Генетическая и геномная вариабельность компонентного состава молока и количества соматических клеток у коров голштинской породы тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Лашнева Ирина Алексеевна
Лашнева Ирина Алексеевна
кандидат наук
2023
- Специальность ВАК РФ00.00.00
- Количество страниц 206
Оглавление диссертации кандидат наук Лашнева Ирина Алексеевна
2. ОСНОВНАЯ ЧАСТЬ
2.1 ОБЗОР ЛИТЕРАТУРЫ
2.1.1 Характеристика и современное состояние популяции скота черно -пестрой и голштинской пород по продуктивным качествам
2.1.2 Характеристика основных компонентов молока коров, включая количество соматических клеток, и факторы, влияющие на его состав
2.1.3 Влияние средовых факторов, определяющих изменчивость компонентного состава молока коров
2.1.4 Влияние генетических факторов на белковую и жировую фракции, количество соматических клеток в молоке коров
2.1.5 Методы определения компонентного состава молока и оценка физиологического статуса коров по биомаркерам
2.1.6 Заключение по обзору литературы
2.2 МАТЕРИАЛЫ И МЕТОДЫ ИССЛЕДОВАНИЙ
2.3 РЕЗУЛЬТАТЫ СОБСТВЕННЫХ ИССЛЕДОВАНИЙ
2.3.1 Фенотипическая и генетическая изменчивость показателей состава молока коров голштинской породы и количества соматических клеток в нем на уровне популяции
2.3.1.1 Характеристика биомаркеров обмена веществ, определяемых в молоке, для оценки функционального состояния коров
2.3.1.2 Использование показателя энергетически-корректированного молока и его взаимосвязь с хозяйственно-полезными качествами коров
2.3.1.3 Оценка изменчивости компонентного состава молока и количества соматических клеток в нем на основе построения стандартных лактационных кривых
2.3.2 Взаимосвязь наличия транс-изомеров жирных кислот в молоке с составом и продуктивностью коров
2.3.3 Дифференциация соматических клеток в молоке как критерий оценки состояния молочной железы и уровня молочной продуктивности коров опытного стада
2.3.3.1 Оценка физиологического состояния коров на основе результатов анализа гематологических и биохимических параметров крови
2.3.4 Проведение полногеномного анализа ассоциаций с компонентным составом молока, аннотация генов и поиск локусов количественных признаков
2.3.4.1 Результаты полногеномного анализа ассоциаций с оценками племенной ценности быков-производителей по составу молока дочерей
2.3.4.2 Результаты полногеномного анализа ассоциаций с прямыми фенотипами коров для показателей жирнокислотного состава молока,
количества соматических клеток и их дифференциации в нем
3. ЗАКЛЮЧЕНИЕ
3.1 Выводы
3.2. Рекомендации по практическому использованию научных выводов
3.3. Перспективы дальнейшей разработки темы исследований
СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ
СПИСОК ЛИТЕРАТУРЫ
Рекомендованный список диссертаций по специальности «Другие cпециальности», 00.00.00 шифр ВАК
Влияние различных факторов на содержание соматических клеток в молоке коров2006 год, кандидат сельскохозяйственных наук Коротков, Алексей Сергеевич
Совершенствование генетической оценки быков-производителей черно-пестрой и голштинской пород по признакам молочной продуктивности дочерей на примере популяции крупного рогатого скота Казахстана2024 год, кандидат наук Харжау Айнур
Влияние генетических и паратипических факторов на качественные признаки молочной продуктивности высокопродуктивных коров черно-пестрой породы2006 год, кандидат сельскохозяйственных наук Васильева, Ольга Константиновна
Состав и технологические свойства молока коров симментальской и холмогорской пород в условиях Республики Бурятия2012 год, кандидат сельскохозяйственных наук Тыхенова, Оксана Георгиевна
Хозяйственно-биологические особенности голштинизированных коров черно-пестрой породы2012 год, кандидат сельскохозяйственных наук Игнатьева, Наталия Леонидовна
Введение диссертации (часть автореферата) на тему «Генетическая и геномная вариабельность компонентного состава молока и количества соматических клеток у коров голштинской породы»
1. ВВЕДЕНИЕ
Актуальность темы исследования. Молоко относится к основным продуктам питания человека. Молокоперерабатывающая промышленность учитывает комплекс показателей молока-сырья, характеризующих его качественные и технологические свойства, что является одним из основных факторов, влияющих на рентабельность отрасли молочного скотоводства. Анализ компонентного состава молока расширяет возможности контроля его качества, позволяет проводить мониторинг стада и выявлять «неблагополучных животных», более детально оценить эффективность менеджмента и найти новые селекционные критерии.
Современные тенденции развития молочной индустрии изменили концепцию в подходе к качеству продукции с учетом требований рынка. В этой связи изучение показателей свертываемости молока для повышения выхода сыра при переработке, жирнокислотного состава для оценки питательной и биологической ценности молока по содержанию ненасыщенных компонентов (моно- и полиненасыщенных), насыщенных ЖК и трансизомеров ЖК (Soyeurt H., 2006; Vargas-Bello-Pérez E., 2013; Kliem K.E., 2016; Hanus O., 2018) , а также качественных показателей молока по количеству соматических клеток (Chen H., 2021; Carvalho-Sombra T.C.F., 2022) , является важной селекционной задачей. Таким образом, более детальный анализ состава молока может помочь в поиске путей генетического улучшения животных и получаемой от них продукции.
Введение дополнительных параметров оценки количественного и качественного состава молока коров должно положительным образом отразиться на реализации генетического потенциала животного. Это возможно осуществить за счет контроля и коррекции средовых условий для нормализации обмена веществ, улучшения воспроизводительных качеств, удлинения срока продуктивного использования (Hanus O., 2011; Zaalberg R.M., 2019; Costa A., 2019).
Генетическая изменчивость большинства компонентов молока колеблется от 7 до 40%. Ряд показателей, таких как содержание мочевины, ацетона, бета-гидроксимасляной кислоты и точка замерзания, на первый взгляд, могут показаться неперспективными к учету в селекции, т.к. отражают реакцию животного на изменение рациона, обмен веществ, технологические параметры производства молока. Однако, популяционный мониторинг может помочь в отборе наиболее устойчивых и адаптированных животных. Стоит отметить и тот факт, что для селекционного контроля состава молока коров, наибольший интерес, по-прежнему, представляют экономические показатели по проценту жира и белка, а также количеству соматических клеток (FШpejova 2011; Bilal &, 2014; Zaalberg R.M., 2019).
Наиболее актуальной задачей в селекции молочного скота на сегодняшний момент остается повышение белковомолочности в связи с общим дефицитом белка в рационе людей, а также постоянно растущим его потреблением в мире. Немаловажным остается и традиционный отбор животных по жирномолочности, который обеспечивает удовлетворение рынка по основным продуктам питания: сливочное масло, сметана, сливки и сектор мягких сыров. Вместе с этим увеличение продуктивности ведет к напряженности физиологического статуса организма коров, метаболическому стрессу (Егиазарян А.В., 2012; Ефимова Л.В., 2018; Ковальчук С.Н., 2021).
Таким образом, популяционный мониторинг может помочь в отборе наиболее устойчивых и адаптированных животных во взаимодействии «генотип-среда». Контроль компонентного состава молока позволит более детально разобраться в процессах обмена веществ.
Для более детального понимания возможностей использования расширенного компонентного состава молока коров, определены следующие функциональные параметры каждого из биомаркеров:
• массовая доля лактозы: энергетическая ценность молока, оценка вкусовых качеств;
• точка замерзания: технологический регламент доения, оценка фальсификации молока;
• концентрация мочевины: оценка баланса между энергией рациона и потреблением протеина корма;
• концентрация ацетона и бета-гидроксибутирата (БГБ): мониторинг риска возникновения субклинической формы кетоза;
• казеиновая фракция белка: белковомолочность, выход продукции
сыра;
• показатель энергетически корректированного молока (ЕСМ): эмпирическое соотношение в определенной пропорции к удою массовой доли жира и белка молока, которое позволяет оценить напряженность метаболического баланса организма животного в связи с уровнем продуктивностьи и функциональными качествами;
• содержание жирных кислот (ЖК) - миристиновая (С14:0), пальмитиновая (С16:0), стеариновая (С18:0), насыщенные ЖК (НЖК): жирномолочность, обмен веществ, потенциальная продукция метана;
• содержание мононенасыщенных ЖК (МНЖК), полиненасыщенных ЖК (ПНЖК), олеиновой ЖК (С18:1): фертильность, выход продукции масла, технологические свойства, органолептические качества продукции;
• содержание короткоцепочечных ЖК (КЦЖК), среднецепочечных ЖК (СЦЖК) и длинноцепочечных ЖК (ДЦЖК): энергетический статус животного, питательная ценность продукции, биомаркер здоровья;
• содержание транс-изомеров ЖК (ТЖК): качественные показатели продукции для использования в питании человека, фальсификация молока;
• количество соматических клеток: оценка риска возникновения субклинической формы мастита.
