Розробка та удосконалення методів селекційно-генетичних досліджень в молочному скотарстві

Визначення обєму вибірки для характеристики популяції

Нерідко досліднику необхідна попередня прискорена оцінка стада (популяції), а підготовка до обробки і сама обробка великих масивів займає досить багато часу. Тому нами була зроблена спроба визначити мінімальну величину вибірки, яка за своїми показниками (, Сv, r і т.д.) могла б характеризувати всю популяцію, що знаходиться під контролем селекціонера.

За основу прийнято метод рендомізованих вибірок з подальшою.

Таблиця 4

Середні статистичні характеристики надою, усереднені за 10 вибірками

статистичною обробкою кожної вибірки і порівняння її показників з показниками всієї популяції. Враховуючи, що разовий надій вимірюється з точністю до 0,1 кг, при трикратному доїнні за триста днів лактації помилка вимірювання удою кожної корови () не перевищить 90 кг (табл. 4).

Ця величина прийнята довірчим інтервалом середньої.

За Снедекором (1961) = t . Звідси випливає, що помилка середньої у вибірці, з імовірністю 95% безпомилкового судження, не повинна перевищувати: /t 90:1,96 45,9 кг_. Виходячи з поставленої задачі, вибірками мінімального обєму будуть: для Аскольда n = 30%, Nа = 63, для Локона n = 50%, Nл = 65.

Величина t критерію стандартного відхилення складає для Аскольда 2,75 і для Локона - 3,09. Цим критеріям відповідає імовірність безпомилкового судження >99%,.

Таким чином, для отримання достовірних характеристик стада чисельністю більше 100 тварин з точністю прийнятої помилки досить взяти вибірку обємом 65 голів, при умові, що вибірка зроблена випадково.

Метод формування груп-аналогів

Відомо, чим більше ознак, що описують особину, використовується при доборі в групи і чим менше відмінності за кожною з ознак, тим більше вони задовольняють поняттю аналога. Більшість дослідників при формуванні груп-аналогів методом угрупувань використовують не більше двох-трьох показників.

При цьому в самому процесі розділення сукупності на групи присутній елемент субєктивного підходу, зумовлений довільним встановленням величини градації ознаки.

Отже, з одного і того ж масиву у різних експериментаторів склад груп аналогів буде неоднаковим.

Метод експериментально перевірений при доборі первісток-аналогів за шістьома ознаками: Х₁ - надій первісток за 305 днів або укорочену лактацію, кг; Х₂ - процентний вміст жиру в молоці; Х₃ - жива маса корів, кг; Х₄ - вік при першому отеленні, місяці; Х₅ - надій матері первісток за першу лактацію, кг; Х₆ - процентний вміст жиру в молоці матері, з варіацією за кожною окремо взятою ознакою не більше за 10%. Первістки - дочки бугаїв червоної степової породи, які отримали при оцінці за якістю нащадків схожі результати.

У початковій сукупності особин коефіцієнти варіації за показниками угрупування наведені в першому рядку таблиці 5.

В результаті рішення задачі методами векторної алгебри всі тварини автоматично розподілені за 6 групами (табл 5). В найбільш численній 4 групі варіація ознак менша, ніж у початковій сукупності, але за 4 і 5 ознаками перевищує задані межі. Після накладення початкових умов кількість тварин у групі зменшилась до 43, а коефіцієнти варіації стали дорівнювати відповідно 10,0; 3,1; 5,2; 9,2; 10,0 і 4,0 %%, що відповідає умовам поставленого завдання.

Таблиця 5

Середні значення угрупованих ознак і їх коефіцієнти варіації

Дискримінантний аналіз визначає належність обєкта до тієї або іншої групи, але не дає способу утворення самих груп.

Метод, що пропонується нами, дозволяє обєктивно сформувати з будь-якої сукупності тварин групи тварин із будь-якою бажаною малою величиною фенотипової неоднорідності всередині груп. Метод легко формалізується і реалізований на ЕОМ.

