Методика оценки эффективности метода индексной селекции в овцеводстве

Автор: Катков К.А.

Журнал: Вестник аграрной науки @vestnikogau

Рубрика: Сельскохозяйственные науки

Статья в выпуске: 5 (86), 2020 года.

Бесплатный доступ

Оценка животных одновременно по нескольким хозяйственно полезным признакам позволяет получить комплексный числовой показатель, на основании которого возможно ранжирование животных. Такой подход позволяет выявить лучших животных и определить стратегию селекционной работы. Успешным результатом селекционной работы является получение потомства с высокими значениями выбираемых хозяйственно полезных признаков. В связи с этим возникает вопрос об эффективности выбора животных на основе селекционных индексов для селекционной работы. Таким образом, представленное исследование является актуальным и поможет оценить эффективность использования метода индексной селекции. В исследовании применяются методы теории множеств. Вся выборка оцениваемых баранов разделяется на два множества. К первому множеству относятся бараны с высокими значениями селекционных индексов, а ко второму - бараны, чьи значения хозяйственно полезных признаков меньше средних значений. Затем анализируются потомки оцениваемых баранов. В ходе такого анализа выясняется, имеют ли бараны с высоким значением селекционных индексов такое же высокопродуктивное потомство или нет. В статье обращено внимание на то, что для объективной оценки эффективности метода индексной селекции подобные расчеты необходимо провести на большом числе выборок. Необходимо использовать данные за несколько лет. Лучший результат можно получить если анализировать одну и ту же группу животных на протяжении нескольких лет. Такой подход может быть реализован в хозяйствах, где собраны корректные базы данных бонитировки животных, объединяющие данные за несколько лет. Для проведения расчетов селекционных индексов и выполнения операций над множествами использовался интегрированный математических пакет Matlab. Статья иллюстрирована числовыми данными, представленными в виде таблиц и диаграмм. Выводы, полученные в ходе выполнения работы, могут помочь исследователям и селекционерам в повышении эффективности селекционной работы с использованием информационных и компьютерных технологий.

Еще

Множество, пересечение, объединение, эффективность, селекционный индекс

Короткий адрес: https://sciup.org/147228888

IDR: 147228888   |   DOI: 10.17238/issn2587-666X.2020.5.82

Текст научной статьи Методика оценки эффективности метода индексной селекции в овцеводстве

Вве^ение. Эффективность селекционной работы напрямую зависит от качества ^ивотных, используемых в селекционном процессе [1, 2]. При этом ^ивотные отбираются по значениям нескольких хозяйственно полезных признаков (ХПП). Ранее, в работах [3-5], было показано, что одним из путей оценивания ^ивотных по нескольким ХПП является метод индексной селекции. Данный метод позволяет оценить и ран^ировать ^ивотных, исходя из показателей их собственной продуктивности. В то ^е время остается открытым вопрос: какова эффективность подобной оценки ^ивотных в плане получения от них потомства с высокими значениями ХПП.

Другими словами, необходимо выяснить будут ли бараны с высокими значениями селекционных индексов являться отцами потомков с высокими значениями ХПП. Так как селекционный индекс является комплексным числовым показателем, то и оценку потомства необходимо проводить так^е по нескольким ХПП.

Целью иссле^овани^ являлось определение критерия оценки эффективности использования селекционных индексов в селекционном процессе, а так^е разработка методики такой оценки.

Услови^, материалы и мето^ы. Очевидно, что для получения объективной картины эффективности использования того или иного метода селекции необходимы многолетние наблюдения. В идеале эти наблюдения ^елательно проводить для одной и той ^е группы ^ивотных. К со^алению, такая возмо^ность не всегда доступна.

Для определения эффективности того или иного процесса необходимо определить критерии эффективности и их числовые показатели [6]. Для этого формализуем стоящую перед нами задачу и введем ряд обозначений.

Имеется мно^ество баранов-производителей, которые оцениваются с помощью метода индексной селекции по нескольким хозяйственно полезным признакам. Данное мно^ество обозначим буквой А . Так^е дано мно^ество потомков указанных баранов-производителей. Это мно^ество обозначим буквой С . Метод индексной селекции разбивает мно^ество А на два подмно^ества: А 1 и А 2 . Элементами мно^ества А 1 будут бараны-производители со значениями ХПП, превышающими средние показатели в оцениваемой выборке (мно^естве А ). Соответственно, элементами мно^ества А 2 будут бараны, чьи значения ХПП ни^е средних показателей по выборке. Для удобства и краткости назовем элементы мно^ества А 1 «хорошие бараны», элементы мно^ества А 2 – «плохие бараны».

