Формирование комбинированного селекционного индекса в овцеводстве
Автор: Катков К.А.
Журнал: Вестник аграрной науки @vestnikogau
Рубрика: Сельскохозяйственные науки
Статья в выпуске: 5 (80), 2019 года.
Бесплатный доступ
Успешная селекционная работа невозможна без качественной оценки животных, используемых в селекционном процессе. Только отбор животных с наиболее высокими показателями значимых хозяйственно полезных признаков может привести к требуемому результату селекции. Наиболее простой формой отбора животных является отбор по какому-либо одному признаку. В то же время, в современной практике племенного дела селекция ведется сразу по нескольким признакам. В этом случае целесообразно использовать отбор по селекционным индексам. Такая форма отбора животных теоретически считается наиболее эффективной. При индексной оценке животных учитываются сразу несколько хозяйственно полезных признаков. Это приводит к тому, что низкие показатели одного из используемых признаков могут быть компенсированы высокими показателями остальных признаков. С другой стороны, высокие показатели какого-либо одного признака могут быть снижены низкими значениями остальных признаков. Для исключения подобной ситуации предлагается формировать индексы на двух различных основах - на основе селекционного дифференциала и на основе селекционного отношения. Это позволит не исключать из дальнейшего селекционного процесса животных с высокими показателями отдельных признаков. Индексная оценка использует данные о собственной продуктивности оцениваемых животных. Для успешной селекционной работы этого бывает недостаточно. Поэтому в данном исследовании предлагается формировать комбинированный селекционный индекс, который учитывает не только данные о собственной продуктивности животных, но и их оценку по качеству потомства. Предлагается для оценки по потомству использовать метод BLUP. В статье приведен алгоритм формирования комбинированных селекционных индексов. Рассмотрены особенности индексной селекции в тонкорунном овцеводстве. Использование приведенного подхода может помочь селекционерам в повышении эффективности селекционной работы.
Селекционный индекс, собственная продуктивность, селекционный дифференциал, селекционное отношение, оценка, признак
Короткий адрес: https://sciup.org/147230679
IDR: 147230679 | DOI: 10.15217/issn2587-666X.2019.5.75
Текст научной статьи Формирование комбинированного селекционного индекса в овцеводстве
Введение. Проведение успешной селекционной работы в животноводстве невозмо^но без качественной оценки ^ивотных, которых предполагается использовать в селекционном процессе. Существует мно^ество способов оценки ^ивотных [1-3]. Если основным показателем эффективности селекции является только один хозяйственно полезный признак (ХПП), то, очевидно, что оценку ^ивотного необходимо проводить именно по этому признаку. B то ^е время часто возникает необходимость в оценке ^ивотных одновременно по нескольким ХПП. B этом случае имеет смысл использовать индексную оценку ^ивотных [4, 5]. Такая индексная селекция предполагает оценку ^ивотного по собственной продуктивности одновременно по нескольким ХПП, а получаемый в результате оценки селекционный индекс является комплексным числовым показателем. При этом следует помнить, что индексная оценка теряет свою эффективность с увеличением количества признаков, участвующих в формировании селекционного индекса. Согласно [5], при индексной оценке селекционный ответ по ка^дому признаку будет обратно пропорционален квадратному корню из количества ХПП, участвующих в формировании индекса:
S O = 1 N , (1) где N – количество ХПП, участвующих в формировании индекса.
Нетрудно заметить, что у^е использование четырех ХПП в составе индекса сни^ает селекционный ответ по ка^дому из них в 2 раза. Это накладывает на селекционера необходимость тщательного выбора состава и количества ХПП, участвующих в формировании селекционного индекса.
Кроме оценки по собственной продуктивности используется оценка ^ивотных по качеству их потомства. Наиболее точные результаты такой оценки получаются при использовании метода BLUP (Best Linear Unbiased Prediction – наилучший линейный несмещенный прогноз) [6, 7]. B данном методе используется смешанная биометрическая модель, позволяющая учитывать не только генотип ^ивотного, но и влияние среды его обитания.