Методика визначення вірогідності багатофакторних моделей

Обєкти наукових досліджень в селекції, зокрема, молочному скотарстві, як правило, мають складні багатофакторні взаємозвязки. Ці звязки можна виявити методами простих і комбінаційних угрупувань, дисперсійного аналізу, аналізу кореляцій і регресії.

Останній метод має ряд переваг:

- можливість отримання взаємозвязку між декількома ознаками;

- виявлення загальних закономірностей при елімінуванні випадкових взаємозвязків;

- можливість кількісної оцінки звязків при багатофакторному аналізі, принципово недосяжної в перших двох методах;

- можливість використання вибіркових показників для вірогідної оцінки параметрів генеральної сукупності;

-досягнення високої щільності інформації в кореляційному аналізі, коли декілька параметрів замінюють цілу громіздку таблицю.

Всі ці переваги вірні для параметрів регресії істотних із заданою мірою імовірності. Однак, визначення істотності показників регресії завдання більш складне, ніж розрахунок самих коефіцієнтів регресій.

Нами розроблена програма на ЕОМ за наступним алгоритмом (табл. 6).

Повторюючи циклічно весь процес m разів, розраховуються всі критерії t_bj достовірності кожного коефіцієнта регресії.

Таблиця 6

Алгоритм обчислювання суттєвості коефіцієнтів множинної регресії

Критерій Z - характеризує достовірність моделі 7 (табл.6) загалом як функції результативного показника У від чинників Х.

Потрібно зазначити, що величини t_bj можуть бути застосовані для аналізу істотності коефіцієнтів стандартизованого рівняння регресії. Ця обставина має важливе значення в кореляційному аналізі, оскільки значення r може застосовуватися для виразу частки впливу кожного чинника на сумарний результат багатофакторної залежності, що досліджується.

Спосіб визначення генетичних кореляцій

На даному етапі доведено, що селекція за комплексом ознак має ряд переваг перед тандемним добором. З безлічі методик комплексної оцінки особливе місце займає запропонований на початку 40-х років Хейзелем метод розрахунку селекційних індексів (СІ) з використанням апарату матричної алгебри. Ідея виявилася такою вдалою, що до цього часу серйозної альтернативи їй поки що немає. Методична сторона питання детально відображена в публікації (Тейнберг Р.Р., 1986) і ряді подальших робіт. Відзначимо основні позитивні якості методики Хейзеля.

Використання всіх основних селекційно-генетичних параметрів популяції.

2. Включення економічної значущості ознак.

3. Концентрація всіх вищезазначених характеристик в один показник - селекційний індекс.

Слід, однак, констатувати, що при всіх своїх позитивних якостях метод, на жаль, не позбавлений і недоліків.

Головний недолік методу - неоднозначність результату при одних і тих же початкових даних, яка виникає на різних етапах визначення індексів в залежності від субєктивного вибору дослідника.

Особливу складність представляє визначення генетичних кореляцій. Запропоновані Хейзелем, а пізніше Фолконером, формули визначення цього показника, по-перше, дають абсолютно різні результати, які лежать теоретично в межах від мінус нескінченності до плюс нескінченності, а по-друге, ці результати часто неможливо інтерпретувати, оскільки вони нерідко бувають уявними. Найбільш вірогідна причина таких явищ - у невдалому виборі способу визначення генетичних кореляцій. Такий висновок зроблений на основі аналізу декількох сотень обчислених кореляцій за всіма чотирма формулами Хейзеля. Кількість задовільних, тобто реальних, які не виходять за межі 1, не перевищує половини. Ми пропонуємо використати для цієї мети математичний апарат частинних кореляцій однойменних ознак предків і нащадків. Величина частинної кореляції, так само як і звичайної - парної, коливається в межах 1 (табл. 8).