Поиск потенциальных биомаркеров, отвечающих за формирование и последующую реализацию продуктивности особей, их функциональных качеств и здоровья вымени представляется одной из наиболее значимых задач
настоящих исследований. Коллегией Евразийской экономической комиссии (ЕЭК) в 2023 году внесены изменения в методику оценки племенной ценности скота молочного направления продуктивности, которые дополняют перечень селекционируемых признаков, включив соматические клетки как показатель здоровья вымени. В этой связи, использование инфракрасных спектров среднего диапазона излучения для массового скрининга количественных и качественных параметров молока коров представляется актуальным.
В настоящее время для определения компонентов молока широкое применение нашел метод инфракрасной спектроскопии (показатели молока) и проточной цитометрии (количество соматических клеток и их дифференциация по видам). Данные, получаемые практически автоматически и без дополнительных затрат, увеличивают возможности для экспресс-анализа. Преимуществами использования спектроскопии являются:
> быстрое применение (от 100 проб в час);
> низкие затраты;
> минимальная пробоподготовка;
> возможность ведения индивидуального учета каждого животного;
> возможность повторно использовать цифровой спектр молока для других параметров посредством разработки новых калибровочных уравнений.
Степень разработанности темы. В зарубежной литературе встречается множество исследований, посвященных анализу компонентного состава молока коров с использованием инфракрасной спектрометрии (De Marchi M., 2014; Delhez P., 2020; Du C., 2020; Tiplady K.M., 2022). Данные работы носят популяционный характер и нацелены на более детальное изучение показателей молока и их изменчивости под влиянием генетических и средовых факторов. Отмечается множество исследований по жирнокислотному составу молока коров и механизмам их синтеза в организме, определению метаболитов обмена веществ в молоке (мочевина, ацетон, БГБ) для прогнозирования физиологического статуса животных, а также контролю за
количеством соматических клеток (Hanus O., 2011; Aguilar M., 2012; Bastin C., 2016; Kostensalo J., 2023; Buitenhuis A.J., 2023). Зарубежными исследователями последние годы широко внедряется использование показателя дифференциации соматических клеток по их морфологическим видам (лейкоциты, полиморфноядерные нейтрофилы, макрофаги). Данный метод оценки состояния молочной железы коров позволяет повысить точность выявления наличия воспалительного процесса и определения формы заболевания маститом (Schwarz D., 2017; Damm M., 2017; Halasa T., 2020; Schwarz D., 2020). В нашей стране работы по анализу дифференциации соматических клеток в молоке ранее не встречались. Для поиска генетических маркеров, а также локусов количественных признаков, детерминирующих изменчивость состава молока и количества соматических клеток в нем, все большую актуальность приобретает метод полногеномных ассоциативных исследований (Cole J.B, 2011; Buitenhuis B., 2014; Ilie D.E., 2021; Jiang J., 2021). Понимание механизмов регулирования продуктивных качеств животных на уровне генома открывает новые пути в разведении и селекции молочного скота.
Цель исследования - характеристика хозяйственно-полезных качеств животных голштинской породы на основе изучения генетической и геномной изменчивости расширенного компонентного состава и количества соматических клеток в молоке коров, полученных при использовании инфракрасной спектрометрии и проточной цитометрии.
Задачи:
1. Сформировать исследовательскую базы данных компонентного состава молока коров по содержанию казеина, жирных кислот, метаболитам обмена веществ и количеству соматических клеток на основе выборки племенных хозяйств голштинского скота для популяции Московской области.
2. Изучить влияние средовых факторов на изменчивость показателей молока коров исследуемой популяции по уровню следующих фиксированных эффектов: хозяйство, год, сезон и месяц отела, возраст в лактациях.
3. Определить селекционно-генетические параметры и генетическую изменчивость компонентного состава молока коров исследуемой популяции по расширенному спектру показателей с учетом значимости средовых факторов на основе метода ограниченного максимального правдоподобия (REML).
4. Изучить изменчивость фенотипических показателей для следов метаболитов (ацетон, бета-гидроксибутират) и молярной концентрации мочевины в молоке коров исследуемой популяции, а также наличия/отсутствия транс-изомеров жирных кислот во взаимосвязи с молочной продуктивностью животных.
5. Установить взаимосвязь количества соматических клеток и их дифференциации по видам с показателями удоя, компонентного состава молока в зависимости от группы здоровья молочной железы коров голштинской породы; определить экономическую составляющую реализации молока от животных из разных групп.
6. Провести полногеномные ассоциативные исследования (GWAS) с оценкой племенной ценности генотипированных быков-производителей для компонентного состава молока коров-дочерей, а также количеству соматических клеток в нем на основе использования SNP-генотипирования.
7. Изучить результаты GWAS анализа и дать аннотацию генов, входящих в локусы количественных признаков, для коров опытного стада на основе изменчивости фенотипических показателей жирнокислотного состава молока, количества соматических клеток и их дифференциации по видам.
Новизна исследований заключается в том, что впервые в рамках популяционных исследований расширенного компонентного состава молока коров получены селекционно-генетические параметры наследуемости и изменчивости для использования в программе разведения голштинского скота. Определены группы биомаркеров молока для оценки (прогноза) состояния здоровья и хозяйственно-полезных качеств животных. Предложен подход по градации лактирующих коров на группы здоровья по соотношению
количества соматических клеток в молоке и их дифференциации по видам. В рамках полногеномного анализа ассоциаций установлены однонуклеотидные полиморфизмы в генах, формирующие локусы количественных признаков, сопряженных с компонентным составом и количеством соматических клеток в молоке коров.
Теоретическая и практическая значимость работы. Оценка содержания казеина, насыщенных и ненасыщенных жирных кислот, количества соматических клеток для быков-производителей и коров позволит вести корректировку подбора родительских пар для получения потомства с заданными параметрами качественного и количественного состава молока. Проведение мониторинга компонентного состава молока на примере популяции голштинского скота даст возможность определить оптимальные уровни содержания метаболитов обмена веществ для обеспечения реализации продуктивного потенциала животных. Распределение животных на группы здоровья молочной железы по анализу соматических клеток и их дифференцации позволит своевременно выявлять коров на начальном этапе воспалительного процесса в вымени (мастит), что обеспечит сохранение продуктивного потенциала у животных.
Методология и методы исследований.
В исследованиях были использованы результаты анализа расширенного компонентного состава молока коров голштинской породы 14 племенных стад из Московской области (2017-2018 гг.) АО «Московское» по племенной работе». В анализ вошли более 20 показателей, популяционно-генетические параметры и изменчивость которых оценивали на основе метода REML (residual maximum likelihood) с использованием семейства программ BLUPF90 (Misztal I., 2022). Один из этапов исследований проводили на основе выборки коров голштинской породы опытного хозяйства ПЗ «Ладожский» - филиал ФГБНУ ФИЦ ВИЖ им. Л.К. Эрнста в период 2020-2022 гг. Отбор проб молока коров осуществлялся индивидуально во время проведения ежемесячных контрольных доений. Фракционный состав молока определяли с помощью
автоматического анализатора MilkoScan 7 / Fossomatic 7 DC («FOSS», Дания). Наравне с оценкой коров по полному фенотипическому описанию спектра жирных кислот и компонентов молока, также проводили их генотипирование с помощью биочипа Bovine GGP 150K («Neogen», США). Контроль качества генотипирования, анализ полногеномных ассоциаций (GWAS, genome-wide association study) и многомерное шкалирование (MDS, multidimensional scaling) выполняли с помощью программы Plink 1.9. Поиск генов по выявленным значимым полиморфизмам проводили в браузере Ensembl по сборке генома крупного рогатого скота Bos taurus UMD 3.1.1 (https://www.ncbi.nlm.nih.gov/assembly/). Аннотацию генов для определения локусов количественных признаков на хромосомах животных осуществляли по международной базе данных Animal QTLdb.
Основные положения диссертации, выносимые на защиту:
1. Согласно параметрам генетической изменчивости определены показатели расширенного компонентного состава молока коров голштинской породы по спектру казеина, ряда жирных кислот (C14:0, C18:0, C18:1, МНЖК, СЦЖК, ДЦЖК) и биомаркеров обмена веществ (мочевина), количеству соматических клеток, имеющие потенциал использования в селекции.
2. Установлены группы биомаркеров молока, характеризующие функциональное состояние коров в связи с влиянием средовых факторов на их организм и нарушением соотношения: следов ацетона и БГБ, массовой доли белка и концентрации мочевины, а также наличия транс-изомеров ЖК.
