Каннас – Кормление молочных коз. Гл. 2. Построение лактационной кривой. Ч. 2

Файлы прилагаю к посту (в документе DOC приведены текст главы на русском языке и все иллюстрации).

Из-за большого объема Глава 2 разделена на две публикации.

Подгонка функций времени к данным о молочной продуктивности в основном направлена на описание ее регулярной и непрерывной составляющей (см. ранее), но изучение влияния негенетических, в т.ч. средовых факторов на ежедневную молочную продуктивность и форму лактационной кривой также представляет значительный интерес.

Сообщалось о влиянии числа окозов (порядкового номера окоза) на удой у средиземноморских (Rota et al., 1993; Fernández et al., 2002 г.; Macciotta et al., 2005a), североевропейских и мексиканских (Bouloc, 1992; Montaldo et al., 1997; Crepaldi et al., 1999) пород коз. Удои обычно возрастают с первой по четвертую лактацию, в то время как содержание жира и белка от этого фактора зависит меньше.

Отмечается, что количество родившихся козлят при родах – значимый фактор уровня молочной продуктивности коз. Козы, от которых получали по 2 козленка за 1 роды, имеют более высокую молочную продуктивность как при экстенсивном (Zygoyannis, 1994; Peris et al., 1997; Kominakis et al., 2000; Fernández et al., 2002; Macciotta et al., 2005a), так и при интенсивном (без подсоса) методе содержания (Crepaldi et al., 1999; Goonewardene et al., 1999). Эти результаты подтверждают важную роль и сосательного рефлекса, и физиологических механизмов во время сукозности, подготавливающих вымя к производству большего объема молока у самок, беременных несколькими плодами.

Сезон окоза также влияет на удой. Однако достоверные сравнения между разными исследованиями не реализуемы из-за значительных различий в климатических условиях и системах хозяйствования в разных странах.

Подгонка одной и той же функции по отдельности к сгрупированным по вышеуказанным факторам данным позволяет оценить влияние факторов негенетической изменчивости на форму лактационной кривой. Как пример приведены средние лактационные кривые сардинских коз с группировкой по порядковому номеру окоза и количеству козлят за 1 роды (рис. 2.4 и 2.5, соответственно). Четкое разделение лактационных кривых первокоток и коз старшего возраста (рис. 2.4) подчеркивает разницу в уровне продуктивности. Кривые, представленные на рис. 2.5, подчеркивают более высокий уровень продуктивности коз с двумя козлятами за 1 окоз. Более того, можно также заметить, что влияние типа окоза на лактацию сильнее всего выражено в первые ее 120 дней.

Помимо визуальной оценки построенного графика, функциональный подход позволяет рассмотреть влияние различных источников изменчивости на лактационную кривую путем анализа значений параметров функции, оцененных по отдельности (Gipson and Grossman, 1989; Wahome et al., 1994; Giaccone et al., 1995; Ruvuna et al., 1995; Montaldo et al., 1997; Akpa et al., 2001; McManus et al., 2003). В качестве примера в табл. 2.5 приведены средние значения наименьших квадратов для параметров уравнения Вуда, подогнанных к индивидуальным лактационным кривым коз пород средиземноморская красная (Giaccone et al., 1995) и красная сокотская (Akpa et al., 2001). В обоих исследованиях выявлено статистически значимое влияние порядкового номера окоза на параметра(с его ростом от первокоток к животным старшего возраста). Параметрaотвечает за высоту кривой, т.е. уровень продуктивности, который у молодых животных обычно ниже. Влияние номера окоза на параметрb, выявленное Giaccone et al. (1995), можно объяснить большей крутизной лактационной кривой в первую фазу лактации за счет более высоких пиков удоя. Наконец, абсолютное значение параметраc, имеющего отрицательное значение, было самым низким для первокток, что указывает на большую персистентность лактации у молодых животных.