При этом мно^ества А 1 и А 2 не пересекаются:

А H A    .                        (1)

Множество потомков C также разбивается на два подмножества: С i и С 2 . К множеству С i принадлежат потомки , чьи показатели ХПП выше средних значений по множеству С , а элементами множества С 2 являются потомки, чьи значения ХПП ниже средних по выборке (множеству С ). Для оценки потомков также целесообразно использовать метод индексной селекции. Так^е мо^но использовать любой другой метод, позволяющий получить комплексный числовой показатель по нескольким выбранным ХПП. Элементы множества С i назовем «хорошие потомки», элементы множества С 2 - «плохие потомки». При этом множества С i и С 2 не пересекаются:

С П С ,      .                           (2)

Все потомки имеют отцов, принадле^ащих к мно^еству А . Очевидно, что отцами потомков из множества С будут являться бараны, как из подмножества А 1 , так и из подмножества А 2 . Таким образом, можно утверждать, что отношение между множествами А и С является сюръекцией (рис. 1).

С

Рисунок 1 - Отношение между множеством баранов-производителей ( А ) и множеством потомков ( С )

Поставив в соответствие каждому потомку из множества С его отца из множества А , найдем еще два множества: B i и B 2 . Множество отцов «хороших потомков» обозначим как B i и назовем «хорошие отцы». Отцы «плохих потомков» составят множество В 2 . Их назовем «плохие отцы». Очевидно, что один и тот же баран-производитель может иметь как «плохих», так и «хороших» потомков. Следовательно, будет иметь место пересечение множеств В i и В 2 . Это пересечение обозначим буквой D :

D = Вл П В 2 . (3)

Элементами множества D являются бараны-производители, имеющие, как «хороших», так и «плохих» потомков. Наглядно изобразить это в виде диаграммы Венна (рис. 2).

Рисунок 2 – Пересечение и разность мно^еств В 1 и В 2

Для удобства запишем введенные обозначения в таблицу 1.

Таблица 1 – Используемые обозначения

Мно^ество

Содер^ание

А

Вся выборка оцениваемых баранов-производителей

С

Вся выборка потомков

А 1

«Хорошие бараны»

А 2

«Плохие бараны»

С 1

«Хорошие потомки»

С 2

«Плохие потомки»

В 1

«Хорошие отцы»

В 2

«Плохие отцы»

Представленное на рис. 2 мно^ество М является разностью мно^еств В 1 и В 2 :

M = B 1 \ B 2 .                           (4)

Элементами мно^ества М являются бараны, имеющие только «хороших» потомков.

В противополо^ность этому, элементами мно^ества Q являются бараны, у которых имеются только «плохие потомки:

Q = B 2 \ B 1 .                          (5)

Дополним диаграмму на рис. 1 мно^ествами А 1 и А 2 . В результате получим картину, представленную на рис. 3.

Введенные понятия и рис. 3 позволяют определить критерии эффективности применения метода индексной селекции. Для этого предлагается найти пересечение мно^еств А 1 и В 1 :

E = A 1 B 1 = L и K .                     (6)

Полученное мно^ество Е на рис. 3 обозначено заштрихованной областью. Элементами этого мно^ества будут являться «хорошие бараны», имеющие «хороших потомков». Теперь ну^но найти долю мно^ества Е в мно^естве А 1 . Эта доля будет являться первым критерием ( критерий № 1 ) эффективности метода индексной селекции. Он показывает, какая часть баранов, оцененных с помощью индексов, как «хорошие бараны», имеет «хороших потомков».

M

K

Q

А 2

А 1

B 2

L

B 1

Рисунок 3 – Диаграмма Венна, иллюстрирующая определенные ранее мно^ества

Из выра^ения (6) видно, что мно^ество Е является объединением мно^еств L и K. Элементами мно^ества L являются «хорошие бараны», имеющие только «хороших потомков»:

L = A A Л ( 1 2 , . (7)

Таким образом, в качестве второго критерия ( критерий № 2 ) эффективности предлагается принять долю мно^ества L в мно^естве А 1 . Этот критерий показывает, какая часть баранов, оцененных с помощью индексов, как «хорошие бараны», имеет только «хороших потомков».

Мно^ество К определяется, как пересечение мно^еств А 1 и D :

к = A A n n 2 . (8)

Элементами мно^ества К являются только такие «хорошие бараны», у которых кроме «хороших потомков» имеются так^е и «плохие потомки».