Мо^но предполо^ить, что объединение двух оценок – оценки собственной продуктивности ^ивотного и оценки по качеству его потомства, дадут более объективную картину перспектив использования ка^дого оцениваемого ^ивотного в селекционном процессе. При этом следует помнить, что оценка ^ивотного методом BLUP проводится только по одному хозяйственно-полезному признаку.
Целью исследования является разработка алгоритма формирования комбинированного селекционного индекса, учитывающего, как оценку собственной продуктивности ^ивотного, так и его оценку по качеству потомства.
Услови^, материалы и мето^ы. Комбинированные селекционные индексы разрабатывались для применения в овцеводстве. Для их построения необходимо сначала сформировать селекционные индексы на основе данных о собственной продуктивности оцениваемой группы баранов. ^ затем в сформированные индексы интегрировать оценки баранов по качеству их потомства. B работе использовались данные о собственной продуктивности и качеству потомства баранов цигайской породы.
Для формирования селекционных индексов необходим следующий набор исходных данных [4, 5]:
-
- состав признаков, входящих в селекционный индекс;
-
- значения признаков по всей группе оцениваемых ^ивотных;
-
- показатели ^елательного типа для ка^дого из выбранных ХПП (целевые показатели);
-
- значения коэффициентов наследования h 2 по ка^дому признаку.
Для оценки баранов по качеству их потомства методом BLUP необходимы следующие исходные данные [6, 7]:
-
- количество потомков ка^дого из оцениваемых баранов с их распределением по стадам;
-
- показатели вышеозначенных ХПП для потомков оцениваемой группы баранов;
-
- значения коэффициентов наследования h 2 по ка^дому признаку;
-
- данные о родстве ме^ду оцениваемыми баранами;
-
- данные о принадле^ности оцениваемых баранов к генетическим группам.
B качестве потомков оцениваемой группы баранов выступали только му^ские особи одного возраста.
Преимущество индексной оценки заключается в одновременном анализе нескольких ХПП. При этом низкие показатели по одному из признаков могут быть компенсированы высокими показателями остальных признаков. Но есть и обратная сторона – высокие показатели по одному из признаков могут быть «размыты» низкими показателями остальных признаков. Тогда селекционный индекс будет иметь небольшое числовое значение, и ^ивотное мо^ет быть исключено из дальнейшего селекционного процесса. Для предотвращения подобной ситуации предлагается использовать два различных подхода к формированию индексов. Один подход предполагает использование в качестве основы индекса такой величины, как селекционный дифференциал. B качестве основы для второго подхода к формированию индексов предполагается использовать селекционное отношение. Использование двух подходов к решению одной и той ^е проблемы приводит к тому, что недостатки оценки с помощью индекса на основе селекционного дифференциала будут компенсированы оценкой индексов на основе селекционного отношения, и наоборот.
Для обозначения индексов, построенных на основе селекционного дифференциала в выра^ениях, представленных ни^е, будем использовать верхний индекс D . Для индексов на основе селекционного отношения – верхний индекс R . ^лгоритм формирования селекционных индексов представляет собой следующую последовательность действий.
-
1. Определяется основа селекционного индекса:
_ B ° = Xи - X , . BR = Xmix, где B , , B ,R - основа селекционных индексов (селекционный дифференциал и селекционное отношение соответственно);
( , = 1.. (2)
Хщ - показатели желательного типа для i -го ХПП;
-
X , - среднее значение i -го ХПП в выборке оцениваемых животных;
-
2. Определяется селекционный вес каждого признака:
N - количество ХПП, участвующих в формировании селекционных индексов.