Таблиця 7

Генетичні кореляції за методом Хейзеля

Таблиця 8

Генетичні кореляції за методом частинних кореляцій

Всі елементи таблиці 8 за модулем не перевищують одиниці, що відповідає основній властивості кореляції. Зовсім інша картина в табл. 7, де 50% елементів невизначені (нульові), тобто половина елементів матриці не задовольняють поняттю кореляція. Таблиці 7 і 8 використовувалися для розрахунку коефіцієнтів селекційно-економічної значущості, як результату потрійного матричного добутку зворотної фенотипової, генетичної і економічної матриць. Результати представлені в таблиці 9.

В таблиці 9 наведені селекціоновані ознаки бугаїв-плідників, що отримали вищу індексну оцінку, і, для порівняння, середні значення селекціонуємих ознак за групою, що оцінюється.

З таблиці 10 неважко помітити, що бугай-плідник 100 має перевагу перед 4079 з точки зору індивідуальної характеристики. І оскільки вибір того або іншого відрізняється тільки способом визначення генетичних кореляцій, то прийнятніший метод частинних кореляцій.

Таблиця 9

Показники селекційно-економічної значущості

Нагадаємо ще одну його перевагу - повне виключення випадків уявних значень генетичних кореляцій при розрахунках цього показника. Ця, здавалося б, чисто технічна властивість має проте важливе значення, оскільки спро-щує формалізацію алгоритму і знімає будь-які обмеження щодо застосування методу селекційних індексів.

Таблиця 10

Значення селекціонуємих ознак тварин, які отримали вищі ранги оцінки

Таким чином, обгрунтована теоретично і показана на практиці можливість і доцільність використання способу частинних кореляцій при розрахунку генетичних кореляцій для селекційних індексів.

Критерій оптимізації програм селекції молочної худоби

тварина худоба селекція бугай

Досягнення максимального темпу генетичного поліпшення можливе на основі методів великомасштабної селекції. Якщо уявити темп генетичного поліпшення як функцію від деяких змінних чинників, то для рішення задачі необхідно визначити значення чинників, при яких функція буде максимальною.

Через неможливість явного аналітичного виразу функції, за рекомендацією Басовського М.З, Кузнєцова В.М. (1977), оптимізація проводиться приблизно, методами варіантних розрахунків. Кількість варіантів може досягати багатьох тисяч.

Програма селекції має десятки селекційно-генетичних і економічних параметрів, тому стає очевидною неможливість знаходження оптимального в такій великій кількості варіантів, без спеціального критерію.

Використання як критерія оптимізації екстремальних значень економічних чинників, як правило, не приводить до вибору варіанта з максимальним значенням генетичного прогресу.

За згаданими вище причинами, залежність рентабельності від генетичного прогресу досліджувалася методами статистичної обробки варіантів, розрахованих на ЕОМ для південної популяції худоби червоної степової породи.

Змінним чинникам (n_а - частка активної частини популяції; n_об - кількість батьків ремонтних бугаїв; а - частка активної частини популяції, яка осіменяється спермою бугаїв, що перевіряються; n - кількість ефективних дочок; С - банк спермодоз на одного бугая, що перевіряється) надавалися наступні значення (табл. 11.).

З 1024 варіантів реальними виявилися 467. У них значення генетичного прогресу коливалося в межах від 0,5% до 1,2%, а рентабельність - від 20 до 75%.

Отримані значення згруповані за величиною генетичного прогресу з кроковим проміжком 0,1% (табл. 12).

Таблиця 11

Межі змін перемінних факторів у модельованих варіантах програм селекції

Таблиця 12

Залежність рентабельності від темпу генетичного покращання

Групи, що утворилися, оброблені статистично з визначенням коефіцієнта кореляції між рентабельністю і генетичним прогресом по кожній групі і за всіма варіантами.

Кореляція коливається від -0,66 у другій групі до +0,85 в сьомій, що підтверджує неоднозначність залежності R від G%.