3. На основе анализа числа соматических клеток и их дифференциации по видам в молоке коров голштинской породы определены четыре группы животных по оценке здоровья молочной железы, по которым возможно оценить нарушения в её функции.
4. Аннотированы гены, входящие в локусы количественных признаков в геноме скота (Bos taurus), которые детерминированы точечными мутациями, сопряженными с генетической изменчивостью количественного (массовая
доля жира, белка, метаболиты, ЖК) и качественного состава молока коров (количество соматических клеток и их дифференциация).
Степень достоверности и апробация работы.
Все работы с образцами проб сырого молока коров выполнялись в аккредитованных лабораториях селекционного контроля качества молока (АО «Московское» по племенной работе», ФГБНУ ФИЦ ВИЖ им. Л.К. Эрнста). Достоверность получения точных результатов достигалась путем индивидуального отбора проб, при регламентированной процедуре отбора образцов, строгого ведения и учета сопроводительной документации. Обработка и анализ популяционно-генетических параметров, а также определение генотипов коров по SNP-маркерам осуществлялся на основе общепризнанных статистических методов с использованием специального программного обеспечения ^ТАТКТГСА 10, БЬиРБ90, ОепошеБШёю 2.0).
По материалам диссертационной работы опубликовано 10 работ, в том числе 7 - в журналах, рекомендованных ВАК РФ и к ним приравненным, 3 - в других журналах и сборниках трудов конференций. Подана одна заявка на патент.
Основные результаты диссертационной работы были представлены на 11 конференциях: Международная конференция студентов, аспирантов и молодых ученых «Ломоносов-2019» (ФГБОУ ВО «МГУ имени М.В. Ломоносова»), 8 - 12 апреля 2019 г., г., Москва (постер); XXV международная научно-практическая конференция «Повышение конкурентоспособности животноводства и задачи кадрового обеспечения» (ФГБОУ РАМЖ) 25 июня 2019 г., п. Быково, г.о. Подольск (устный доклад); Круглый стол «Миловановские чтения», устный доклад на тему: "Биотехнология репродукции сельскохозяйственных животных" (ФГБНУ ФИЦ ВИЖ им. Л.К. Эрнста), 13 ноября 2020, п. Дубровицы (устный доклад); оп-Нпе Российско-таджикская научно-практическая конференция «Исследования в области биоразнообразия и экологии» (на базе Юго-Западного государственным университета), 14 ноября 2020 г, г. Курск (устный доклад); научный
коллоквиум молодых ученых и аспирантов (Музей искусственного осеменения животных (ФГБОУ РАМЖ), 18 мая 2021 г., п. Быково, г.о. Подольск (устный доклад); on-line III Международная научно-практическая конференция "Проблемы и перспективы научно-инновационного обеспечения агропромышленного комплекса регионов" (Курский ФАНЦ), 28 июня 2021 г., г. Курск (устный доклад); Международная онлайн-конференция ASAS-CSAS Annual Meeting and Trade Show (Ежегодная конференция Американского и Канадского общества наук о животных), 14 - 17 июля 2021 г., штат Кентукки, США (постер); научно-практическая конференция с международным участием «Аграрная наука на современном этапе: состояние, проблемы, перспективы» (ФГБУН ВолНЦ РАН), 24.02.2022 г., г. Вологда (устный доклад); Международная научно-практическая конференция устный доклад (ФГБОУ ВО Брянский ГАУ), 26 мая 2022 г., г. Брянск (устный доклад); Всероссийская школа-конференция «Клеточные и геномные технологии для совершенствования сельскохозяйственных животных» устный (ВНИИГРЖ), 24 июня 2022 г., г. Пушкин (устный доклад); I Международная молодежная конференция «Генетические и радиационные технологии в сельском хозяйстве» устный доклад (ФГБНУ ВНИИРАЭ), 18-21 октября 2022 г., г. Обнинск.
Список опубликованных работ по теме диссертации.
Публикации в журналах, рекомендованных ВАК РФ и к ним приравненным:
1. Лашнева И.А., Сермягин А.А. Влияние наличия транс-изомеров жирных кислот в молоке на его состав и продуктивность коров // Достижения науки и техники АПК. - 2020. - Т.34 - №3 - С. 46-50 doi: 10.24411/0235-24512020-10309
2. Сермягин А.А., Лашнева И.А., Косицин А.А., Игнатьева Л.П., Артемьева О.А., Solkner J., Зиновьева Н.А. Морфологический состав соматических клеток в молоке коров как критерий оценки здоровья молочной железы в связи с продуктивностью и компонентами молока //
Сельскохозяйственная биология. - 2021. - Т.56 - №6 - С. 1183-1198 doi: 10.15389/agrobiology.2021.6.1183rus
3. Lashneva I.A., Sermyagin A.A., Ignatieva L.P., Gladyr E.A., Ermilov A.N., Zinovieva N.A. Milk somatic cells monitoring in Russian Holstein cattle population as a base for determining genetic and genomic variability // Journal of Animal Science. - 2021. - Vol. 99 (S3). - P. 252. doi: 10.1093/jas/skab235.460.
4. Sermyagin A.A., Lashneva I.A., Ignatieva L.P., Kositsin A.A., Gladyr E.A., Ermilov A.N., Yanchukov I.N., Zinovieva N.A. Genome-wide association study for mir-predicted milk fatty acids composition in Russian Holstein cattle population // Journal of Animal Science. - 2021. - Vol. 99 (S3). - p. 245-246. doi: 10.1093/jas/skab235.488.
5. Сермягин А.А., Игнатьева Л.П., Лашнева И.А., Косицин А.А., Косицина О.В., Абдельманова А.С., Зиновьева Н.А. Использование высокопроизводительной инфракрасной спектрометрии при изучении полногеномных ассоциаций с жирнокислотным и компонентным составом молока у коров (Bos Taurus) // Сельскохозяйственная биология. - 2022. - Т.57 - №6 - С. 1183-1100. doi: 10.15389/agrobiology.2022.6.1083rus
6. Лашнева И.А., Косицин А.А., Сермягин А.А., Зиновьева Н.А. Полногеномный анализ ассоциаций с количеством соматических клеток и их дифференциацией по видам в молоке коров // Молочное и мясное скотоводство. - 2022. - № 6. - С. 12-17. doi: 10.33943/MMS.2022.66.75.002
7. Карликова Г.Г., Лашнева И.А., Сермягин А.А. Анализ взаимосвязи компонентного состава молока и биомаркеров крови голштинизированных коров // Аграрная наука. - 2023. - №8. - С. 41-47. doi: 10.32634/0869-8155-2023-373-8-41-47
Публикации в других журналах и сборниках трудов конференций:
1. Лашнева И.А., Сермягин А.А., Елизарова И.В., Букаров Н.Г., Кисель Е.Е., Ермилов А.Н., Янчуков И.Н., Богданова Т.В. Показатели продуктивности коров в связи с уровнем транс-изомеров жирных кислот в
молоке // В сборнике: Материалы XXVмеждународной научно-практической конференции «Повышение конкурентоспособности животноводства и задачи кадрового обеспечения», 25 июня 2019 г., п. Быково - Российская академия менеджмента в животноводстве (ФГБОУ РАМЖ) - 2019. - С. 184191
2. Сермягин А.А., Лашнева И.А., Елизарова И.В., Мельникова Е.Е. Поиск однонуклеотидных полиморфизмов, ассоциированных с количественным и качественным составом молока коров // Сборник тезисов докладов 19-й Всероссийской конференции молодых учёных, посвященной памяти академика РАСХН Георгия Сергеевича Муромцева «Биотехнология в растениеводстве, животноводстве и сельскохозяйственной микробиологии», г. Москва, 2019 г. - Москва: ФГБНУ ВНИИСХБ. - 2019. - С. 120-122.
3. Сермягин А.А., Гладырь Е.А., Игнатьева Л.П., Лашнева И.А. Косицин А.А., Артемьева О.А., Ермилов А.Н., Зиновьева Н.А. Поиск полногеномных ассоциаций для содержания жирных кислот в молоке коров, полученных на основе инфракрасных спектров // Сб. материалов международного конгресса «Биотехнология: состояние и перспективы развития», г. Москва, 26-29 октября 2021 г. - Москва: ООО «Экспо-биохим-технологии». - 2021. - С. 352-354.
Заявки на патенты:
Способ определения состояния здоровья молочной железы коров на основе мониторинга количества соматических клеток и их дифференциации в сыром молоке (авторы: Лашнева И.А., Сермягин А.А., Игнатьева Л.П., Косицин А.А., Зиновьева Н.А.), заявка № 2022120825, Российская Федерация. Дата регистрации: 29.07.2022.