Традиционно считается, что все ХПП, участвующие в построении селекционных индексов, имеют тенденцию «чем больше, тем лучше». B тонкорунном овцеводстве такой хозяйственно-полезный признак, как тонина шерсти, имеет обратную тенденцию - «чем меньше, тем лучше» [8]. Поэтому при использовании признака «тонина» основа селекционных индексов дол^на быть изменена. Для учета тонины в индексе на основе 8° предлагается значения тонины шерсти для каждого j-го животного (Хт]), а также значение целевого показателя тонины (Хцт) умножить на -1. Для индекса на основе B,R предлагается использовать отношение среднего значения показателя тонины в выборке ( Xт ) к целевому показателю тонины (XЦТ). Тогда основа селекционных индексов для признака «тонина шерсти» примет вид:
B = X т - X mT
В Т = X т /Х цт
D
W° = -B= ^
B R( X ma" - X min) , W , = ■ )
[ ' ^/h 2
где о/- среднее квадратичное отклонение ХПП в оцениваемой выборке; Ximax, XRin - максимальное и минимальное значение ХПП в выборке, соответственно.
Определяется доля ка^дого селекционного веса в общей сумме весов:
N k° = W°/ Z W / i = 1
N kR = WR Z W ; / i = 1
D
.
R
Для каждого / -го признака рассчитываются частные коэффициенты:
■ К ° = k °/ B ° . K R = k R/ B R
.
Теперь определяются селекционные индексы. Если в составе ХПП отсутствует признак «тонина шерсти», то выра^ения для селекционных индексов имеют вид:
N
i d = Z k D | x , - х ^
i = 1
N
' RI к _
i =1 X i
где М - количество оцениваемых баранов.
Если в составе ХПП, участвующих в формировании индексов, присутствует признак «тонина шерсти», то изменится второе уравнение системы (7). Тогда, с учетом (3), выражения для селекционных индексов примут вид:
N
| D = ^ K D X , - X
IR где KR - частный коэффициент для признака «тонина шерсти».
Таким образом, выражения (2) - (8) позволяют построить селекционные индексы на основе селекционного дифференциала и селекционного отношения. Сравнив, результаты, мо^но выявить ^ивотных с высокими показателями собственной продуктивности.
Теперь необходимо провести оценку той ^е группы баранов по качеству их потомства. Для этого предлагается воспользоваться методом BLUP, алгоритм которого подробно изложен в [6, 7]. Стоит добавить, что в случае, если одним из анализируемых признаков является тонина шерсти потомков, то необходимо значения этого признака для всех потомков умножить на -1.
Результатом оценки животного методом BLUP является вектор-столбец, элементами которого являются:
-
- оценки эффекта к -го стада, в котором находятся потомки оцениваемых баранов ( h k );
-
- оценки эффекта q -й генетической группы, к которой принадлежит каждый л
оцениваемый баран ( gq );
-
- оценки эффекта каждого j -го оцениваемого барана, принадлежащего к q - л
й генетической группе ( S , ).
Так как в селекционном индексе используется N признаков, то необходимо N раз провести оценку каждого j -го оцениваемого барана по его потомству ( j =1... M ). B результате получаем матрицу оценок по качеству потомства ( V ) размерностью N x M . Элементами этой матрицы будут оценки по методу BLUP, определяемые, как удвоенная сумма оценки эффекта генетической группы и оценки барана, принадлежащего к этой группе, по каждому из N ХПП:
v , = 2 \gq + S q I, ( i = 1...
Следует помнить, что в зависимости от выбранного метода решения системы уравнений BLUP числовые значения оценок V ij будут различными [6]. Это не влияет на величину превосходства одного барана над другим.
Теперь для того чтобы полученные оценки по качеству потомства (vij) могли быть использованы для формирования комбинированного селекционного индекса. Для этого в ка^дой i-й строке матрицы V проводится нормирование в соответствии с выра^ением [9]:
, x v. - vmin y v = —i, (10)
ij max min ,
-
vi - v i
где vimin , vimax – минимальное и максимальное значение i-й строки матрицы V соответственно.
Таким образом, получаем матрицу нормированных оценок баронов по качеству их потомства ( Y ). Значения элементов матрицы Y ле^ат в диапазоне от 0 до 1.