Залежність рентабельності від генетичного прогресу апроксимована поліномом другого ступеня за методом найменших квадратів (індекс кореляції дорівнює 0,93).

Рентабельність R=0 при G%=0,18, G% = 1,2. Тобто, генетичний прогрес менше за 0,18% не може окупити витрат на заходи програми селекції, а, з іншого боку, для отримання генетичного прогресу більше, ніж 1,2%, потрібні витрати, які при будь-якій комбінації змінних чинників (в межах їх зміни, що розглядаються) компенсувати не можна. Ця залежність відображена на графіку (рис.1) відповідно до штрихової і суцільної ліній.

З графіка видно, що одна і та ж рентабельність у 20,0% може бути забезпечена за двома різними значеннями генетичного прогресу 0,25% і 1,15%.

Якщо оптимальність визначати тільки за рентабельністю, то обидва варіанти рівнозначні, тоді як варіант з 1,13% кращий з позиції селекції, і, отже, повинен бути визнаний оптимальним. Це доводить необхідність включення до критерію добору, поряд з рентабельністю, селекційно-генетичних параметрів, які визначають генетичний прогрес. У проведеному дослідженні до критерію оптимізації включені шість слідуючих показників: П₁ - випробувальне відношення бугаїв, П₂ - точність оцінки бугаїв, П₃ - сумарна генетична зверхність, П₄ - темп генетичного покращання, П₅ - інтенсивність селекції ремонтних бугаїв, П₆ - рентабельність програми селекції.

Аналіз залежності показників критерію оптимізації від перемінних величин досліджено на варіантах селекційних програм, розрахованих за фактичними вхідними параметрами. Досліджуваний фактор сприймався перемінною величиною, а решта чотири розглядались як параметри. Для кожного значення перемінної величини і прийнятих параметрів на ЕОМ розраховувались показники критерію і сам критерій. На рис. 2 наведено залежність показників оптимізації від кількости ефективних дочок, а інші чотири перемінні фактори фіксовані як параметри (n_ОБ=17, а=0,5, =0,4, С=50000). З нього ж видно, що усі показники критерію оптимізації, мають нелінійну форму залежності від, кількости ефективних дочок. Нами прийнята лінійна форма критерію оптимізації:

Б_к= (1)

де - коефіцієнти значущості відповідних показників, які увійшли в критерій;

- значення цих показників у К-тому варіанті, що моделюється.

Виявлено, що коефіцієнти значущості А_J не можуть вибиратися довільно, а повинні формуватися з врахуванням реально діючого селекційного плану. В нашому дослідженні

коефіцієнти значущості фактора визначені, виходячи з реальної селекційної програми періоду, що минув (в подальшому йменується базовим варіантом), як зворотні величини показників базового варіанта:

(2)

Тому вибір базового варіанта є важливим етапом у розробці критерію оптимізації програми селекції. Базовий варіант розраховано на основі реально діючого плану селекційної роботи з червоною степовою худобою (Методические рекомендации, 1980).

За показниками бальної оцінки П_оj базового варіанта розраховані коефіцієнти значущості А_оj за формулою (2) табл. 13. Цей критерій включено до алгоритму оптимізації (рис. 3), в розрахунковій частині якого використані відповідні формули. В алгоритмі передбачено одержання пяти найкращих варіантів шляхом автоматичного порівняння на ЕОМ чергового розрахункового варіанта за критерієм (1) з тими, що є в її памяті.

Таблиця 13

Значення показників для базового варіанта і коефіцієнтів значущості критерію оптимізації

Якщо варіант, що порівнюється, має критерій краще гіршого з пяти варіантів, які є, запамятовується на місце гіршого. В будь-якому іншому випадку замість варіанта, що запамятовується, витискається гірший з пяти.

