Acta NaturaeActa NaturaeActa Naturae2075-8251Acta Naturae Ltd1164810.32607/actanaturae.11648Research ArticlesЭкспериментальные статьиResearch ArticleGenomic Estimated Breeding Valueof Milk Performance and Fertility Traits in the Russian Black-and-White Cattle PopulationГеномная оценка племенной ценности молочных коров черно-пестрой породы по совокупности признаков молочной продуктивности и признаков фертильностиSharkoFedor S.ШаркоФедор Сергеевич
Russian Federation
fedosic@gmail.comKhatibAbdulrahmanХатибАбдулрахман
Russian Federation
fedosic@gmail.comProkhortchoukEgor B.ПрохорчукЕгор Борисович
Russian Federation
fedosic@gmail.comLaboratory of vertebrate genomics and epigenomics, Federal Research Centre “Fundamentals of Biotechnology” of the Russian Academy of SciencesФИЦ Биотехнологии РАНLaboratory I-Gene, ZAO “Genoanalytica”ЗАО «Геноаналитика»Department of biotechnology, faculty of Biology, Lomonosov Moscow State UniversityМосковский государственный университет им. М.В. ЛомоносоваAtomic Energy Commission of Syria (AECS), Department of AgricultureКомиссия по атомной энергии Сирии (AECS), Департамент сельского хозяйства100520221411091223011202111022022Copyright ©; 2022, Sharko F.S., Khatib A., Prokhortchouk E.B.Copyright ©; 2022, Шарко Ф.С., Хатиб А., Прохорчук Е.Б.2022Sharko F.S., Khatib A., Prokhortchouk E.B.Шарко Ф.С., Хатиб А., Прохорчук Е.Б.https://creativecommons.org/licenses/by/4.0https://actanaturae.ru/2075-8251/article/view/11648

A breakthrough in cattle breeding was achieved with the incorporation of animal genomic data into breeding programs. The introduction of genomic selection has a major impact on traditional genetic assessment systems and animal genetic improvement programs. Since 2010, genomic selection has been officially introduced in the evaluation of the breeding and genetic potential of cattle in Europe, the U.S., Canada, and many other developed countries. The purpose of this study is to develop a system for a genomic evaluation of the breeding value of the domestic livestock of Black-and-White and Russian Holstein cattle based on 3 milk performance traits: daily milk yield (kg), daily milk fat (%), and daily milk protein content (%) and 6 fertility traits: age at first calving (AFC), calving interval (CI), calving to first insemination interval (CFI), interval between first and last insemination (IFL), days open (DO), and number of services (NS). We built a unified database of breeding animals from 523 breeding farms in the Russian Federation. The database included pedigree information on 2,551,529 cows and 69,131 bulls of the Russian Holstein and Black-and-White cattle breeds, as well as information on the milk performance of 1,597,426 cows with 4,771,366 completed lactations. The date of birth of the animals included in the database was between 1975 and 2017. Genotyping was performed in 672 animals using a BovineSNP50 v3 DNA Analysis BeadChip microarray (Illumina, USA). The genomic estimated breeding value (GEBV) was evaluated only for 644 animals (427 bulls and 217 cows) using the single-step genomic best linear unbiased prediction – animal model (ssGBLUP-AM). The mean genetic potential was +0.88 and +1.03 kg for the daily milk yield, -0.002% for the milk fat content, and –0.003 and 0.001% for the milk protein content in the cows and bulls, respectively. There was negative genetic progress in the fertility traits in the studied population between 1975 and 2017. The reliability of the estimated breeding value (EBV) for genotyped bulls ranged from 89 to 93% for the milk performance traits and 85 to 90% for the fertility traits, whereas the reliability of the genomic estimated breeding value (GEBV) varied 54 to 64% for the milk traits and 23 to 60% for the fertility traits. This result shows that it is possible to use the genomic estimated breeding value with rather high reliability to evaluate the domestic livestock of Russian Holstein and Black-and-White cattle breeds for fertility and milk performance traits. This system of genomic evaluation may help bring domestic breeding in line with modern competitive practices and estimate the breeding value of cattle at birth based on information on the animal’s genome.