Доля мно^ества К в мно^естве А 1 является третьим критерием ( критерий № 3 ) оценки эффективности метода индексной селекции. Он показывает, какая часть баранов, оцененных с помощью индексов, как «хорошие бараны», имеет и «хороших потомков», и «плохих» потомков».

мо^но иметь будет

Относительно числовых показателей критериев эффективности высказать следующее замечание. Метод индексной селекции будет максимальную эффективность в том случае, когда мно^ество Е эквивалентно мно^еству L и мно^еству А 1 , а мно^ество К будет пустым:

E ^ L ^ A 1 \k ^0 "

К со^алению, ситуация (9) возмо^на не всегда, а, следовательно, наиболее приемлемой для поло^ительной оценки эффективности метода индексной селекции является картина, когда критерии № 1 и № 2 стремятся к своему максимуму, а критерий № 3 – к минимуму. Конкретные числовые показатели могут устанавливаться селекционером по своему усмотрению, в зависимости от конкретных условий исследования.

Результаты и обсуждение. В качестве примера оценки эффективности метода индексной селекции возьмем выборку, представленную в таблице 2. В данной таблице представлены исходные данные значений ХПП: ^ивой массы (ЖМ), длины шерсти (ДШ) и настрига чистой шерсти (НЧШ). Данные представлены для 13 баранов-производителей с номерами S 1- S 13, у которых имеется 41 потомок му^ского пола (номера P 1- P 41).

Таблица 2 – Исходные данные хозяйственно полезных признаков

Потомки

Бараны п

роизводители

Номер

ЖМ, кг

ДШ, см

НЧШ, кг

Номер

ЖМ, кг

ДШ, см

НЧШ, кг

P 1

60

11

3,8

S 1

120

10,5

9,1

P 2

64

12

4,8

P 3

78

14

5,5

S 2

124

9,5

9,5

P 4

72

13

6,0

P 5

62

13

3,7

S 3

67

10,5

7.6

P 6

76

13

3,5

P 7

68

14

3,8

P 8

72

14

3,7

P 9

84

13

5,2

S 4

120

11,5

9,1

P 10

68

13

5,5

P 11

74

11,5

5,6

S 5

126

11

9,6

P 12

75

13

4,5

P 13

60

12

4,7

P 14

72

12

4,5

P 15

60

10

4,1

P 16

70

11

5,1

S 6

98

10,5

9,3

P 17

80

11

4,7

P 18

72

11,5

5,0

P 19

68

11

4,8

P 20

62

12,5

4,2

P 21

68

11,5

5,4

P 22

85

9,5

4,8

P 23

78

10,5

4,9

S 7

130

12

9,5

P 24

88

12

5,8

P 25

92

10,5

4,4

P 26

60

10,5

4,2

S 8

107

10

8,1

P 27

70

11

4,9

P 28

66

10,5

4,3

S 9

122

10

8,2

P 29

74

12

5,3

P 30

59

10,5

3,8

P 31

74

11

5,5

P 32

74

10,5

5,0

S 10

126

10,5

9,2

P 33

82

12

4,6

P 34

69

11

3,7

S 11

97

14,5

5,6

P 35

82

12,5

5,1

P 36

66

10,5

3,6

P 37

65

10

5,3

S 12

99

10,5

9,5

P 38

62

11

4,5

P 39

67

12

4,7

S 13

119

10

9,4

P 40

75

11,5

4,8

P 41

68

10,5

3,7

Оценка баранов и их потомков проводилась с использованием селекционных индексов на основе селекционного отношения [5]. Для проведения вычислений и матричных операций использовался интегрированный математический пакет Matlab [7, 8]. Результаты расчета селекционных индексов для баранов-производителей представлены на рис. 4.

Рисунок 4 – Селекционные индексы «хороших баранов»

На рис. 4 представлены индексы только «хороших баранов», т.е. тех, которые имеют значения ХПП выше, чем средние значения в выборке. Таким образом, определяется состав мно^ества А 1 . Это мно^ество будет содер^ать номера «хороших баранов» и иметь вид:

A = { S 1 S 2 S 4 S 5 S 7 S 10 S 13 } .               (10)

На рисунке 5 представлены селекционные индексы «хороших потомков» – тех, чьи значения ХПП выше, чем средние значения по выборке.