У випадку, коли критерій чергового варіанта гірше за будь-якого з пяти, що є, він відкидається, відбувається зміна поточної перемінної на один крок. Процес циклічно повторюється доти, доки всі змінні чинники досягнуть свого максимального значення, що задається у початкових даних (табл. 11). Із закінченням процесу видається оптимальна програма селекції. Цей алгоритм реалізований на ППЕОМ при оптимізації програм селекції червоної степової худоби на півдні України.

Висновки і пропозиції

Розроблено критерій оптимізації програм селекції молочної худоби. Критерій випробуваний при корегуванні програми удосконалення племінного масиву червоної степової породи у південному регіоні України.

Взаємозвязок рентабельності і генетичного прогресу програм селекції молочної худоби має складний нелінійний характер, тому необхідне їх сумісне включення до критерію оптимізації.

Критерій дозволяє за розробленою програмою реалізувати вибір кращого варіанта плану удосконалення молочної худоби автоматично на ППЕОМ.

Розроблений і випробуваний на популяціях великої рогатої худоби метод оцінки бугаїв-плідників з виявленням препотентних поліпшувачів. Як критерій препотентності пропонується різниця коефіцієнтів мінливості (Cv ) ознак предка (М-матері ) і нащадка (Д-дочки).

Обгрунтована теоретично і доведена практично можливість і доцільність використання способу частинних кореляцій щодо розрахунку генетичних кореляцій для селекційних індексів бугаїв-плідників.

Визначений алгоритм обчислення істотності показників регресії, які характеризують достовірність багатофакторних моделей в селекції і реалізований на ППЕОМ.

Розроблений і випробуваний на популяціях великої рогатої худоби метод формування груп-аналогів тварин за комплексом селекційних ознак із будь-якою бажаною малою величиною фенотипової неоднорідності всередині груп. Створена програма для реалізації методу на ППЕОМ.

Визначений обєм вибірки для оцінки селекційно-генетичних параметрів молочного стада (n>100) за характеристиками випадкової вибірки. (n= 65), яка забезпечує достовірність безпомилкового судження щодо генеральних параметрів з імовірністю більш 95%.

9. При розробці регіональних планів селекційно-генетичного удосконалення поголів'я племінних стад і масивів великої рогатої худоби молочного напрямку продуктивності застосовувати критерій їх оптимізації на базі ППЕОМ.

10. Широке впровадження генетико-статистичних методів оцінки генотипів бугаїв-плідників та перспективних груп великої рогатої худоби, дозволяє виявляти препотентних поліпшувачів та формувати бажані якості і рівень продуктивності на індивідуальному і популяційному рівнях.

Список опублікованих праць за темою дисертації

1. Новоставский В.Н., Горлов А.И. Метод формирования групп-аналогов для селекционно-генетических исследований // Генетика. 1974. Т.10. №7.С. 38-41.

2. Горлов А.И. Определение достоверности многофакторных моделей в экономике и селекции // Науч.-техн. бюл. / УНИИЖ “Аскания-Нова”. Херсон, 1977. Ч. І. С. 42-44.

3. Власов В.И., Горлов А.И. Методика оценки параметров стада по характеристикам случайной выборки // Науч.-техн. бюл. / УНИИЖ “Аскания-Нова”. Херсон, 1978. Ч. І. С. 16-20.

4. Близниченко В.Б., Бесараб А.П., Рябко В.М., Кононенко Н.В., Горлов А.И., Семенова Л.А. К вопросу оценки препотентности быков-производителей // Науч.-техн. бюл. / УНИИЖ “Аскания-Нова”. Херсон, 1984. Вып. 2. С.13-15.

5. Рябко В.М., Кононенко Н.В., Горлов А.И., Гейдт М.И. Критерий и алгоритм оптимизации программ селекции в молочном скотоводстве. // Науч.-технич. бюл. / УНИИЖ “Аскания-Нова”, Херсон, 1986. Вып.2. С. 13-19.

6. Рябко В.М., Горлов А.И., Гейдт М.И. Использование ЭВМ для оптимизации программ селекции // Применение ЭВМ в животноводстве: Тез. Докл. науч.-техн. конф. Тарту, 26-27 ноября 1986 г. /Эст. НИИЖиВ Таллин, 1986. С.113-114.

