BovineLD Genotyping BeadChip), средней (BovineSNP50 v3 DNA Analysis BeadChip) и высокой плотности (BovineHD DNA Analysis Kit) с количеством SNP до 80000, 53000 и 777000 соответственно.

SNP на генетических чипах делятся на следующие классы:

1. Маркеры определения достоверности родства – основная панель ISAG.
2. Маркеры определения достоверности родства — дополнительная панель ISAG.
3. Маркеры генетических аномалий.
4. Маркеры основных генов продуктивности и QTL.
5. Маркеры для картирования генома.

Анализ проводится согласно международному стандарту компании, по протоколам Infinium HD. Данные используются для ассоциативных исследований с поиском новых зависимостей количественных селекционных признаков с наблюдаемыми фенотипическими проявлениями.

При работе анализируют интенсивность сигнала (должна быть по GS не менее 98%), частота аллелей (norm theta) относительно каноническим позициям на кластере для каждого маркера, данные собираются в кластеры, оценивается потеря гетерозиготности (LOH), а также количество копий варианта (CNV) и другие параметры. Маркеры для картирования генома распределены равномерно с медианой не менее 37,4 тыс. пар нуклеотидов (кроме LD). Все маркеры, кроме генетических аномалий и выраженных QTL, являются нейтральными и обозначают связь с наблюдаемым фенотипическим проявлением признака, для определения механизма образования и генотипической составляющей.

Загрузка данных проводилась в форматах *.bpm, *.csv и *.cluster с веб-страницы illumina, для декодирования файлов клиента для каждого нового чипа файл картирования (*.dmap) Illumina, США с производственного сервера с помощью специального программного обеспечения.

Важно отметить, что окрашенное и стабилизированное стекло сканером Illumina iScan через программное обеспечение «BeadStudio» необходимо анализировать с минимальным качеством 98%. Применение более низкого качества приводит к чрезмерной засветке фона и искажению данных с помощью генотипирования. Преднамеренное изменение фона позволяет прочитать больше генотипов, которые являются мнимыми. Такие данные являются недействительными и не могут быть использованы для генотипирования животных. Стандартный алгоритм считывания с высоким качеством (GS <= 0,15) уже задан в программе и не может изменяться в большую сторону. В поле порог GenCall указывали пороговое значение оценки для данного проекта. Мы считаем необходимым устанавливать значение GenCall максимум 0,15 для отсечения некачественных данных для любых чипов серии Infinium. Если чип не читается достаточно хорошо, это указывает на ошибки в подготовке образца и подготовке чипа к анализу или недостаточную квалификацию персонала.

Полученные данные выгружаются с помощи программного обеспечения прибора в текстовом формате или в формате *.csv и хранятся в базе данных до дальнейшей обработки. Результаты выявленных неточностей по данным первичного учета и родства животных должны использоваться при формировании матриц родства и оценке племенной ценности животных в обязательном порядке, как альтернатива микросателлитному анализу.

ЗАКЛЮЧЕНИЕ

Под количественной популяционной генетикой в сельском хозяйстве понимают статистический анализ поведения популяций, описание их состояния при помощи таких параметров, как генотипическая и фенотипическая дисперсии, генетический коэффициент корреляции, коэффициенты наследуемости и повторяемости. Эти параметры определяются всегда точно в явной форме и на них основаны методы оценки. Точное определение используемых понятий — это необходимое условие успешности отечественной селекции.

Современные методы селекции, представленные в данной работе, могут применяться при разведении животных, где зависимость от импорта технологий и генетического материала крайне велика и также прогрессирует.

Следует проявлять осторожность при организации селекционных программ, поскольку это существенно влияет как на достижение генетической выгоды, так и на племенную экономику и, прежде всего, фермерскую экономику. Текущие программы организованы в основном не полностью во благо животноводам, так как они не делают акцент на максимизации генетической выгоды при минимальных затратах животноводов и часто ориентированы на получение прибыли коммерческих организаций (не только обеспечивающих результатами селекции, но и ветеринарного обслуживания, кормления, обеспечения сельскохозяйственной техникой и т.п.). Оптимальная компания предложит оптимизационные исследования, которые учтут комплекс всех наблюдаемых свойств и всех видов деятельности, связанных с селекцией.

При оценке необходимо учитывать три основных показателя, влияющих на результат селекции: интервал смены поколений, интенсивность отбора и ее надежность. Акцент следует сделать на значимых секторах селекции.

Отдельный заводчик влияет на племенную работу в собственном стаде и промышленно использует доступный генофонд. При покупке (выборе) генетического материала (племенных животных, спермы и т.д.), надлежит учитывать три основных фактора, а именно племенную ценность, надежность оценки и стоимость.

Общий принцип заключается в том, чтобы использовать производителей как можно скорее, с момента их включения в племенную работу (после контроля продуктивности, бонитировки), а также крайне интенсивно и в кратчайшие сроки обменивать на младших. В качестве дополнительного индикатора применять предел возраста быков, допускаемых для осеменения.