Рисунок 5 – Селекционные индексы «хороших потомков»

Номера потомков, представленные на рис. 5, являются элементами мно^ества С 1 . Сопоставив эти номера с выборкой баранов производителей (табл. 2), получим мно^ества В 1 и В 2 . Элементами этих мно^еств будут следующие номера баранов-производителей:

B = {S1 S2 S4 S5 S6 S7 S9 S10 S11

B ={S1 S2 S3 S5 S6 S8 S9 S11 S12

Теперь, в соответствии с (6) – (8) определим мно^ества E , L и К :

E = { S 1 S 2 S 4 S 5 S 7 S 10 S 13 }

L = {S4 S7 S10}

K = { S 1 S 2 S 5 S 13 }

Найдя долю мно^еств (12) в мно^естве (10), получим числовые показатели критериев эффективности:

критерий № 1 – 100%;

критерий № 2 – 42,86%;

критерий № 3 – 57,14%.

^нализ данных в (11) показывает, что в мно^естве В 1 присутствуют бараны с номерами S 6, S 9, S 11. При этом этих баранов нет в (12). Другими словами, данные бараны имеют «хороших потомков», но не вошли в число «хороших отцов». ^нализ графика на рис. 5 и данных таблицы 2 показывает, что баран S 6 имеет 7 потомков ( P 16 – P 22), из которых 4 имеют высокие значения ХПП. Баран S 9 имеет 4-х потомков ( P 28 – P 31), из которых только 2 имеют высокие значения ХПП. Баран S 11 имеет 3-х потомков ( P 34 – P 36), из которых только 1 имеет высокие значения ХПП. Таким образом, мо^но утвер^дать, что только баран S 6 имеет перспективы использования в дальнейшем селекционном процессе.

Следует учесть, что представленный подход позволил выделить баранов, которые вообще не имеют «хороших потомков». Они определяются мно^еством Q (5):

Q = { S 3 S 8 S 12 } .                       (13)

Эти бараны имеют низкие значения собственной продуктивности и «плохих потомков». Следовательно, эти бараны не представляют интерес для дальнейшей селекционной работы.

Выводы. Представленная методика оценки эффективности метода индексной селекции позволяет сделать вывод о степени соответствия мно^ества баранов с высокими значениями селекционных индексов и мно^ества баранов, являющихся отцами потомков с высоким значением тех ^е селекционных индексов. При этом следует помнить, что результаты могут отличаться от выборки к выборке. Поэтому для того чтобы сделать обоснованный вывод об эффективности использования метода индексной селекции в селекционном процессе необходимо проведение исследований по большому количеству выборок. Желательно, если такая работа будет проведена на основании данных по одной и той ^е группе баранов, собранных в течение нескольких лет. Это могло бы дать объективную оценку эффективности метода индексов.

Считаем, что такой подход мо^ет заинтересовать специалистов-селекционеров и помо^ет им в выстраивании стратегии селекционной работы.

Список литературы Методика оценки эффективности метода индексной селекции в овцеводстве

  • Скорых Л.Н., Абонеев Д.В. Эффективность промышленного скрещивания северокавказских овец при разных сроках отъема молодняка с использованием морфометрических показателей плацент // Известия Тимирязевской сельскохозяйственной академии. 2009. № 5. С. 70-75.
  • Продуктивно-биологические показатели молодняка овец северокавказской породы разных сроков отъема / В.В. Абонеев, А.А. Омаров, Л.Н. Скорых, Е.В. Никитенко // Овцы, козы, шерстяное дело. 2012. № 4. С. 28-30.
  • Михайлов Н.В., Кабанов В.Д., Каратунов Г.А. Селекционно-генетические аспекты оценки наследственных качеств животных. Новочеркасск: ДонГАУ, 1996. 63 с.
  • Катков К.А. Формирование комбинированного селекционного индекса в овцеводстве // Вестник аграрной науки. 2019. № 5 (80). С. 75-83.
  • Два подхода к формированию селекционных индексов в овцеводстве / К.А. Катков, Л.Н. Скорых, П.С. Остапчук, С.А. Емельянов, А.В. Паштецкая // Вестник АПК Ставрополья. 2019. № 2 (34). С. 8-14.
  • Петухов Г.Б. Основы теории эффективности целенаправленных процессов Ч.1. Методология, методы, модели. Министерство обороны СССР, 1989. 649 с.
  • Основы компьютерного моделирования / К.А. Катков, И.П. Хвостова, В.И. Лебедев, Е.Н. Косова, А.А. Плетухина, О.Л. Серветник, О.В. Вельц, М.Г. Крамаренко. Ставрополь: изд-во СКФУ, 2013. 220 с.
  • Дьяконов А.Г. Анализ данных, обучение по прецедентам, логические игры, системы WEKA, RapidMiner и MatLab (Практикум на ЭВМ кафедры математических методов прогнозирования): учебное пособие. М.: Издательский отдел факультета ВМК МГУ имени М.В. Ломоносова, 2010. 278 с.
Еще
Статья научная