Личный вклад автора.
Соискатель непосредственно лично выполнены расчеты популяционно-генетических параметров компонентного состава молока коров с привлечением большого массива данных племенного учета. На протяжении всего периода обучения в аспирантуре освоены методы биометрической
статистики, включая - методы дисперсионного анализа, главных компонент, наилучшего линейного несмещенного прогноза. Самостоятельно проведены анализы более 12 тысяч образцов сырого молока коров опытного стада, которые легли в основу разработки подхода по разделению животных на четыре группы здоровья молочной железы.
Автор выражает глубокую благодарность и признательность за неоценимый вклад в подготовке работы коллективу специалистов Союз «Мосплем» и АО «Московское» по племенной работе» в лице генерального директора, доктору сельскохозяйственных наук Янчукову Ивану Николаевичу, а также доктору сельскохозяйственных наук, профессору Ермилову Александру Николаевичу; коллективу Племенного завода «Ладожский» — филиал ФГБНУ ФИЦ ВИЖ им. Л.К. Эрнста в лице директора, кандидату сельскохозяйственных наук Фискевичу Василию Александровичу. Исследование выполнено при финансовой поддержке Российского фонда фундаментальных исследований (РФФИ) проект № 20-316-90050 в части анализа количества соматических клеток в молоке коров и Российского научного фонда (РНФ) проект № 21-76-20046 при изучении жирнокислотного состава молока.
Структура и объем диссертации.
Диссертация изложена на 206 страницах и содержит следующие разделы: введение, обзор литературы, материалы и методы исследований, результаты собственных исследований, заключение, список литературы, включающий в себя 61 отечественных и 136 зарубежных источников, 5 приложений. Работа содержит 28 таблиц и 31 рисунок.
2. ОСНОВНАЯ ЧАСТЬ 2.1 ОБЗОР ЛИТЕРАТУРЫ
2.1.1 Характеристика и современное состояние популяции скота черно-пестрой и голштинской пород по продуктивным качествам
Молочное скотоводство является важнейшей отраслью животноводства, на долю которого приходится наибольший объем производства сырого молока и продуктов его переработки в нашей стране и в мире. Молочное скотоводство обладает существенным потенциалом развития и имеет большое значение как элемент Доктрины продовольственной безопасности Российской Федерации.
В нашей стране среди 28 разводимых пород крупного рогатого скота молочно-мясного направления продуктивности (ФГБУ «Госсорткомиссия», 2022) самыми распространенными и многочисленными являются голштинская и черно-пестрая породы. Как плановая порода в СССР свое признание черно-пестрый скот получил в 1925 году. С 30-х годов началась активная работа по улучшению местного скота путем скрещивания с черно-пестрым скотом голландского происхождения. Импорт животных осуществлялся из Голландии, Германии, Эстонии, Литвы и Швеции. Разный уровень племенной работы и отличия природно-хозяйственных условий региональных зон разведения привели к образованию нескольких групп, различающихся по телосложению, продуктивности и жирномолочности, среди которых были выделены четыре основные отродья (популяции): среднерусское, уральское, сибирское и прибалтийское. При объединении большого массива помесей всех отродий, животных, схожих по происхождению, масти, экстерьеру и продуктивности в 1959 году была официально утверждена отечественная черно-пестрая порода скота (Ружевский А.Б., 1959; Козанков А.Г., 2002).
Черно-пестрая порода характеризуется высокими адаптационными качествами, хорошей приспособленностью к машинному доению, умеренной
молочной продуктивностью. Признаки молочной продуктивности занимают одно из ведущих мест в селекционных программах разведения пород молочного и молочно-мясного направления. Для их оценки используют ряд показателей, таких как: удой за 305 дней за ряд лактаций, суточный удой, массовая доля жира, массовая доля белка, сухой обезжиренный молочный остаток, количество соматических клеток и др. Производственное использование животных оценивается, согласно бонитировке, по продолжительности сервис- и сухостойного периода, количеству осеменений, живой массе, экстерьеру.
Похожие диссертационные работы по специальности «Другие cпециальности», 00.00.00 шифр ВАК
Селекционно-технологические методы и приемы повышения молочной продуктивности разных пород2015 год, кандидат наук Соловьева, Ольга Игнатьевна
Селекционно-технологические методы и приемы повышения молочной продуктивности коров разных пород2015 год, доктор наук Соловьева Ольга Игнатьевна
Совершенствование молочных пород крупного рогатого скота по белковомолочности с использованием генетических методов оценки2024 год, доктор наук Мкртчян Гаянэ Владимировна
Влияние зоотехнических факторов на эффективность производства, состав и свойства молока коров2023 год, кандидат наук Ляшук Алексей Романович
Эффективность использования молекулярно-генетических маркеров в селекции коров черно-пестрой породы по молочной продуктивности и устойчивости к маститам2011 год, кандидат сельскохозяйственных наук Федотова, Наталия Вячеславовна
Список литературы диссертационного исследования кандидат наук Лашнева Ирина Алексеевна, 2023 год
СПИСОК ЛИТЕРАТУРЫ
1. Анисимова Е.И., Гостева Е.Р., Батаргалиев А.С. Влияние увеличения крови по голштинской породе на продуктивные качества черно -пестрого скота // Международный научно-исследовательский журнал, 2015, №2 8-4 (39), С. 16-18.
2. Артемьева О.А., Никанова Д.А., Котковская Е.Н., Виноградова И.В., Гладырь Е.А., Зиновьева Н.А. Мониторинг молока коров на наличие стафилококков и соматических клеток как предвестников мастита // Молочное и мясное скотоводство, 2016, № 4, С. 24-27.
3. Бегучев А.Б. Скотоводство. / Под редакцией Л.К. Эрнст, А.Б. Бегучев, Д.Л. Левантин. М.: «Колос», 1977, 528 с.
4. Беликова А.О. Генетические основы устойчивости молочного скота к маститу // Генетика и разведение животных, 2022, № 1, С. 47-53
5. Богатова О.В., Догарева Н.Г. Химия и физика молока: Учебное пособие. Оренбург: ГОУ ОГУ, 2004, 137 с.
6. Гапонова В.Е. Характеристика быков-производителей, использованных в учхозе "Кокино" в динамике лет // Вестник Брянской ГСХА, 2012, № 5, С. 20-25.
7. Головин А.В. Нормирование энергии для молочных коров / А.В. Головин, А.С. Аникин, Р.В. Некрасов, Н.Г. Первов // Достижения науки и техники АПК, 2013, №3, С. 18-19
8. Горбатова К.К. Биохимия молока и молочных продуктов. Учебник. К. К. Горбатова, П. И. Гунькова; под общ. ред. К. К. Горбатовой, 4-е изд., перераб. и доп. СПб.: ГИОРД, 2010, 336 с.: илл.
9. Государственный реестр селекционных достижений, документов к использованию. Том 2. Породы животных: официальное издание. М.: ФГБНУ «Росинформагротех», 2022, 214 с.
10. Гурина А.А., Кудрин А.Г. Оценка молочной продуктивности дочерей импортных быков-производителей в условиях АО Племзавод "Заря" // Международный научно-исследовательский журнал, 2023, №1(127), С. 1-8
11. Егиазарян А.В. Улучшение генетического потенциала молочных стад в Ленинградской области за счет быков импортной селекции // Молочное и мясное скотоводство. Спецвыпуск по молочному скотоводству, 2012, С. 2527.
12. Ежегодник по племенной работе в молочном скотоводстве в хозяйствах Российской Федерации (2022 год). Издательство: ФГБНУ ВНИИплем, Москва, 2023, 255 с.
13. Ефимова Л.В., Фролова О.А., Зазнобина Т.В. Влияние быков -производителей голштинской породы на физико - химические и технологические свойства молока дочерей // Вестник Ульяновской государственной сельскохозяйственной академии. 2018. № 4 (44). С. 154-157
14. Иванова, Н.В. Породы крупного рогатого скота: справочник / Донской ГАУ; сост. Н.В. Иванова, А.Г. Максимов. Персиановский: Донской ГАУ, 2019, 143 с.
15. Калашников А.П. Нормы и рационы кормления сельскохозяйственных животных. Справочное пособие. 3-е издание переработанное и дополненное. / Под ред. А.П. Калашникова, В.И. Фисинина, В.В. Щеглова, Н.И. Клейменова, Москва, 2003, 456 с.
16. Карликова Г.Г., Лашнева И.А., Сермягин А.А. Анализ взаимосвязи компонентного состава молока и биомаркеров крови голштинизированных коров // Аграрная наука, 2023, №8, С. 41-47. doi: 10.32634/0869-8155-2023-3738-41-47
17. Ковальчук С.Н. Гены-кандидаты устойчивости крупного рогатого скота к маститу (обзор) // Проблемы биологии продуктивных животных, 2021, № 3, С. 19-31.
