Полная версия

Главная arrow Агропромышленность arrow Основы животноводства: племенное свиноводство

  • Увеличить шрифт
  • Уменьшить шрифт


<<   СОДЕРЖАНИЕ ПОСМОТРЕТЬ ОРИГИНАЛ   >>

Методика и результаты прогнозирования продуктивности свиноматок

Чтобы проверить возможность отбора высокопродуктивных животных по интерьерным тестам крови в раннем возрасте сотрудниками Кубанского ГАУ (КубГАУ) проведен специальный эксперимент.

В племзаводе «Кубань» группу животных в 3-месячном возрасте протестировали по 10 показателям крови: общий белок, альбумины, аспар- татаминотрансфераза (ACT), аланинаминотрансфераза (АЛТ), сукцинатдегидрогеназа (СДГ), а-глицерофосфатдегидрогеназа (а-ГФДГ), общие липиды, холестрин, лактатдегидрогеназа (ЛДГ), глюкозо-6- фосфатдегидрогеназа (Г-6-ФДГ). По каждому показателю сформировали группу с высоким (М + 0,5а) и низким (М - 0,5а) его значением. Часть животных поставили на контрольный откорм, других — на контрольное выращивание, по окончанию которых по каждой группе определяли средние показатели продуктивности.

Проверка указанных интерьерных тестов в качестве маркеров высокой продуктивности свиней позволила выделить из них только два, которые дают высокую достоверность отбора высокопродуктивных животных в 3-месячном возрасте как по результатам откорма, так и выращивания. Свиньи с низкой активностью а-ГФДГ и СДГ на 11,9—16,6 дня раньше сверстников достигали массы 100 кг, а с высокой активностью имели на 2,1—3,4 мм тоньше шпик и на 2,3—4,1 % выше содержание мышечной ткани в туше.

Полученные результаты дают основание полагать, что отдельные, тщательно выверенные интерьерные тесты, могут быть приняты в качестве маркеров продуктивных качеств свиней в раннем возрасте.

На основании этого заключения в племзаводе «Кубань», где выводился заводской тип «Кубанский», в течение 6 лет отбор молодняка в группу ремонта проводили в 3-месячном возрасте только на основании тестирования его по активности а-ГФДГ и СДГ. Отобранные на ремонт животные достигали массы 100 кг в среднем на 15 дней раньше, чем сверстники, оставшиеся за чертой отбора. Гомогенный подбор хряков и маток с низкой активностью клеточных дегидрогеназ, т. е. подбор потенциально скороспелых животных проявился в повышении многоплодия маток на 0,4 поросенка, молочности — на 4,2 кг, массы гнезда в 2 месяца — на 11,0 кг.

При прогнозировании продуктивности животных особенно перспективен метод математического моделирования, дающий оценку процессов и явлений путем построения математических моделей и их исследования.

Использование генетико-математического моделирования в селекции животных позволяет на основании комплексной оценки селекционного материала с одновременным учетом всех изучаемых признаков установить взаимосвязь между величиной исследуемого признака и факторами, влияющими на нее. Математически эта связь выражается в виде уравнений. В простейшем случае, когда признак пропорционально зависит от одного фактора, получают обычные уравнения линейной регрессии. Однако в большинстве реальных ситуаций число факторов, влияющих на определенный признак, довольно велико (по крайней мере больше одного) и зависимость между ними отнюдь не пропорциональна. В таких случаях уравнения усложняются, но при этом построенная модель становится более точной.

Так как практически все продуктивные признаки животных обусловлены плейотропным действием генов и определяются множеством селекционно-генетических факторов, прогнозирование их связано с обработкой информации по большому числу показателей.

Всегда считалось, что оценка по комплексу признаков более точна, чем по одному-двум признакам. Однако исследовать биологические системы со многими признаками довольно сложно. Практически невозможно оценить «на глаз» взаимосвязь между пятью-десятью и большим числом признаков, поэтому обычно ограничиваются изучением двух-трех признаков, но точность такой оценки естественно, значительно ниже, так как не учитывают взаимодействия между остальными признаками.