Мероприятия, предлагаемые для разведения, должны в принципе быть полностью открытыми и являться предметом обсуждения в присутствии широкого общества селекционеров, генетиков-исследователей, а также и представителей государственной власти, потому что они всегда могут значительно повлиять на всю популяцию скота и экономику каждой породы в стране.

При проведении оценки племенной ценности необходимо тестирование всего поголовья животных по микросателлитным маркерам или SNP для уточнения их родства и устранения ложной информации о родстве из данных для формирования истинных матриц родства, которые являются основой геномного прогноза.

В продолжении предыдущей работы (2018 г.) по теме: «Исследование и разработка методических подходов по оценке племенной ценности крупного рогатого скота молочного и мясного направлений на основе методов геномной оценки на территории РФ», а также научно-исследовательской работы в 2020 году по теме: «Разработка системы адаптации данных первичного учета, генотипирования и продуктивности животных для формирования единой информационной системы оценки племенной ценности крупного рогатого скота молочного направления с перспективой использования в геномной оценке» важны уточнение и оценка надежности, а также получение новых достоверных данных о продуктивности животных и другим селекционным признакам здоровья и воспроизводства, экстерьера, мясной продуктивности и т. п. для осуществления точной оценки животных на региональном уровне Тюменской области для формирования базы исходных данных и результатов оценки, чтоб оценить генетическую прибыль тестируемых пород.

ВЫВОДЫ

На основании полученных результатов были сделаны следующие выводы:

1. Разработана концепция и математическое пространство оценки племенной ценности животных в современном и конкурентном селекционном пространстве на основе одиночного селекционного признака.
2. Разработаны способы и приемы оценки племенной ценности в случае анализа данных из нескольких источников информации для групп родственных животных.
3. Разработаны способы оценки животных при помощи формирования селекционного индекса.
4. Разработан алгоритм расчета племенной ценности крупного рогатого скота при помощи простых моделей BLUP.

СПИСОК ЛИТЕРАТУРЫ

1. Kattan E., Kuroiwa A., López R. International cooperation. Where are we, and where are we heading to? Rev Med Chil. 2017. 145 (6). Р. 783 — 789.
2. Baruselli P.S., Ferreira R.M., Sá Filho M.F., Bó G.A. Review: Using artificial insemination v. natural service in beef herds. Animal. 2018. Р. 45 — 52.
3. Stahl W., Rasch D., Siler R., Vahal J. Populationsgenetic fur tierzuchter. Berlin-Prag. 1969. P. 1 — 439.
4. Guarini A.R, Lourenco D.A.L., Brito L.F., Sargolzaei M., Baes C.F., Miglior F., Misztal I., Schenkel F.S. Comparison of genomic predictions for lowly heritable traits using multi-step and single-step genomic best linear unbiased predictor in Holstein cattle. J Dairy Science. 2018. 101(9). P. 8076 — 8086.
5. Fisher R.A. The correlation between relatives on supposition of Mendelian inheritance. Trans Royal Socim Edinburgh. 2018. V.52. P. 399-433.
6. Clement M.J, Hines J.E., Nichols J.D., Pardieck K.L., Ziolkowski D.J Jr. Estimating indices of range shifts in birds using dynamic models when detection is imperfect. Glob Chang Biology. 2016. P. 3273 — 3285.
7. Мельникова Е.Е., Янчуков И.Н., Ермилов А.Н., Зиновьева Н.А., Осадчая Ольга Юрьевна, Харитонов С.Н. Селекционный индекс племенной ценности коров популяции черно-пестрого скота Московской области. Известия ТСХА. №1. 2017.
8. Трухачев В.Н., Злыднев В.Н., Селионова М., Ставропольский государственный аграрный университет. Племработа Чувашии. 2020. (http://plemrabota.ru/node/29614).
9. Рокицкий П. Ф. Биологическая статистика. Изд. 3-е, испр. Минск. Вышэйш. Школа. 1973. 320 с.
10. Benvenisti E., Hirsch M. The Impact of International Law on International Cooperation: Theoretical Perspectives Cambridge University Press. 2004.
11. Тюренкова Е.Н. Еще раз о проблемах племенного учета. Farm Animals. 2014. №3 (7). С. 30 -31.
12. Primorac D., Schanfield M. Forensic DNA Applications: An Interdisciplinary Perspectiv Primorac D., Schanfield M. CRC Press. 2014. P. 1-647.
13. Отчет Государственного задания Министерства сельского хозяйства Российской Федерации: №082-03-2018-130 «Исследование и разработка методических подходов по оценке племенной ценности крупного рогатого скота молочного и мясного направлений на основе методов геномной оценки на территории РФ». 2018. 92 с.
14. Калашников А.Е., Калашникова Л.А., Ялуга В.Л., Прожерин В.П. Постгеномная селекция крупного рогатого скота как необходимый этап развития успешной экономической модели в России // Калашников А.Е., Калашникова Л.А., Ялуга В.Л., Прожерин В.П. Главный зоотехник. 2019. №5. С. 3 – 10.
15. Калашников А.Е., Гостева Е.Р. Язык программирования R как инструмент для расчета племенной ценности животных // Калашников А.Е., Гостева Е.Р. Проблемы биологии продуктивных животных. 2019. №3. С. 106 -113.

Приложения