18. Ковальчук С.Н. Жирнокислотный состав мышечной ткани овец: фенотипическая вариабельность, наследуемость, гены-кандидаты (обзор) // Сельскохозяйственная биология, 2021, Т. 56, № 6, С. 1049-1062.
19. Козанков А.Г. Основы интенсификации разведения и использования молочных пород скота в России. -М.: ВНИИплем, 2002, 352 с.
20. Косяченко Н.М., Абрамова М.В., Ильина А.В., Зырянова С.В., Коновалов А.В., Косоурова Т.Н. Голштинская порода в создании улучшенных генотипов и внутрипородных типов крупного рогатого скота // Монография -Ярославль: Канцлер, 2020, 157 с
21. Крупин Е.О., Зухрабов М.Г., Шакиров Ш.К. Молочная продуктивность, состав и качество молока высокопродуктивных коров на фоне направленного регулирования обмена веществ // Ученые записки казанской государственной академии ветеринарной медицины им. Н.Э. Баумана, 2010, Т.203, С. 134-140
22. Кудинов А.А., Смарагдов М. Г. Выявление QTLs у молочного скота полногеномным ассоциативным анализом // Генетика и разведение животных, 2018, № 1, С. 22-27
23. Кудрявцева Е.Н., Толстова Д.А. Изменение состава и свойств молока коров за счет регулирования уровня жира в их рационах // Актуальные вопросы совершенствования технологии производства и переработки продукции сельского хозяйства, 2018, №20, С. 181-184
24. Лабинов, В.В., Прохоренко П.Н. Модернизация черно-пестрой породы крупного рогатого скота в России на основе использования генофонда голштинов // Молочное и мясное скотоводство, 2015, №1, С. 2-7
25. Лашнева И.А., Косицин А.А., Сермягин А.А., Зиновьева Н.А. Полногеномный анализ ассоциаций с количеством соматических клеток и их дифференциацией по видам в молоке коров // Молочное и мясное скотоводство, 2022, № 6, С. 12-17. ёо1: 10.33943ZMMS.2022.66.75.002
26. Лашнева И.А., Сермягин А.А. Влияние наличия транс-изомеров жирных кислот в молоке на его состав и продуктивность коров // Достижения
науки и техники АПК, 2020, Т.34, №3, С. 46-50 doi: 10.24411/0235-2451-202010309
27. Лашнева И.А., Сермягин А.А., Елизарова И.В., Букаров Н.Г., Кисель Е.Е., Ермилов А.Н., Янчуков И.Н., Богданова Т.В. Показатели продуктивности коров в связи с уровнем транс-изомеров жирных кислот в молоке // В сборнике: Материалы XXV международной научно-практической конференции «Повышение конкурентоспособности животноводства и задачи кадрового обеспечения», 25 июня 2019 г., п. Быково - Российская академия менеджмента в животноводстве (ФГБОУ РАМЖ), 2019, С. 184-191
28. Лоретц О.Г., Лиходеевская О.Е., Барашкин М.И., Мымрин В.С., Севастьянов М.Ю. Оценка быков-производителей зарубежной и отечественной селекции, используемых в племенных хозяйствах свердловской области // Аграрный вестник Урала, 2012, №4 (96), С. 14-17
29. Нарышкина Е.Н., Карликова Г.Г., Виноградова И.В., Алексеев А.А., Черкасова А.В. Соматические клетки как фактор снижения молочной продуктивности коров // В сборнике: Пути продления продуктивной жизни молочных коров на основе оптимизации разведения, технологий содержания и кормления животных. Материалы международной научно-практической конференции. Дубровицы, 2015, С. 73-77.
30. Нарышкина Е.Н., Карликова Г.Г., Виноградова И.В., Гусев И.В. Изменение состава молока коров в период раздоя // В сборнике: Фундаментальные и прикладные аспекты кормления сельскохозяйственных животных и технологии кормов. Материалы конференции, посвященной 120-летию М.Ф. Томмэ. Дубровицы, 2016, С. 355-360.
31. Нарышкина Е.Н., Сермягин А.А., Виноградова И.В., Хрипякова Е.Н. Влияние уровня содержания соматических клеток в молоке новотельных коров на показатели продуктивности // В сборнике: Пути продления продуктивной жизни молочных коров на основе оптимизации разведения, технологий содержания и кормления животных. Материалы международной научно-практической конференции. Дубровицы, 2015, С. 69-73.
32. Некрасов Р.В., Головин А.В., Аникин А.С., Первов Н.Г. Нормирование и организация кормления высокопродуктивных коров // Молочная промышленность, 2014, №7, С. 26-28
33. Приказ Министерства сельского хозяйства Российской Федерации от 02.06.2022 № 336 «Об утверждении требований к видам племенных хозяйств» (зарегистрирован 30.08.2022 № 69850).
34. Прохоренко П.Н., Логинов Ж.Г. Голштино-фризская порода скота. Л.: Агропромиздат. Ленингр. Отд-ние, 1986, 238 с.
35. Прохоренко П.Н. Голштинская порода и ее влияние на генетический прогресс продуктивности черно-пестрого скота европейских стран и Российской Федерации // Молочное и мясное скотоводство, 2013, № 2, С. 2-6.
36. Прудов А.И., Бальцанов А.И. Совершенствуется порода - растут удои. Саранск: Морд. кн. изд-во, 1986, 120 с.
37. Родина Н.Д., Степанов Д.В. Продолжительность хозяйственного использования черно-пестрых голштинизированных коров // Вестник Орловского государственного аграрного университета, 2011, № 6 (33), С. 5962.
38. Ружевский А.Б. Черно-пестрый скот. М. Государственное издательство селькохозяйственной литературы, 1959, 335 с.
39. Сакса, Е.И. Роль целенаправленного отбора и подбора при создании высокопродуткивных голштинизированных стад чёрно-пёстрого скота // Генетика и разведение животных, 2014, №2, С.7-10
40. Сакса, Е.И., Барсукова О.Е. Селекционно-генетическая характеристика высокопродуктивного голштинизированного черно-пестрого скота Ленинградской области // Молочное и мясное скотоводство, 2013, №6, С. 11-15
41. Сермягин А.А., Белоус А.А., Корнелаева М.В., Филипченко А.А., Кисель Е.Е., Букаров Н.Г., Ермилов А.Н., Янчуков И.Н., Зиновьева Н.А. Возможности использования инфракрасных спектров молока для
прогнозирования функционального состояния и здоровья коров. В кн.: Племенная работа в животноводстве Московской области и г. Москвы (2017 г.). М., 2018, С. 11-22.
42. Сермягин А.А., Быкова О.А., Лоретц О.Г., Костюнина О.В., Зиновьева Н.А. Оценка геномной вариабельности продуктивных признаков у животных голштинизированной черно-пестрой породы на основе GWAS анализа и ROH паттернов // Сельскохозяйственная биология, 2020, Т: 55, № 2, С. 257-274
43. Сермягин А.А., Гладырь Е.А., Игнатьева Л.П., Лашнева И.А. Косицин А.А., Артемьева О.А., Ермилов А.Н., Зиновьева Н.А. Поиск полногеномных ассоциаций для содержания жирных кислот в молоке коров, полученных на основе инфракрасных спектров // Сб. материалов международного конгресса «Биотехнология: состояние и перспективы развития», г. Москва, 26-29 октября 2021 г. - Москва: ООО «Экспо-биохим-технологии», 2021, С. 352-354.
44. Сермягин А.А., Игнатьева Л.П., Лашнева И.А., Косицин А.А., Косицина О.В., Абдельманова А.С., Зиновьева Н.А. Использование высокопроизводительной инфракрасной спектрометрии при изучении полногеномных ассоциаций с жирнокислотным и компонентным составом молока у коров (Bos Taurus) // Сельскохозяйственная биология, 2022, Т.57, №26, С. 1183-1100. doi: 10.15389/agrobiology.2022.6.1083rus
45. Сермягин А.А., Лашнева И.А., Елизарова И.В., Мельникова Е.Е. Поиск однонуклеотидных полиморфизмов, ассоциированных с количественным и качественным составом молока коров // Сборник тезисов докладов 19-й Всероссийской конференции молодых учёных, посвященной памяти академика РАСХН Георгия Сергеевича Муромцева «Биотехнология в растениеводстве, животноводстве и сельскохозяйственной микробиологии», г. Москва, 2019 г. - Москва: ФГБНУ ВНИИСХБ, 2019, С. 120-122.