Изучать многопризнаковые биологические системы можно методом корреляционных плеяд [153], максимального корреляционного пути [30], последовательного статистического анализа [29]. Суть их сводится к тому, что каждый показатель в отдельности несет недостаточно информации, но она накапливается с увеличением числа учитываемых признаков, и уже комплекс их дает более полную и объемную характеристику всей системы и связи ее с другими системами. Наиболее полно этим задачам отвечают метод линейных дискриминантных функций, включающий специально разрабатываемые таблицы прогноза, и корреляционно-регрессионный анализ, при котором в качестве моделей используют уравнения и системы уравнений.

Применение генетико-математических методов в сочетании с новейшей вычислительной техникой для раннего прогнозирования продуктивности свиней позволяет точнее оценить их генотип и фенотип, интенсивнее использовать в селекционном процессе высокопродуктивных животных и в конечном итоге — повысить уровень и эффект селекции.

Прогнозирование продуктивности свиней с использованием генетико-математического моделирования проводится по комплексу признаков, объединяемых в математические модели, имеющие вид уравнения множественной регрессии:

где Y — прогнозируемый признак; а — свободный член; в( — коэффициенты частной регрессии прогнозируемого признака на х{; х{ — факториальные признаки.

При составлении уравнений регрессии для определения тесноты связи между прогнозируемым признаком и признаками, с помощью которых осуществляется прогноз, вычисляют коэффициенты частной регрессии в( = (3, учитывая не только парные, но и так называемые внутренние связи между признаками (эффект взаимодействия). Это уточняет истинный уровень связи между признаками в популяции, стаде или линии и определяет значение каждого из них в системе прогноза.

Составив модели, вычисляют коэффициенты множественной корреляции или детерминации между селекционируемым признаком и признаками, по которым ведут прогноз. По завершении этой операции исключаются из моделей признаки, оказывающие наименьшее влияние на изучаемую функцию, и повторяют расчет. Отсев несущественных факторов проводится до тех пор, пока между прогнозируемым признаком и показателями, по которым ведется прогноз, не получат наибольший коэффициент множественной корреляции или детерминации. Так устанавливают приоритетность признаков в прогнозировании показателей продуктивности.

Показательны в этом плане результаты исследований А. И. Хватова, который для характеристики откормочных, убойных, мясных и воспроизводительных качеств свиней включал в модель многофакторного корреляционно-регрессивного анализа 75 признаков, а после отсева несущественных факторов в окончательные уравнения регрессии вошли: для определения скороспелости — три показателя, для определения убойного выхода — пять, выхода мяса в туше — 12, воспроизводительных качеств — семь показателей. Приоритетность признаков позволила обосновать наиболее удачные их сочетания для оценки племенных и продуктивных качеств животных [167].

С помощью метода корреляционно-регрессионного анализа разработаны модели прогноза скорости роста свиней, содержания мяса и жира в туше, потребления корма и затрат его на образование белка и жира в зависимости от возраста, потребления переваримой энергии, протеина, лизина и других факторов питания. Эти и другие данные свидетельствуют о том, что, применив ЭВМ и специально разработанные программы, можно проанализировать все возможные сочетания пар в стаде и выбрать те, которые дадут наиболее желательное потомство по хозяйственно-полезным признакам, требующим улучшения. Доказана возможность оценки практически любого признака продуктивности в молодом возрасте по комплексу показателей, каждый из которых в отдельности не может быть использован в качестве теста для прогноза.

Нами изучалась возможность прогнозирования скорости роста и оплаты корма свиней в конце откорма методом моделирования у них межуточного обмена веществ в 3-месячном возрасте. Для характеристики интенсивности белкового, липидного и углеводного обмена у по- росят-отъемышей определяли 13 биохимических показателей крови, наиболее тесно связанных с прогнозируемыми признаками. Задача решалась на ЭВМ по программе многофакторного корреляционно-регрессионного анализа. В процессе ее решения проводился отсев малоинформативных показателей и оптимальные уравнения регрессии, полученные в результате исследования математических моделей, содержали значительно меньше показателей, чем их было в уравнениях на первоначальном этапе исследований [9].

В окончательные уравнения для прогнозирования скорости роста вошли общий белок и липиды в сочетании с общим содержанием глобулинов и альбуминов, ACT и АЛТ, а для прогнозирования оплаты корма — ACT, АЛТ, глюкоза, альфа-липопротеиды в сочетании с общим белком и альфа-глобулинами.

