Статью подготовил Королёв Михаил Иванович, кандидат технических наук, руководитель компании МАТРИЦА, занимающейся экспертной автоматизацией животноводства.
Одомашнивание диких кабанов, диких европейских овец и туров несколько тысяч лет назад послужило началом развития селекции в животноводстве. С течением времени специалистами были достигнуты значительные успехи в создании новых и улучшении существующих пород животных.
Однако сегодня перед животноводством, как никогда раньше, стоит важная задача совершенствования системы управления селекционным процессом для получения приплода с лучшими генетическими показателями с целью наращивания производительности животноводческих комплексов.
История совершенствования генетических показателей
С развитием мировой экономики, менялись и цели племенного разведения свиней, а также актуальность отдельных признаков.
Генетическая программа прошлых лет придерживалась принципа получения максимальной коммерческой ценности, делая ставку на генетически важные прогнозы для достижения оптимальных комбинаций необходимых показателей у животных.
Так в 70-х годах прошлого века в генетических процессах в первую очередь учитывали постность мяса, эффективности кормления и привес. Через 20 лет ситуация изменилась в иную сторону добавив в список ключевых показателей еще и размер гнезда.
В 2020 году помимо основных трех показателей: постность, эффективности кормления и привес, наиболее значимым стала продуктивность животного, а также добавились показатели сохранности и качества мяса.
Сегодня признаки с низкой наследуемостью, которые требуют анализа обширных данных, становятся все более важными. Поэтому селекционные цели сместились с внешних характеристик экстерьера, эффективности кормления, постности и привесов до современных задач, направленных на получение максимальной продуктивности от животного в течение всей его жизни, а также на крепость скота и качество мяса.
В будущем тенденция на признаки с низкой наследуемостью только усилится ввиду интенсивного роста населения. Как предсказывает консалтинговое агентство “Deloitte” к 2050 году численность населения планеты будет насчитывать 9,7 миллиарда человек, а потребление мясных продуктов в год почти достигнет отметки в 500 миллионов тонн.
В этом плане только цифровизация селекционных процессов и методов оценки поможет значительно увеличить продуктивность животных и качество их мяса за счет более точной генетической оценки возможностей тех или иных особей.
Основные показатели оценки животных
Изменение роста и развития отдельных параметров сельскохозяйственного животного в разные периоды жизни претерпевает существенные изменения интенсивности. Благодаря этому у селекционеров появляется возможность существенно трансформировать развитие отдельных областей и типа телосложения животных за счет изменения условий кормления и содержания.
Сегодня эффективное ведение животноводства базируется на принципах гибридизации и раздельной селекции материнских и отцовских пород с помощью принципа генетической пирамиды.
Принцип генетической пирамиды заключается в совершенствовании породы на нескольких уровнях. На первом уровне происходит формирование генетического прогресса в племенном ядре племенных чистопородных животных.
На втором уровне осуществляется мультипликация генетического прогресса при получении родительской гибридной свинки. А уже третий уровень использует генетический прогресс в товарных стадах при откормке гибридного молодняка на мясо.
Показателей многоплодия и живорождения удается улучшить за счет совершенствования материнских пород. Также принцип генетической пирамиды позволяет добиться увеличения отцовских характеристик в рамках улучшения показателей качества мяса. Общим преимуществам для всего свинокомплекса, при использовании генетической пирамиды, является повышение экономической эффективности и доходности.
Однако в вопросах генетического отбора число особей в стаде играет особую роль. Ведь чем больше поголовья анализируется в процессе, тем эффективнее будет генетическое улучшение. Поэтому весомые результаты селективной работы можно получить только в хозяйствах с большим поголовьем скота.
Однако анализ особей по нескольким показателям и на нескольких уровнях с учетом характеристик предыдущих поколений слишком масштабная задача, требующая перехода от ручного труда к цифровизации.
В этом плане система Big Data, позволяющая обрабатывать большие объемы информации, способствовала геометрическом росту точности оценки с возможностью получения безошибочных данных.
Однако так было не всегда и, прежде чем цифровизироваться, методы селективной оценки прошли длительный путь ручного анализа с высокой долей погрешности.