46. Сермягин А.А., Лашнева И.А., Косицин А.А., Игнатьева Л.П., Артемьева О.А., Sölkner J., Зиновьева Н.А. Морфологический состав
соматических клеток в молоке коров как критерий оценки здоровья молочной железы в связи с продуктивностью и компонентами молока // Сельскохозяйственная биология, 2021, Т.56, №6, С. 1183-1198 ёо1: 10.15389^гоЬю^у.2021.6.1183гш
47. Сермягин А.А., Нарышкина Е.Н., Карпушкина Т.В., Стрекозов Н.И., Зиновьева Н.А. Перспективы использования оценки геномной племенной ценности в селекции молочного скота // Молочное и мясное скотоводство, 2015, № 7, С. 2-5
48. Сивкин Н.В., Стрекозов Н.И. Оценка количества соматических клеток в молоке коров в период лактации // Молочная промышленность, 2010, № 11, С. 71-72.
49. Скопичев В.Г., Племяшов К.В., Щепеткина С.В., Корочкина Е.А., Ришко О.А. Факторы возникновения и формы течения мастита. Мастит: этиология, профилактика, диагностика, лечени. Учебное пособие / Составитель С.В. Щепеткина. СПБ.: Издательство ФГОУ ВО СПбГАВМ, 2020, С. 64-82
50. Смарагдов М.Г. Анализ расположения локусов, влияющих на показатели молока, в хромосомах крупного рогатого скота // Генетика, 2008, 44 (6), С. 829-834.
51. Смарагдов М.Г. Исследование связи аллелей генов рецептора гормона роста и рецептора пролактина у быков-производителей с молочной продуктивностью их дочерей // Генетика, 2012, 48 (9), С. 1085-1090.
52. Смарагдов М.Г. Связь полиморфизма гена БОЛТ1 у быков-производителей с молочной продуктивностью коров // Генетика, 2011, 47 (1), С. 126-132.
53. Спивак М.Г., Григорьев Ю.Н., Дедов М.Д. Современные методы селекции молочного и молочно -мясного скота. М.: Россельхозиздат, 1979, 238 с.
54. Сычева О.В. Молоко: качество, состав, свойства. Проблемы и решения: монография. Москва-Берлин: Директ-Медиа, 2014, 145 с.
55. Титова С.В. Продолжительность продуктивного использования и пожизненная продуктивность голштинизированного черно -пестрого скота // Аграрная наука Евро-Северо-Востока, 2016, № 5 (54), С. 68-72.
56. Харитонов С.Н., Мельникова Е.Е., Осадчая О.Ю., Сермягин А.А. Динамика изменения основных показателей в популяции черно-пестрого скота Российской Федерации // Молочное и мясное скотоводство, 2018, № 7, С. 13-17.
57. Часовщикова М.А., Губанов М.В. Мониторинг качества молока при контрольном доении коров в племенных хозяйствах Тюменской области // Вестник КрасГАУ, 2021, 9(174), С. 132-137 doi: 10.36718/1819-4036-2021-9132-137.
58. Шульга Л.П. Селекционная и информационная составляющие молочного скотоводства России // Известия Санкт-Петербургского государственного аграрного университета, 2016, № 43, С. 94-100.
59. Щепеткина С.В. Мастит: этиология, профилактика, диагностика, лечение. Учебное пособие / Составитель С.В. Щепеткина. СПБ.: Издательство ФГОУ ВО СПбГАВМ, 2020, 308 с.: с илл.
60. Эйснер Ф.Ф. Племенная работа с молочным скотом. М.: Агропромиздат, 1986, 84 с.
61. Янчуков И.Н., Ермилов А.Н., Харитонов С.Н., Осадчая О.Ю. Основные параметры селекционной программы совершенствования популяции черно-пестрого скота московской области // Известия Тимирязевской сельскохозяйственной академии, 2011, № 6, С. 127-135.
62. Shi L., Lu X., Liu L. et al A post-GWAS confirming effects of PRKG1 gene on milk fatty acids in a Chinese Holstein dairy population // BMC Genet, 2019, Vol. 20:53 doi.org/10.1186/s12863-019-0755-7
63. Abdalla E.A., Penagaricano F., Byrem T.M., Weigel K.A., Rosa G.J.M. Genome-wide association mapping and pathway analysis of leukosis incidence in a US Holstein cattle population // Stichting International Foundation for Animal Genetics, Volume 47, Issue 4, 2016, P. 395-407 doi.org/10.1111/age.12438
64. Abdel-Shafy H., Bortfeldt R.H., Tetens J., Brockmann G.A. Single nucleotide polymorphism and haplotype effects associated with somatic cell score in German Holstein cattle // Genet. Sel. Evol. 2014. Vol. 46. P.35.
65. Aernouts B., Polshin E., Lammertyn J., Saeys W. Visible and near-infrared spectroscopic analysis of raw milk for cow health monitoring: Reflectance or transmittance? // Journal of Dairy Science, 94 (2011), P.5315-5329 doi.org/10.3168/jds.2011-4354
66. Aguilar M., Hanigan M.D., Tucker H.A., Jones B.L., Garbade S.K., McGilliard M.L., Stallings C.C., Knowlton K.F., James R.E. Cow and herd variation in milk urea nitrogen concentrations in lactating dairy cattle // Journal of Dairy Science, 2012, 95, pp. 7261-7268 doi.org/10.3168/jds.2012-5582
67. Alemu T.W., Santschi D.E., Cue R.I., Duggavathi R. Reproductive performance of lactating dairy cows with elevated milk ß -hydroxybutyrate levels during first 6 weeks of lactation // Journal of Dairy Science, 2023, V.106 (7), P. 5165-5181 doi.org/10.3168/jds.2022-22406
68. Ali T.E., Schaeffer L.R. Accounting for covariances among test day milk yields in dairy cows // Can. J. Anim. Sci., 67 (1987), P. 637
69. Banos G., Bramis G., Bush S.J., Clark E.L., McCulloch M.E.B., Smith J., Schulze G., Arsenos G., Hume D.A., Psifidi A. The genomic architecture of mastitis resistance in dairy sheep. BMC genomics // BMC Genomics, 2017, vol. 18 (624), no. 1, P. 1-18. doi: 10.1186/s12864-017-3982-1.
70. Bastin C., Theron L., Laine A., Gengler N. On the role of mid -infrared predicted phenotypes in fertility and health dairy breeding programs // Journal of Dairy Science, 2016, 99(5), P. 4080-4094. doi: 10.3168/jds.2015-10087
71. Bauman D.E., Griinari J.M. Nutritional regulation of milk fat synthesis // Annu. Rev. Nutr., 2003, 23:203-27. doi: 10.1146/annurev.nutr.23.011702.073408
72. Bauman D.E., Griinari J.M. Regulation and nutritional manipulation of milk fat: Low-fat milk syndrome // Livestock Production Science, 2001, 70(1): P. 15-29. doi: 10.1016/S0301-6226(01)00195-6.
73. Bilal G., Cue R. I., Mustafa A. F. and Hayes J. F. Short communication: Genetic parameters of individual fatty acids in milk of Canadian Holsteins // Journal of Dairy Science, 2014, Volume 97, Issue 2, P. 1150-1156 doi.org/10.3168/jds.2012-6508
74. Bovenhuis H., Visker M.H.P.W., Poulsen N.A., Sehested J., Van Valenberg H.J..F, Van Arendonk J.A.M., Larsen L.B., Buitenhuis A.J. Effects of the diacylglycerol o-acyltransferase 1 (DGAT1) K232A polymorphism on fatty acid, protein, and mineral composition of dairy cattle milk // Journal of Dairy Science, 2016, 99(4), P. 3113-3123 doi: 10.3168/jds.2015-10462.
75. Brady E.L., Kelly E.T., Lynch M.B., Fahey A.G, Pierce K.M., Mulligan F.J. The effect of concentrate feeding strategy and dairy cow genotype on milk production, pasture intake, body condition score and metabolic status under restricted grazing conditions // Livestock Science, 2022, Volume 256, P. 1-11 doi.org/10.1016/j.livsci.2021.104815
76. Broderick G.A., Clayton M.K. A statistical evaluation of animal and nutritional factors influencing concentrations of milk urea nitrogen // Journal of Dairy Science, 1997, 80, P. 2964-2971 doi.org/10.3168/jds.S0022-0302(97)76262-3
77. Buitenhuis A.J., Poulsen N.A. Estimation of heritability for milk urea and genetic correlations with milk production traits in 3 Danish dairy breeds // Journal of Dairy Science, 2023, Volume 106, P. 5562-5569
78. Buitenhuis B., Janss L.L., Poulsen N.A., Larsen L.B., Larsen M.K., S0rensen P. Genome-wide association and biological pathway analysis for milk-fat composition in Danish Holstein and Danish Jersey cattle // BMC Genomics, 2014, 15(1):1112, doi: 10.1186/1471-2164-15-1112.