Однако недостаток использования математической функции времени для оценки влияния негенетических факторов на лактационную кривую заключается в том, что она принимает действие каждого фактора в течение всей лактации за постоянную, тогда как существуют такие факторы, как различия в рационах, климатических условиях или состоянии здоровья, которые могут оказать влияние только на часть лактационного периода (Stanton et al., 1992). В качестве альтернативы этому подходу краткосрочные воздействия удобно моделировать с помощью т.н. моделей тестового дня (Stanton et al., 1992). Эти линейные смешанные модели включают фактор “дата тестирования”, моделирующий эффекты, наблюдаемые в каждый из дней, когда измеряется удой, и фактор “день лактации”, оценки которого позволяют построить лактационную кривую, скорректированную влиянием других факторов, включенных в модель. Модели тестового дня анализируют удои тестовых дней по дробно-деляночной схеме во временном статистическом плане (Diggle et al., 2002), где животное рассматривается как “главная делянка” факторного опыта, а разные временные интервалы, в которые проводятся измерения, – “подделянки” (Macciotta et al., 2004b).

У коз модели тестовых дней использовались для оценки кривых лактации у пород Мурсиана-Гранадина, гиргентана и сардинской (Todaro et al., 1999; Fernández et al., 2002; Macciotta et al., 2005a). На рис. 2.6-2.8 показаны лактационные кривые по удою, жирно- и белковомолочности коз сардинской породы 1-й, 2-й и 3-й лактации, оцененные с помощью модели тестового дня.

Кривые, рассчитанные по моделям тестового дня, менее регулярные(менее гладкие – п.п.)по сравнению с приведенными на рис. 2.4 и 2.5. и характеризуются отсутствием пика лактации. Собственно, при функциональном подходе влияние стадии лактации на молочную продуктивность моделируется функциями, первоначально сконструированными для описания типичной формы лактационной кривой (рис. 2.1), которые воссоздают нарастание до пика лактации, даже при нехватке данных. Напротив, использование интервалов “день лактации” в моделях тестового дня для соответствия влиянию стадии лактации обеспечивается большая гибкость и, следовательно, в средней части графиков могут отмечаться волны (Druet et al., 2003).

Кривые жирно- и белковомолочности в сравнении удоем демонстрируют противоположную тенденцию. У коз, как и у других жвачных, график уровня белка более гладкий по сравнению с кривой жирномолочности.

Наконец, в модели тестового дня включен случайный фактор, чтобы учитывать индивидуальную изменчивость животных. Отношение между компонентом дисперсии, относящимся к фактору животных, и общей фенотипической дисперсией (фактор животных + остаточная), представляет собой коэффициент повторяемости (определяется путем вычисления коэффициента корреляции между последовательными изменениями признака, например, между удоем за первую лактацию и последующие лактации). У сардинских коз этот коэффициент оценивается в 0,34, 0,17 и 0,45 для удоя, жирно- и белковомолочности, соответственно (Macciotta et al., 2005a).

В исследованиях в области моделирования лактационной кривой коз в основном используются эмпирические математические модели, а оцениваются с их помощью данные по местным и тропическим породам. Хорошие результаты были получены при моделировании средних кривых лактации, тогда как в случаях подгонки индивидуальных отмечается значительная изменчивость их форм. Работа с индивидуальными кривыми требует дополнительных исследований, также принимая во внимание во внимание возможность использования в будущем моделей случайных регрессионных тестов для прогнозирования племенной ценности в селекционной деятельности. Меньше число исследований посвящено построению лактационных кривых по моделям тестового дня, хотя оценка негенетических факторов и их специфического воздействия на отдельные промежутки лактационного периода дает интересные результаты.

Необходима дальнейшая разработка моделей, способных с достаточной точностью предсказывать удой с помощью тестовых дней во время лактации. Собственно, для усиления влияния селекционных программ на стада молочных коз необходимо увеличение охвата (числа изучаемых животных), но это повысит стоимость программ. Компромисс между этими двумя аспектами может быть достигнут с помощью подходящей математической модели, способной предсказать пропущенные тесты на основе фактически имеющихся данных, зафиксированных с достаточной точностью. Значительный интерес представляют модели, основанные на многомерном подходе, такие как частичная регрессия наименьших квадратов (Macciotta et al., 2006), а также применение нейросетей (Fernandez et al., 2006).

Высокая теоретическая и техническая сложность механистического подхода ограничивает его использование в зоотехнии, особенно в козоводстве. С другой стороны, благодаря продолжению развития этого подхода можно получить ценные материалы как с точки зрения прогнозирования удоев, так и в оценке параметров, непосредственно связанных с биологическими процессами, лежащими в основе производства молока.