История развитие методов оценки
Любой свиноводческий комплекс стремится к совершенствованию животных, улучшению их производительности путем изменения ключевых показателей особей в каждом новом поколении. По данным исследовательского агентства NSR за последние сто лет селекция в животноводстве преодолела несколько этапов развития от метода сравнения продуктивности внутри стада к методу геномной селекции.
Ранее в племенной работе оценка скота производилась на основе его собственных показателей, отбирая животных с ярко выраженными признаками.
Однако, выбирая скот только по их собственным показателям, не всегда возможно добиться проявления этих самых показателей у потомства, так как некоторые признаки, в частности многоплодие, имеют низкую степень наследуемости. Стало очевидно, что для более объективной оценки продуктивности, требуется анализ всей возможной информации о родственниках с учетом возрастных показателей, удаленности по генеалогическому дереву и другим характеристикам.
Под влиянием технологического прогресса развивались и методы оценки потомства от простого наблюдения и анализа, к использованию прогрессивных технологий и методов оценки. На сегодняшний день основополагающим селективным методом принято считать метод BLUP, маркерную селекцию и геномную селекцию. Расскажем подробнее о каждом методе оценки.
Метод BLUP
С развитием племенной работы возникла потребность в разработке статистического метода, позволяющего на основе продуктивности потомков давать наиболее точный прогноз племенной ценности их отцов. Так был разработан статистический метод расчета BLUP (Best Linear Unbiased Prediction — Лучший линейный неискаженный прогноз), учитывающий в оцениваемых значениях влияние причинных факторов.
И в отличие от предыдущих методов, данный подход повышает результативность селекции при меньших затратах. Модель BLUP используется для описания данных, включая причинные факторы, оказывающие влияние на продуктивность.
Так индекс BLUP складывается из следующих показателей:
1. Информация о родственниках и их продуктивности
2. Информация о собственной продуктивности
3. Корректировка влияния окружающей среды
4. Экономический вес анализируемых признаков
5. Сравнение племенной ценности в пределах данной популяции
6. Генетическая и фенотипическая корреляция между признаками
Метод BLUP учитывает как паратипические, так и генетические факторы, оказывающие влияние на изменчивость изучаемых признаков. А путем одновременной оценки этих факторов достигается достоверность оценки племенной ценности хряка-производителя, что повышает отбор особи с наилучшими наследственными характеристиками.
Для более точного анализа показателей в рамках использования данной модели требуется ведение качественного племенного учета и наличия базы данных на все племенное поголовье.
Маркерная селекция
Увеличение эффективности селекционной работы достигается за счет выявления генотипов, для носителей которых имеющиеся условия позволяют развивать комплекс желательных признаков продуктивности.
В рамках метода маркерной селекции осуществляется поиск маркеров, позволяющих выявить генотипы животных, обладающих хозяйственно-полезными признаками или наследственными заболеваниями:
● ген злокачественного гипертермического синдрома MNS ген;
● ген, ответственный за вкусовые качества мяса RN ген, или ген Наполи;
● гены, ответственные за высокую плодовитость ESR и PRLR гены;
● гены внутримышечного жира HFABP и AFABP гены.
Основные направления работы маркерной селекции:
1. Достоверность происхождения;
2. Отслеживание аллелей с благоприятным эффектом;
3. Отслеживание аллелей с неблагоприятным эффектом;
4. Геномный отбор.
Геномная селекция
В Европе и США в племенном свиноводстве с каждым годом наращивает свой потенциал технология геномной селекции. Смысл ее заключается в расшифровке генотипа свиней сразу после рождения для отбора лучших особей и последующего разведения. Так технология повышает точность оценки племенной ценности молодых животных на основе информации о полиморфизме SNP маркеров на полногенном уровне.
В перспективе метод позволит увеличить селекционную точность и надежность племенной ценности свиней.
Процесс геномной селекции включает три этапа: использование методов фенотипирования и генотипирования тестовой популяции, выявление и корреляции между фенотипом и генотипом с последующим отбором по генотипу из селекционного материала.
Таким образом генетическая селекция учитывает информацию по родословной животных по предшествующим поколениям, информацию по продуктивности для выявления особей с целью селекции и данные по полной последовательности ДНК генома каждой отбираемой свиньи.