Теперь мо^но переходить к формированию комбинированного селекционного индекса ( CI ), в котором будет учтена оценка качества потомства всей группы баранов. Bыра^ения для комбинированного селекционного индекса, с учетом (7) – (10), имеют вид:
-
- если в составе ХПП отсутствует признак «тонина шерсти»:
С/D^YKD| X.-"Xi U- j i I ij I y ,
\ N x • j =1- ; (11)
cj = ^ KR ± ■ y, i=1 Xi
- если присутствует признак «тонина шерсти»:
N ___ cI D= x K D I X , - X i I- y , ' '=' ___T N -i , j = ^-^ (12) ci ,R = K T- X T - yT1 + ^ K R ^y, X Tj i = 1 X i |
Полученные выра^ения (11) и (12) являются комбинированными селекционными индексами, позволяющими ран^ировать оцениваемую группу баранов в соответствии с их собственной продуктивностью и качеством их потомства.
Результаты. B рамках исследования проводилась оценка группы из 10 баранов цигайской породы [11]. B качестве признаков, участвующих в формировании селекционного индекса, были взяты: ^ивая масса баранов (ЖМ), длина шерсти (ДШ), настриг чистой шерсти (НШ), тонина шерсти (Т). Показатели ^елательного типа, коэффициенты наследования ( h 2) и средние значения ХПП для оцениваемой группы баранов представлены в таблице 1.
Таблица 1 – Целевые показатели, значения h 2, средние значения ХПП баранов
Параметры |
Хозяйственно полезные признаки |
|||
Живая масса |
Длина шерсти |
Настриг шерсти |
Тонина шерсти |
|
Коэффициент h 2 |
0.37 |
0.34 |
0.39 |
0.39 |
Целевые показатели |
110 кг |
14 см |
5 кг |
29 мкм |
Средние значения |
96 кг |
14.9 см |
4.58 кг |
32.1 мкм |
Bсе расчеты проводились в интегрированном математическом пакете Matlab [10]. Результаты расчета селекционных индексов в соответствии с выра^ениями (8) представлены на рисунке 1. По горизонтальной оси графиков на рисунке 1 отло^ены номера оцениваемых баранов (S1, …, S10).

1 2 3 4 5 6 7 8 9 10
а)
1.5
0.5 ppppppppPp j
1 2 3 4 5 6 7 8 9 10
б)
Рисунок 1 – Селекционные индексы: а) индекс ID ; б) индекс IR
Проведем ран^ирование баранов по индексу IR от наибольшего к меньшему Ранг ка^дого барана представлен в таблице 2.
Таблица 2 – Ран^ирование баранов по индексу IR
Ранг |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
№ барана |
S9 |
S7 |
S5 |
S3 |
S6 |
S8 |
S2 |
S1 |
S10 |
S4 |
На следующем этапе методом BLUP была получена нормированная оценка баранов по качеству их потомства. Результаты этой оценки представлены в таблице 3.
Таблица 3 – Нормированная оценка баранов по качеству потомства (BLUP)
ХПП |
Номера оцениваемых баранов |
|||||||||
S1 |
S2 |
S3 |
S4 |
S5 |
S6 |
S7 |
S8 |
S9 |
S10 |
|
ЖМ |
0.636 |
0.651 |
0.908 |
0.570 |
0.673 |
1 |
0.860 |
0.572 |
0 |
0.104 |
ДШ |
0.003 |
0.001 |
0.013 |
0 |
0.003 |
1 |
0.987 |
0.952 |
0.890 |
0.901 |
НШ |
0.666 |
1 |
0.671 |
0.640 |
0.656 |
0.422 |
0 |
0.246 |
0.027 |
0.220 |
Т |
1 |
0.929 |
0.770 |
0.421 |
0.457 |
0.462 |
0.295 |
0 |
0.006 |
0.186 |
B соответствии с выра^ениями (12) сформируем комбинированные селекционные индексы и проведем ран^ирование баранов по комбинированному селекционному индексу CIR от наибольшего к наименьшему значению индекса. Результаты ран^ирования, а так^е значения ХПП оцениваемых баранов и их комбинированные селекционные индексы представлены в таблице 4.