Внедрение в селекционные программы данных о геноме животных стало прорывом в селекции крупного рогатого скота. С 2010 года геномная селекция стала официальной системой оценки племенных качеств скота в Европе, США, Канаде и многих развитых странах. Цель данной работы состояла в разработке системы геномной оценки племенной ценности отечественного поголовья крупного рогатого скота черно-пестрой и голштинской породы по трем признакам молочной продуктивности (суточный удой (кг), суточный молочный жир (%) и суточный молочный белок (%); и по шести признакам фертильности (возраст от первого отела (AFC); межотельный период (CI); интервал от отела до первого осеменения (OFI); интервал от первого до последнего осеменения (FLI); длина сервис-периода (DO) и кратность осеменения (NS)). Сформирована единая база данных племенных животных для 523 племенных хозяйств Российской Федерации. В базу данных вошла информация о происхождении 2551529 коров и 69131 быка-производителя молочного направления продуктивности голштинской и черно-пестрой породы, а также информация о продуктивности 1597426 коров с законченными 4771366 лактациями. Даты рождения животных, вошедших в базу данных, – 1975–2017 годы. Проведено генотипирование 672 животных с использованием микроматрицы BovineSNP50 v3 DNA Analysis BeadChip (Illumina, США). Проведена геномная оценка племенной ценности (GEBV) только 644 животных голштинской и черно-пестрой породы (427 быков и 217 коров) (список доступен по ссылке https://doi.org/10.6084/m9.figshare.18673583.v1) с использованием метода одношагового геномного лучшего линейного несмещенного прогноза – модель животного (ssGBLUP-AM). Средний генетический потенциал животных составил +0.88 и +1.03 кг по суточному удою, -0.002% по содержанию жира в молоке и -0.003 и 0.001% по содержанию белка в молоке у коров и быков соответственно (генетический потенциал, который передается на потомство). Установлен отрицательный генетический прогресс по признакам фертильности в популяции за период 1975–2017 годы. Достоверность оценки племенной ценности по качеству потомства (EVB) генотипированных быков варьировала от 89 до 93% по молочным признакам и от 85 до 90% по признакам фертильности. По геному достоверность оценки варьировала от 54 до 64% по молочным признакам и от 23 до 60% по признакам фертильности. Этот результат показывает возможность применения геномной оценки племенной ценности (с довольно высокой достоверностью) отечественного поголовья КРС голштинской и черно-пестрой породы по совокупности признаков фертильности и молочной продуктивности. Система геномной оценки племенной ценности позволит вывести отечественную племенную работу на современный конкурентоспособный уровень и оценивать племенную ценность КРС уже при рождении на основании информации о геноме животного.

GEBVRussian Black-and-White cattlegenotypingTD ssGBLUP-AMtest-daymilk performancefertilityGEBVчерно-пестрая породагенотипированиетестовый деньмолочная продуктивностьфертильностьРФФИRussian Foundation for Basic Research17-29-08033ФИЦ Биотехнологии РАНFederal Research Center of Biotechnology RASМинобрнауки РоссииRussian Ministry of Education and Science14.579.21.0147РФФИRussian Foundation for Basic Research17-29-08033Lukyanov K., Soloshenko V.A., Klimenok I.I., Yudin N.S. // Genetics and animal breeding. 2015. №. 3. P. 63–69.Лукьянов К., Солошенко В.А., Клименок И.И., Юдин Н.С. // Генетика и разведение животных. 2015. № 3. С. 63–69.Tanana L.A., Minina N.G., Klimov N.N., Korshun S.I., Peshko V.V. Fundamentals of farm animal breeding. GGAU, Grodno, 2011. 116 p.Танана Л.А., Минина Н.Г., Климов Н.Н., Коршун С.И., Пешко В.В. Основы разведения сельскохозяйственных животных: Учебное пособие для студентов факультета повышения квалификации и переподготовки кадров. ГГАУ, Гродно, 2011. 116 с.Hayes B.J., Bowman P.J., Chamberlain A.J., Goddard M.E. // J. Dairy Sci. 2009. V. 92. № 2. P. 433–443.Kuznetsov V.M. // Problems of biology of productive animals. 