С помощью этого метода задача повышения продуктивности, качества мясной продукции и устойчивости к заболеваниям реализуется намного быстрее, в сравнении с предыдущими методами оценки.
Однако на российских производствах геномная селекция чаще является роскошью, чем обыденностью, и в лучшем случае комбинируется с другими методами оценки животных. Так 60% от всего селекционного эффекта получают, например, от использования метода BLUP, а остальной эффект складывается за счет геномной оценки.
Преимущества геномной селекции
К основным преимуществам геномной селекции можно отнести высокую скорость селекции, улучшение генофонда животных, точное проведение анализа и включение новых оценок учета хозяйственно-полезных признаков.
С точки зрения экономической эффективности геномная селекция, особенно в сравнении с предыдущими методами оценки, позволяет получить на 25% больше выгоды и сократить время оценки почти в 4 раза, с 6 лет до 21 месяца.
Автоматизация селективной работы на ферме
Активно развиваясь за рубежом, в России генетическая селекция находится в фазе формирования из-за отсутствия необходимой материально-технической базы, отвечающей за качественный сбор первичной информации.
Сбор первичных материалов для селекции является наиболее значимым звеном, влияющим на эффективность всей оценки в дальнейшем. Ранее на большинстве фермах весь зоотехнический учет выполнялся преимущественно вручную. Каждый сотрудник самостоятельно собирал данные, заносил сведения в журнал или в таблицу Excel, поэтому вся информация была разрознена и нередко фиксировалась с ошибками и погрешностями из-за влияния человеческого фактора.
Прогноз эффекта селекции требует филигранной точности от исходных данных, ведь даже если в одном параметре будет допущена ошибка, то это повлияет на результат селективных процессов в целом, отбросив селекционера и всю его работу на несколько месяцев назад.
За последние 20 лет крупные и средние сельхозпредприятия и генетические центры России озадачились проблемой некачественных данных, поэтому приняли решение о внедрении системы автоматизации.
«1С:Предприятие 8. Селекция в животноводстве. Свиноводство» от компании Матрица — является одной из передовых программ на рынке. А также имеет 20-ти летний проектный опыт внедрения для различных предприятий России.
Программа производит обмен между сельскохозяйственным предприятием, генетическими центрами, датчиками и оборудованием, установленным в хозяйстве. Вся информация хранится в облачном сервисе, предоставляя доступ к подробным и точным данным для принятия стратегических решений в вопросах управления и племенной работы.
Программа учитывает реалии российского сельскохозяйственного рынка, а также потребности руководителей, зоотехников и ветеринаров, позволяя проводить учет сразу по нескольким показателям.
Помимо автоматизации производственного учета, программа «1С:Свиноводство»:
● Организует единую базу животных с их родословной,
● Ускоряет процесс селекции и проверку пород и линий на комбинационную способность при гибридизации;
● Способствует достижению высоких показателей продуктивности;
● Помогает рассчитывать рейтинги животных по различным показателям;
● Формирует информацию по бонитировке стада.
Будущее анализа данных и цифровой генетики
Несмотря на всю консервативность сельскохозяйственной отрасли, внедрение технологий автоматизации и цифровизации на фермерском хозяйстве — уже не дань моде, а вынужденная мера. Конечно, роботы заменить человека полностью не смогут, однако уже сейчас в IT-среде разрабатываются технологии, способные полностью изменить привычный облик животноводческого комплекса.
Наиболее ожидаемые и применимые к сельскому хозяйству технологии:
● Предиктивная аналитика — прогнозирование будущего поведения объектов, на основе собранных данных;
● Имитационное моделирование — проведение исследования на виртуальной модели, точно описывающей реальную систему;
● Машинное обучение и нейросети — искусственный интеллект способный оценивать ситуацию и принимать решения на основе логических связей;
● Data Mining — разрабатываемая технология добычи новой значимой информации из большого объема данных.
В будущем каждое из этих направлений кардинально модернизирует работу селекционеров, предоставив человеку возможность предугадывать характеристики потомства скота на несколько поколений вперед.
Однако уже сейчас существует система автоматизации животноводческих комплексов и генетических центров, позволяющая вести грамотную и результативную племенную работу в стаде с минимизацией расходов и возможных рисков.