79. Buitenhuis B., Lassen J., Noel S.J. et al. Impact of the rumen microbiome on milk fatty acid composition of Holstein cattle // Genet. Sel. Evol., 2019, Vol.51:23. doi.org/10.1186/s12711-019-0464-8
80. Cai Z., Guldbrandtsen B., Lund M.S. et al. Prioritizing candidate genes post-GWAS using multiple sources of data for mastitis resistance in dairy cattle // BMC Genomics, 2018, Vol. 19. P. 656.
81. Carvalho-Sombra T.C.F., Fernandes D.D., Bezerra B.M.O., Nunes-Pinheiro D.C.S. Systemic inflammatory biomarkers and somatic cell count in dairy cows with subclinical mastitis // Veterinary and Animal Science, 2021, 11:100165 doi: 10.1016/j.vas.2021.100165.
82. Chang C.C., Chow C.C., Tellier L.C.A.M., Vattikuti S., Purcell S.M., Lee J.J. Second-generation PLINK: rising to the challenge of larger and richer datasets // GigaScience, 2015, 4(1): s13742-015-0047-8 doi: 10.1186/s13742-015-0047-8.
83. Chen H., Weersink A., Kelton D., Von Massow M. Estimating milk loss based on somatic cell count at the cow and herd level // Journal of Dairy Science, 2021, vol. 104, no. 7, P. 7919—7931 doi.org/10.3168/jds.2020-18517.
84. Chen R., Wang Z., Yang Z., Zhu X., Ji D., Mao Y. Association of IL8 -105G/A with mastitis somatic cell score in Chinese Holstein dairy cows // Anim. Biotechnol, 2015, Vol. 26, No. 2, P. 143-147.
85. Chen S.Y., Oliveira H.R., Schenkel F.S., Pedrosa V.B, Melka M.G., Brito L.F. Using imputed whole-genome sequence variants to uncover candidate mutations and genes affecting milking speed and temperament in Holstein cattle // Journal of dairy science, 2021, vol. 103, no. 11, P. 10383-10398. doi: 10.3168/jds.2020-18897.
86. Cole J.B, G.R Wiggans, L. Ma, T.S Sonstegard, T.J. Lawlor Jr, B.A. Crooker, C.P. Van Tassell, J. Yang, S.Wang, L.K Matukumalli, Y. Da. Genome-wide association analysis of thirty one production, health, reproduction and body conformation traits in contemporary U.S. Holstein cows // BMC Genomics, 2011, P. 1-17 https://bmcgenomics.biomedcentral.com/articles/10.1186/1471-2164-12-408
87. Collomb M. Impact of a basal diet of hay and fodder beet supplemented with rapeseed, linseed and sunflowerseed on the fatty acid composition of milk fat
// International Dairy Journal, 2004, 14(6): 549-559 doi: 10.1016/j.idairyj.2003.11.004.
88. Costa A., C. Egger-Danner, G. Meszaros, C. Fuerst, M. Penasa, J. Sölkner, B. Fuerst-Waltl. Genetic associations of lactose and its ratios to other milk solids with health traits in Austrian Fleckvieh cows // Journal of dairy science, 2019, 102, P. 4238-4248 doi.org/10.3168/jds.2018-15883
89. Costa A., De Marchi M., Cassandro M., Penasa M. Phenotypic and Genetic Aspects of Milk Freezing Point in Primiparous Holstein Friesian Cows // Agriculturae Conspectus Scientifi cus., 2017, Vol. 82., 2:175-178.
90. Costa A., N. Lopez-Villalobos, G. Visentin, M. De Marchi, M. Cassandro, M. Penasa Heritability and repeatability of milk lactose and its relationships with traditional milk traits, somatic cell score and freezing point in Holstein cows // Animal, 2019, 13, P. 909-916 doi.org/10.1017/S1751731118002094
91. Costa A., N. Lopez-Villalobos, N.W. Sneddon, L. Shalloo, M. Franzoi, M. De Marchi, M. Penasa Invited review: Milk lactose-Current status and future challenges in dairy cattle // Journal of dairy science, 2019, 102, P. 5883-5898 doi.org/10.3168/jds.2018-15955
92. Czajkowska A., Sitkowska B., Piwczynski D., Wojcik P., Mroczkowski S. Genetic and environmental determinants of the urea level in cow's milk // Arch. Anim. Breed., 2015, 58: 65-72 doi:10.5194/aab-58-65-2015.
93. Czerny C.P. Flow cytometric differential cell counts in milk for the evaluation of inflammatory reactions in clinically healthy and subclinically infected bovine mammary glands // Journal of Dairy Science, 2011, 94(10): 5033-5044 doi: 10.3168/jds.2011-4348.
94. Dadousis C., Pegolo S., Rosa G.J.M., Bittante G., Cecchinato A. Genome-wide association and pathway-based analysis using latent variables related to milk protein composition and cheesemaking traits in dairy cattle // Journal of Dairy Science, 2017, Vol. 100, Is. 11, P. 9085-9102 doi.org/10.3168/jds.2017-13219
95. Damm M., Holm C., Blaabjerg M., Novak B.M., Schwarz D. Differential somatic cell count - a novel method for routine mastitis screening in the frame of dairy herd improvement testing programs // Journal of Dairy Science, 2017, 100(6): P. 4926-4940 doi: 10.3168/jds.2016-12409.
96. De Marchi M., Toffanin V., Cassandro M., Penasa. M. Invited review: Mid-infrared spectroscopy as phenotyping tool for milk traits // Journal of Dairy Science, 2014, Vol. 97, 3: P. 1171-1186.
97. Delhez P., F. Colinet, S. Vanderick, C. Bertozzi, N. Gengler, H. Soyeurt. Predicting milk mid-infrared spectra from first-parity Holstein cows using a test-day mixed model with the perspective of herd management // Journal of Dairy Science, 2020, 103, doi.org/10.3168/jds.2019-17717
98. DePeters E.J. Fatty acid and triglyceride composition of milk fat from lactating Holstein cows in response to supplemental canola oil // Journal of Dairy Science, 2001, 84(4): P. 929-936 doi:10.3168/jds.S0022-0302(01)74550-X.
99. Du C., Liangkang Nan, Lei Yan, Qiuyue Bu, Xiaoli Ren, Zhen Zhang, Ahmed Sabek, Shujun Zhang. Genetic Analysis of Milk Production Traits and Mid-Infrared Spectra in Chinese Holstein Population // Animals, 2020, 10(1), 139doi.org/10.3390/ani10010139
100. Ferrand-Calmels M.I., Palhiére, M. Brochard, O. Leray, J.M. Astruc, M.R. Aurel, S. Barbey, F. Bouvier, P. Brunschwig, H. Caillat, M. Douguet, F. Faucon-Lahalle, M. Gelé, G. Thomas, J.M. Trommenschlager, H. Larroque. Prediction of fatty acid profiles in cow, ewe, and goat milk by mid-infrared spectrometry // Journal of Dairy Science, 2014, 97(1): P. 17-35. https://doi.org/10.3168/jds.2013-6648.
101. Filipejová T., Kovácik J., Kirchnerová K., Foltys V. Changes in milk composition as a result of metabolic disorders of dairy cows // Potravinárstvo, 2011, 5 (1): P. 10-16 doi:10.5219/113.
102. Fragomeni B.O., Lourenco D.A.L., Masuda Y., Legarra A., Misztal I. Incorporation of causative quantitative trait nucleotides in single-step GBLUP // Genet. Sel. Evol., 2017, 49:59 doi:10.1186/s12711-017-0335-0.
103. Fraser R.S., Lumsden J.S., Lillie B .N. Identification of polymorphisms in the bovine collagenous lectins and their association with infectious diseases in cattle // Immunogenetics, 2018, Vol. 70, No. 8, P. 533-546.
104. Fursova K., Sorokin A., Sokolov S., Dzhelyadin T., Shulcheva I., Shchannikova M., Nikanova D., Artem'eva O., Zinovieva N., Brovko F. Virulence Factors and Phylogeny of Staphylococcus aureus associated with bovine mastitis in Russia based on genome sequences // Frontiers in Veterinary Science, 2020, 7: 135 doi: 10.3389/fvets.2020.00135.
105. Cruz V.A.R., Oliveira H.R., Brito L.F. et al. Genome-wide association study for milk fatty acids in Holstein cattle accounting for the DGAT1 gene effect // Animals, 2019, Vol. 9(11):997. doi.org/10.3390/ani9110997
106. Palombo V., Milanesi M., Sgorlon S. et al. Genome-wide association study of milk fatty acid composition in Italian Simmental and Italian Holstein cows using single nucleotide polymorphism arrays // Journal of Dairy Science, 2018. Vol.101, P.11004—11019 doi.org/10.3168/jds.2018-14413
107. Gottardo P., Tiezzi F., Penasa M., Toffanin V., Cassandro M., De Marchi M. Milk fatty acids predicted by midinfrared spectroscopy in mixed dairy herds // Agricultural Conspectus Scientificus, 2013, 78(3): 263-266.