2012. №. 4. P. 18–57.Кузнецов В. // Проблемы биологии продуктивных животных. 2012. № 4. С. 18–57.Pribyl J., Rehout V., Citek J., Pribylova J. // J. Sci. Food Agric. 2010. V. 90. № 11. P. 1765–1773.Robinson G.K. // Statistical Sci. 1991. P. 15–32.Ma L., Cole J., Da Y., VanRaden P. // J. Dairy Sci. 2019. V. 102. № 4. P. 3735–3743.Pryce J., Daetwyler H. // Animal Production Sci. 2011. V. 52. № 3. P. 107–114.Schaeffer L., Jamrozik J., Kistemaker G., van Doormaal J. // J. Dairy Sci. 2000. V. 83. № 5. P. 1135–1144.Jamrozik J., Schaeffer L., Dekkers J. // J. Dairy Sci. 1997. V. 80. № 6. P. 1217–1226.Wiggans G., Goddard M. // J. Dairy Sci. 1997. V. 80. № 8. P. 1795–1800.Meseret S., Tamir B., Gebreyohannes G., Lidauer M., Negussie E. // Asian-Australasian J. Animal Sci. 2015. V. 28. № 9. P. 1226.Van Tassell C.P., Quaas R.L., Everett R.W. // Dairy Sci. 1992. Suppl 1. P. 251.Ptak E., Schaeffer L. // Livestock Production Sci. 1993. V. 34. P. 23–34.Swalve H. // Archiv für Tierzucht. 1995.Nardin D.S., Malinina A.I. // Electronic scientific and methodological journal of Omsk State Agrarian University. 2015. №. 3.Нардин Д.С., Малинина А.И. // Электронный научно-методический журнал Омского ГАУ. 2015. № 3.Ivchenko G.I., Medvedev Yu.I. Introduction to mathematical statistics. M.: LKI, 2010. 600 p.Ивченко Г.И., Медведев Ю.И. Введение в математическую статистику. М.: Изд-во ЛКИ, 2010. 600 с.Arturovich L. // Department of animal husbandry and breeding of the Ministry of Agriculture of the Russian Federation. 1997 P. 23–97.Артурович Л. Правила оценки молочной продуктивности коров молочно-мясных пород. М.: Минсельхозпрод России, 1997. https://pandia.ru/text/80/359/17492.phpWood P. // Nature. 1967. V. 216. № 5111. P. 164–165.Wilmink J. // Livestock Production Sci. 1987. V. 16. № 4. P. 335–348.https://queries.uscdcb.com/eval/summary/inbrd.cfm?R_Menu=HO#StartBodyHastie T., Tibshirani R., Friedman J. // Springer. 2001. P. 236–243.Koivula M., Strandén I., Pösö J., Aamand G., Mäntysaari E. // J. Dairy Sci. 2015. V. 98. № 4. P. 2775–2784.Oliveira H., Lourenco D., Masuda Y., Misztal I., Tsuruta S., Jamrozik J., Brito L., Silva F., Schenkel F. // J. Dairy Sci. 2019. V. 102. № 3. P. 2365–2377.Kuznetsov V.M. // Actual problems of pork production in the Russian Federation. BLUP animal model for breeding assessment of pigs: a basic model. 2010. P. 50–57.Кузнецов В. // Актуальные проблемы производства свинины в Российской Федерации. Maтepиaлы 19-гo зaседaния межвyзoвскoгo кooрдинaциoннoгo сoветa пo свинoвoдствy и международной нayчнo-прoизвoдcтвeннoй кoнференции. ДГАУ. 2010. С. 50–57.Ayalew W., Aliy M., Negussie E. // Asian-Australasian J. Animal Sci. 2017. V. 30. № 11. P. 1550.Misztal I., Tsuruta S., Strabel T., Auvray B., Druet T., Lee D. // Proc. 7th world congress on genetics applied to livestock production. 2002. V. 28. № 7.Patry C., Ducrocq V. // Genet. Sel. Evol. 2011. V. 43. № 1. P. 1–9.Lourenco D., Misztal I., Wang H., Aguilar I., Tsuruta S., Bertrand J. // J. Anim. Sci. 2013. V. 91. № 9. P. 4090–4098.Naserkheil M., Lee D.H., Mehrban H. // BMC Genet. 2020. V. 21. № 1. P. 1–9.Matilainen K., Strandén I., Aamand G.P., Mäntysaari E.A. // J. Anim. Breed. Genet. 2018. V. 135. № 5. P. 337–348.Su G., Ma P., Nielsen U., Aamand G., Wiggans G., Guldbrandtsen B., Lund M. // Animal. 2016. V. 10. № 6. P. 1067–1075.Koivula M., Strandén I., Pösö J., Aamand G.P., Mäntysaari E.A. // Interbull Bulletin. 2012. № 46. P. 115–120.Silva A., Silva D., Silva F., Costa C., Lopes P., Caetano A., Thompson G., Carvalheira J. // J. Dairy Sci. 2019. V. 102. № 7. P. 6330–6339.Oliveira H., Lourenco D., Masuda Y., Misztal I., Tsuruta S., Jamrozik J., Brito L., Silva F., Schenkel F. // J. Dairy Sci. 2019. V. 102. № 3. P. 2365–2377.Bohlouli M., Alijani S., Naderi S., Yin T., König S. // J. Dairy Sci. 2019. V. 102. № 1. P. 488–502.