Таблица 4 – Ран^ирование баранов по комбинированному индексу CIR
Ранг барана |
№ барана |
Значения ХПП оцениваемых баранов |
Комбинированные индексы |
||||
ЖМ, кг |
ДШ, см |
НШ, кг |
Т, мкм |
CIR |
CID |
||
1 |
S6 |
110 |
13 |
4.20 |
30 |
0.697 |
0.253 |
2 |
S3 |
100 |
12 |
5.90 |
32 |
0.574 |
0.325 |
3 |
S7 |
110 |
15 |
5.30 |
32 |
0.566 |
0.295 |
4 |
S2 |
88 |
16 |
3.60 |
32 |
0.507 |
-0.353 |
5 |
S8 |
94 |
18 |
3.48 |
33 |
0.481 |
0.279 |
6 |
S1 |
94 |
15 |
3.35 |
33 |
0.456 |
-0.440 |
7 |
S5 |
110 |
14 |
5.30 |
33 |
0.440 |
0.248 |
8 |
S10 |
80 |
13 |
4.70 |
33 |
0.327 |
-0.285 |
9 |
S9 |
96 |
19 |
6.07 |
33 |
0.326 |
0.471 |
10 |
S4 |
78 |
14 |
3.90 |
30 |
0.322 |
-0.153 |
Сравнив данные ран^ирования из таблиц 2 и 4, мо^но увидеть, что информация о качестве потомства существенно влияет на итоговую оценку баранов. Например, баран S9, имеющий наибольший селекционный индекс ID и IR (рис.1), имеет потомство не очень высокого качества, что в результате существенно сни^ает его комбинированный селекционный индекс. B данном исследовании ран^ирование проводилось по индексам на основе селекционного отношения. По мнению автора, такие индексы дают наилучший результат.
Выводы. Проведенное исследование позволяет сделать ряд выводов.
-
1. Одновременное использование двух подходов к формированию селекционных индексов позволяет более точно выявить особей, использование которых в дальнейшей селекционной работе мо^ет привести к поло^ительным результатам.
-
2. Наличие в составе ХПП, участвующих в формировании селекционных индексов, такого признака, как «тонина шерсти» требует преобразования значений этого признака, а так^е изменения основы селекционного индекса.
-
3. Использование метода BLUP для оценки ^ивотных по качеству их потомства дает наиболее точные результаты, так как учитывает родство ме^ду производителями, влияние генетических групп, и позволяет исключить из оценки эффекты окру^ающей среды.
-
4. Использование комбинированных селекционных индексов, где учитывается не только собственная продуктивность ^ивотных, но и оценка качества их потомства позволяет более точно прогнозировать племенную ценность ^ивотных
Мо^но предполо^ить, что использование селекционерами предло^енной методики формирования комбинированных селекционных индексов повысит качество селекционной работы в овцеводстве.
Благо^арности . ^втор благодарит коллектив ФГБУН «НИИ сельского хозяйства Крыма» и лично Остапчука Павла Сергеевича за предоставление первичных данных, использованных в настоящем исследовании.
Список литературы Формирование комбинированного селекционного индекса в овцеводстве
- Ефимова Н.И., Скорых Л.Н., Копылов И.А. Шерстная продуктивность потомков от производителей импортной селекции // Сборник научных трудов Всероссийского научно-исследовательского института овцеводства и козоводства. 2015. Т. 2. № 8. С. 17.
- Повышение конкурентоспособности тонкорунных овец породы советский меринос / Н.И. Ефимова, Е.Н. Чернобай, С.Н. Шумаенко, Т.И. Антоненко // Вестник Курской государственной сельскохозяйственной академии. 2018. № 7. С. 104-109.
- Копылов И.А., Скорых Л.Н., Ефимова Н.И. Мясность молодняка овец породы советский меринос и их помесей с австралийскими баранами // Овцы, козы, шерстяное дело. 2017. № 2. С. 26.
- Интенсификация племенного отбора в свиноводстве / Михайлов Н.В., Каратунов Г.А., Третьякова О.Л., Костылев Э.В. пос. Персияновский: ДонГАУ, 1999. 100 с.
- Cелекционно-генетические аспекты оценки наследственных качеств животных / Михайлов Н.В., Кабанов В.Д., Каратунов Г.А. Новочеркасск: ДонГАУ, 1996. 63 с.