Как показали испытания уравнений регрессии, биохимические тесты, характеризующие различные формы межуточного обмена, при объединении в математическую модель, учитывают специфику действия отдельных показателей и их взаимодействия и довольно объективно отражают интенсивность обменных процессов, определяющих формирование продуктивных качеств свиней. Коэффициенты корреляции между расчетными и фактическими значениями среднесуточного прироста выше 0,90 (г = 0,908—0,998), по оплате корма они находятся в пределах от 0,723 до 0,947. Выявлена высокая степень совпадения фактических и расчетных величин продуктивных признаков свиней; отклонения по среднесуточному приросту не превышают 7,4 %, по оплате корма 4,8 %, что в абсолютном выражении составляет 33— 49 г и 0,10—0,18 корм. ед.

Таким образом, доказана высокая надежность и возможность использования приведенных уравнений регрессии в селекционно-племенной работе при отборе молодняка в группу ремонта.

В свиноводстве особенно остро стоит вопрос оценки воспроизводительных способностей молодых свинок до назначения их в случку.

Так как воспроизводительные качества свиней имеют низкую степень наследуемости, эффективность традиционных методов селекции по ним близка к нулю. Вероятность того, что от высокопродуктивной матки будут получены такие же ценные в племенном отношении дочери, довольна низка, о чем свидетельствует опыт отечественного и мирового свиноводства. Поэтому селекция на повышение продуктивности свиноматок должна вестись не путем отбора ремонтных свинок от лучших маток, а путем отбора свинок по результатам их индивидуальной оценки на предрасположенность к высокой продуктивности. Такой отбор проводится на основании прогнозирования продуктивных качеств будущей матки уже в первые месяцы ее жизни. Чем больше промежуток времени между оценкой и первым опоросом матки, т. е. чем раньше проведен прогноз, тем эффективнее результаты такой работы.

Информации о самом животном в возрасте 2—2,5 месяцев еще недостаточно для того, чтобы сделать оценку его предстоящей продуктивности. В таком случае можно дополнить ее сведениями о родителях.

Использование данных племенного учета для прогнозирования продуктивных качеств будущих маток можно рассмотреть на примере племзавода «Кубань». У 280 маток с двумя и более опоросами выбрали продуктивность по первому, в среднем по двум первым опоросам и дополнительно еще по 11 показателям, характеризующим развитие и продуктивность родителей [16].

Затем рассчитали парные коэффициенты корреляции между каждым хозяйственно-полезным признаком родителей и продуктивностью дочерей — по первому и по двум первым опоросам.

Установили, что продуктивность маток в среднем по первым двум опоросам находится в более тесной связи с их пожизненной продуктивностью, чем продуктивность по первому опоросу. Следовательно, при разработке способа прогноза продуктивных свойств маток целесообразно предусмотреть уровень их продуктивности не в первом, а в двух первых опоросах, который более объективно отражает генетический потенциал продуктивности животных.

Из хозяйственно-полезных признаков родителей наиболее высокой информативностью в системе прогноза продуктивных свойств дочерей отличались: у матери — количество поросят в гнезде в 21 день в первом опоросе (Х4) и в опоросе, из которого взята дочь (Х16), количество поросят (Х17) и масса первого поросенка (Х18) в гнезде в 60 дней в опоросе, из которого взята дочь; у отца — живая масса в 24 месяца (Х23). Эти показатели отличаются хотя и невысокой, но относительно стабильной связью со всеми показателями продуктивности свиноматок, и они в первую очередь должны использоваться в предстоящей процедуре прогноза.

Третий этап расчетов заключался в определении частных коэффициентов детерминации, показывающих степень влияния каждого из хозяйственно-полезных признаков родителей на конкретный показатель продуктивных качеств дочерей. По величине коэффициентов детерминации проводилось ранжирование признаков по убывающему значению, и в установленной последовательности они включались в уравнения множественной регрессии, составляемые для прогнозирования продуктивных качеств свинок.

Таким образом, методом пошагового корреляционно-регрессионного анализа для прогноза каждого показателя продуктивности было составлено по 25 уравнений линейной регрессии, из которых для практического применения были отобраны уравнения, дающие наименьшие отклонения расчетных значений продуктивности от фактических.