7. Рябко В.М., Горлов А.И. Методы популяционной генетики и ЭВМ в ускорении селекционного процесса // Науч.-техн. бюл. / УНИИЖ “Аска-ния-Нова”. Херсон, 1987. Вып. 2. С. 41-45.

8. Рябко В.М., Горлов А.И., Гейдт М.И. О критерии оптимизации программ селекции. // Тез. докл. 5 с езда ВОГИС. Москва, 24-28 ноября 1987. М., 1987. Т.3. С. 183-184.

9. Близниченко В.Б., Рябко В.М., Горлов А.И., Гейдт М.И. О выборе критерия оптимизации программ селекции молочного скота. // Молочно-мясное скотоводство: Межв. темат. науч. сб. К.: Урожай, 1988. Вып. 72. С. 51-54.

10. Рябко В.М., Горлов А.И. Алгоритм автоматизированного поиска на ЭВМ оптимального варианта программ селекции // Измерительная и вычислительная техника в управлении производственным процессом в АПК: Матер. Всес. конф., 14-18 ноября 1988. Л., 1988. Ч.2. С. 277-278.

11. Рябко В.М., Горлов А.И., Герасименко Т.Г., Сыротюк Л.А. К вопросу оценки эффективности селекции // Науч.-техн. бюл./ УНИИЖ “Аскания-Нова”. Херсон, 1988. Вып.2. С. 63-64.

12. Рябко В.М., Горлов А.И. Методы отбора перспективных генотипов животных // Теорія і практика сучасної селекції тварин / Матер. конф., присв. 130-річчю виходу у світ моногр. Ч. Дарвіна “Мінливість тварин і рослин під впливом одомашнення”. Селекція в скотарстві., Харківський зооветінститут. 22-23 вересня 1998. Харків, 1999. Ч.2. С. 83-86.

13. Рябко В.М., Горлов А.И. Совершенствование методики определения генетических корреляций для селекционных индексов // Генетика. 1999.Т.35, №6. С.847-852.

Анотація

Горлов О.І. Розробка та удосконалення методів селекційно-генетичних досліджень в молочному скотарстві. - Рукопис.

Дисертація на здобуття наукового ступеня кандидата сільськогосподарських наук за спеціальністю 06.02.01 - розведення та селекція тварин. - Херсонський державний аграрний університет. Херсон, 2001.

Дисертація присвячена питанням удосконалення і розробки методів оцінки генотипу племінних тварин, оптимізації програм селекції в молочному скотарстві.

Удосконалено методи оцінки бугаїв-плідників з врахуванням препотентності, визначення вірогідності багатофакторних моделей, генетичних кореляцій для підвищення обєктивності селекційних індексів.

Розроблено методи формування аналогів за комплексом ознак при будь-якій малій величині фенотипової неоднорідності ознак і критерій оптимізації програм селекції. Оптимізований варіант програми селекції використано при коригуванні плану селекційно-генетичного удосконалення червоної степової худоби на півдні України.

Ключові слова: алгоритми, методи оцінки, програми селекції, вірогідність, великомасштабна селекція, оптимізація програм селекції, критерії оптимізації, параметри оцінки.

Аннотация

Горлов А. И. Разработка и усовершенствование методов селекционно-генетических исследований в молочном скотоводстве. - Рукопись.

Диссертация на соискание ученой степени кандидата сельскохозяй-ственных наук по специальности 06.02.01 - разведение и селекция животных. - Херсонский государственный аграрный университет. Херсон, 2001.

Диссертация посвящена совершенствованию существующих и разработке новых методов селекционно-генетических исследований в молочном скотоводстве.

Разработан критерий оптимизации программ селекции молочного скота, включающий рентабельность и генетический прогресс, позволяющий получать оптимиз...