Уравнения регрессии для прогнозирования многоплодия:

Уравнения регрессии для прогнозирования молочности свиноматок:

Уравнения регрессии для прогнозирования массы гнезда поросят в 60 дней:

Эффективность прогноза материнских качеств свинок в 2—2,5-ме- сячном возрасте по параметрам развития и продуктивности родителей по разработанным уравнениям регрессии оценивали по четырем показателям: по коэффициенту множественной корреляции продуктивных качеств молодой матки с хозяйственно-полезными признаками родителей, по сумме коэффициента детерминации признаков, включенных в уравнения регрессии, по среднему отклонению расчетных значений показателей продуктивности от фактических и коэффициенту корреляции между расчетными и истинными значениями продуктивных качеств (табл. 9.2).

Таблица 9.2

Эффективность прогноза продуктивных качеств свиноматок в молодом возрасте

Уравнения

регрессии

Прогнозируемый

признак

Сумма частных коэффициентов детерминации, %

Коэффициент множественной корреляции продуктивности свиноматок с некоторыми признаками родителей

Среднее отклонение между фактическим и прогнозируемым значениями признака, %

Коэффициент корреляции между фактическими и прогнозируемыми значениями признака

Уг13

Уг17

У.Т9

Многоплодие

  • 24,28
  • 24,47
  • 25,88
  • 0,519
  • 0,539
  • 0,547
  • 2,86
  • 2,70
  • 2,76
  • 0,867
  • 0,912
  • 0,835

^2-11

^2-12

^2-17

Масса гнезда в 21 день

  • 19,70
  • 19,78
  • 22,75
  • 0,529
  • 0,540
  • 0,561
  • 3,10
  • 3,15
  • 2,81
  • 0,874
  • 0,933
  • 0,962

Уз-14 Уз-16 Уз T9

Количество поросят в гнезде в 2 месяца

  • 24,38
  • 24,54
  • 25,29
  • 0,525
  • 0,535
  • 0,542
  • 3,88
  • 3,40
  • 3,00
  • 0,740
  • 0,731
  • 0,788

Уравнения

регрессии

Прогнозируемый

признак

Сумма частных коэффициентов детерминации, %

Коэффициент множественной корреляции продуктивности свиноматок с некоторыми признаками родителей

Среднее отклонение между фактическим и прогнозируемым значениями признака, %

Коэффициент корреляции между фактическими и прогнозируемыми значениями признака

y4.9

^4-12

^4-15

Масса гнезда в 2 месяца

  • 22,62
  • 23,01
  • 23,90
  • 0,531
  • 0,551
  • 0,564
  • 4,07
  • 3,28
  • 3,35
  • 0,862
  • 0,907
  • 0,948

Качественная оценка уравнений регрессии показала, что большей точностью при оценке многоплодия будущей матки отличаются уравнения У1>13, У1>17 и У|.19< Основанием для такого утверждения служит наибольшая сумма частных коэффициентов детерминации, показывающих, что многоплодие маток на 24,2—25,8 % обусловлено влиянием признаков, включенных в эти уравнения, наименьшими отклонениями между истинными и расчетными значениями многоплодия (2,72— 2,81 %), наиболее высокой корреляцией между ними (г = 0,835—0,912) и высоким коэффициентом множественной корреляции между изучаемыми факторами (R = 0,519—0,547).

Для предсказания будущей молочности маток целесообразно пользоваться уравнениями У2.ц, У2.12, Y2-i7> что позволит получить довольно точные расчеты значения массы гнезда в 21 день, не превышающие фактические данные более чем на 3,1 %. Доля влияния признаков, входящих в эти уравнения, на молочность маток составляет 19,7—22,7 %, коэффициент множественной корреляции между этими факторами — 0,529—0,561, корреляция между истинными и расчетными значениями равна 0,874 — 0,962.

Деловой выход поросят к 60-дневному возрасту более точно можно предсказать по уравнениям регрессии У3.14, У3.16, У3.19, которые дают отклонения между расчетными и фактическими значениями не более

3.9 %, коэффициент корреляции между этими значениями — 0,731— 0,788, а степень влияния признаков прогноза на выход поросят — в пределах 24,3—25,2 %.

Если отбор маток в стаде ведется по массе гнезда в 60 дней, и предпочтение при отборе отдается интенсивности роста свиней, то для оценки этого показателя у молодых свинок имеет смысл использовать уравнения регрессии У4.9, У4.12 и У4.15. Входящие в них признаки имеют высокую степень детерминации прогнозируемой величины (22,6—

23.9 %), расхождение между истинными и предполагаемыми значениями показателя не превышает 4,0 %, а коэффициент корреляции между ними находится в пределах 0,862—0,948.

В развернутом виде вышеприведенные уравнения регрессии представлены в табл. 9.3.

Уравнения регрессии для прогнозирования продуктивных качеств свиноматок

Уравнения

регрессии

Свободный член уравнения

Уравнения для прогнозирования многоплодия свиноматок

-9,619

0,051

0,412

-0,010

0,013

0,085

-0,075

0,029

-0,148

0,072

0,095

-0,019

0,146

10,503

0,035

0,366

-0,010

0,019

0,084

-0,062

0,033

0,313

0,087

0,160

-0,023

0,197

-8,703

0,065

0,331

-0,008

0,021

0,069

-0,061

0,032

0,398

0,092

0,280

-0,026

0,224

Уравнения для прогнозирования молочности свиноматок

0,467

-0,501

0,102

1,300

-0,091

1,940

0,677

-0,627

2,010

-1,663

4,878

4,878

0,067

-2,376

-0,593

0,107

0,850

-0,095

2,070

0,598

-0,649

1,901

-1,670

5,784

5,784

0,076

129,914

-0,512

0,125

0,709

-0,103

1,617

0,559

-0,697

1,836

-2,087

6,495

6,495

0,039

Уравнения

регрессии

Свободный член уравнения

Уравнения для прогнозирования массы гнезда в 60 дней

76,876

32,364

-17,051

9,664

-3,714

-3,136

3,248

-0,269

2,237

13,884

-

-

-13,334

20,290

-15,920

11,424

-3,728

-3,376

2,837

-0,314

2,686

23,323

0,315

5,681

-165,467

19,977

-16,867

10,639

-3,622

-3,723

2,711

-0,287

2,592

23,564

0,302

4,746

Уравнения

регрессии

Свободный член уравнения

Уравнения для прогнозирования многоплодия свиноматок

-9,619

0,053

10,503

0,057

0,013

-0,003

-0,008

-0,183

-8,703

0,069

0,012

-0,115

-0,010

-0,235

-0,118

-0,006

Уравнения для прогнозирования молочности свиноматок

0,467

-2,376

0,030

129,914

0,053

-0,023

0,603

-0,565

0,074

-0,156

Уравнения

регрессии

Свободный член уравнения

Уравнения для прогнозирования массы гнезда в 60 дней

76,876

-13,334

-4,668

-165,467

-3,666

2,255

-0,259

1,272

Примечание. Биохимические тесты крови: Хх — общий белок, Х2 — альбумины, Х3 — глобулины, Х4— альфа-глобулины, Х5 — бета-глобулины, Х6 — гамма-глобулины, Х7 — аспартатаминотрансфераза, Х8 — аланинаминотрансфераза, Х9 — общие липиды, Х10 — холестерин, Xj ] — альфа-липопротеиды, Х12 — бета-липопротеиды, Х13— глюкоза.

Цитохимические тесты крови: Х14— глюкозо-6-фосфатдегид-рогеназа; Х15—лактатдегидрогенза; Х16— сукцинатдегидрогеназа; Х17 — глутаматдегидрогеназа; Х18 — миелопероксидаза (ППК); Х19— миелопероксидаза (ЦК); Х20— кислая фосфатаза (ППК); Х21 — кислая фосфатаза (ЦК); Х22— щелочная фосфатаза (ППК); Х23— щелочная фосфатаза (ЦК); Х24— альфа-глицерофосфатдегидро-геназа; Х25 — эстераза.

Таким образом, изложенные данные доказывают возможность довольно, точного отбора молодых свинок по репродуктивным качествам еще в 2—2,5-месячном возрасте. Без особого труда это можно осуществлять при наличии в хозяйстве или на ферме компьютерной техники, так как вся необходимая информация для проведения процедуры прогноза уже имеется в блоке памяти ЭВМ.

 
<<   СОДЕРЖАНИЕ ПОСМОТРЕТЬ ОРИГИНАЛ   >>