108. Haile-Mariam M., Pryce J.E. Genetic parameters for lactose and its correlation with other milk production traits and fitness traits in pasture-based production systems // Journal of Dairy Science, 2017, 100 P. 3754-3766 doi.org/10.3168/jds.2016-11952
109. Halasa T., Kirkeby C. Differential somatic cell count: value for udder health management // Frontiers in Veterinary Science, 2020, 7: 609055 doi: 10.3389/fvets.2020.609055.
110. Hansen Per & Holroyd Eleanor. Development and application of Fourier transform infrared spectroscopy for detection of milk adulteration in practice // International Journal of Dairy Technology, 2019, doi:10.1111/1471-0307.12592.
111. Hanus O., Gencurová V., Zhang Y., Hering P., Kopecky J., Jedelská R., Dolínková A., Motycka Z. Milk acetone determination by the photometrical method
after microdiffusion and via FT infra-red spectroscopy // J. Agrobiol., 2011, 28(1): P. 33-48 doi:10.2478/v10146-011-0004-9.
112. Hanus O., Samkova E., Krizova L., Hasonova L., Kala R. Role of fatty acids in milk fat and the influence of selected factors on their variability - a review // Molecules, 2018, 23(7): 1636 doi: 10.3390/molecules23071636.
113. Hein L., S0rensen L.P., Kargo M. et al. Genetic analysis of predicted fatty acid profiles of milk from Danish Holstein and Danish Jersey cattle populations // Journal of Dairy Science, 2018, Vol. 101, P.2148-2157 doi.org/10.3168/jds.2017-13225
114. Henno M., Ots M., Joudu I., Kaart T., Kart O. Factors affecting the freezing point stability of milk from individual cows // International Dairy Journal, 2008, 18: 210-215 doi:10.1016/j.idairyj.2007.08.006.
115. Ho P.N., Bonfatti V., Luke T.D.W., Pryce J.E. Classifying the fertility of dairy cows using milk mid-infrared spectroscopy // Journal of Dairy Science, 2020, 102:10460-10470 doi.org/10.3168/jds.2019-16412
116. Hu Z.L., Park C.A., Reecy J.M. Bringing the Animal QTLdb and CorrDB into the future: meeting new challenges and providing updated services // Nucleic Acids Research, 2022, 50(D1): D956-D961 doi: 10.1093/nar/gkab1116.
117. Huang H., Cao J., Hanif Q., Wang Y., Yu Y., Zhang S., Zhang Y. Genome-wide association 1100 study identifies energy metabolism genes for resistance to ketosis in Chinese Holstein cattle // Animal Genetics, 2019, 50(4): 376380 doi: 10.1111/age.12802.
118. Huang W., Penagaricano F., Ahmad K.R., Lucey J.A., Weigel K.A., Khatib H. Association between milk protein gene variants and protein composition traits in dairy cattle // Journal of Dairy Science, 2012, 95: 440-449 doi.org/10.3168/jds.2011-4757.
119. Ilie D.E., Mizeranschi A.E., Mihali C.V., Neamt R.I., Goilean G.V., Georgescu O.I., Zaharie D., Carabas M., Hutu I. Genome-wide association studies for milk somatic cell score in Romanian dairy cattle // Genes (Basel), 2021, 12(10): 1495 doi: 10.3390/genes12101495.
120. Jensen R.G., Ferris A.M., Lammi-Keefe C.J. The composition of milk fat // Journal of Dairy Science, 1991, 74, P. 3228-3243 doi.org/10.3168/jds.S0022-0302(91)78509-3
121. Jiang J., Ma L., Prakapenka D., VanRaden P.M., Cole J.B., Da Y. A Large-Scale Genome-Wide Association Study in U.S. Holstein Cattle // Frontiers in Genetics, 2021, no. 10, 412 p. doi.org/10.3389/fgene.2019.00412
122. Jonkus D., Paura L. Estimation of Genetic Parameters for Milk Urea and Milk Production Traits of Latvian Brown Cows // Agriculturae Conspectus Scientificus, 2011, 76 (3): 227-230.
123. Kawaguchi F., Kigoshi H., Fukushima M., Iwamoto E., Kobayashi E., Oyama K., Mannen H., Sasazaki S. Whole-genome resequencing to identify candidate genes for the QTL for oleic acid percentage in Japanese Black cattle // Animal Science Journal, 2019, 90(4): 467-472 doi: 10.1111/asj.13179.
124. Kirsanova E., Heringstad B., Lewandowska-Sabat A., Olsaker I. Identification of candidate genes affecting chronic subclinical mastitis in Norwegian Red cattle: combining genome-wide association study, topologically associated domains and pathway enrichment analysis // Anim. Genet., 2020, Vol. 51, No. 1, P. 22-31.
125. Kliem K.E., Shingfield K.J. Manipulation of milk fatty acid composition in lactating cows: Opportunities and challenges // Eur. J. Lipid Sci. Technol, 2016, 118, 1661-1683 doi.org/10.1002/ejlt.201400543
126. Kostensalo J., Lidauer M., Aernouts B., Mantysaari P., Kokkonen T., Lidauer P., Mehtio T. Short communication: Predicting blood plasma non-esterified fatty acid and beta-hydroxybutyrate concentrations from cow milk -addressing systematic issues in modelling // Animal, 2023, Volume 17, Issue 9, 100912 doi.org/10.1016/j.animal.2023.100912
127. Kovalchuk S.N. Candidate genes for mastitis resistance in cattle: a review // Problems of Productive Animal Biology, 2021, no. 3, pp. 20—31. doi: 10.25687/1996-6733.prodanimbiol.2021.3.20-31.
128. Laine A., Bastin C., Theron L., Gengler N. On the role of mid-infrared predicted phenotypes in fertility and health dairy breeding programs // Journal of Dairy Science, 2015, 99(5), doi:10.3168/jds.2015-10087
129. Laine A., Dale L.M., BelMabrouk H., Bastin C., Gengler N. Monitoring the pregnancy status of dairy cows using mid-infrared spectra of milk collected from milk recording // Biotechnol. Agron. Soc. Environ., 2015, 19(2), 109110.
130. Lashneva I.A., Sermyagin A.A., Ignatieva L.P., Gladyr E.A., Ermilov A.N., Zinovieva N.A. Milk somatic cells monitoring in Russian Holstein cattle population as a base for determining genetic and genomic variability // Journal of Animal Science, 2021, Vol. 99 (S3), P. 252. doi: 10.1093/jas/skab235.460.
131. Lee C., Wooding F., Kemp P. Identification, properties, and differential counts of cell populations using electron microscopy of dry cow's secretions, colostrum and milk from normal cows // Journal of Dairy Research, 1980, 47(1): 3950 doi: 10.1017/S0022029900020860.
132. Li C., Sun D., Zhang S., Wang S., Wu X., Zhang Q., Liu L., Li Y., Qiao L. Genome wide association study identifies 20 novel promising genes associated with milk fatty acid traits in Chinese Holstein // PLoS ONE, 2014, 9(5): e96186 (doi: 10.1371/journal.pone.0096186)
133. Liu J., Ju Z., Li Q., Huang J., Li R., Li J., Ma L., Zhong J., Wang C. Mannose-binding lectin 1 haplotypes influence serum MBL-A concentration, complement activity, and milk production traits in Chinese Holstein cattle // Immunogenetics, 2011, Vol. 63, P. 727-742.
134. Lopez-Villalobos N., Spelman R.J., Melis J., Davis S.R., Berry S.D., Lehnert K., Sneddon N.W., Holroyd S.E., MacGibbon A.K., Snell R.G. Genetic correlations of milk fatty acid contents predicted from milk mid-infrared spectra in New Zealand dairy cattle // Journal of Dairy Science, 2020, Volume 103, Issue 8, P. 7238-7248 doi.org/10.3168/jds.2019-17971
135. Luke T.D.W., S. Rochfort, W.J. Wales, V. Bonfatti, L. Marett, J.E. Pryce. Metabolic profiling of early-lactation dairy cows using milk mid-infrared
spectra // Journal of Dairy Science, 2018, Volume 102, Issue 2, p. 1747-1760, doi.org/10.3168/jds.2018-15103
136. Ma L., Luo H., Brito L.F., Chang Y., Chen Z, Lou W., Zhang F., Wang L., Guo G., Wang Y. Estimation of genetic parameters and single-step genome-wide association studies for milk urea nitrogen in Holstein cattle // Journal of Dairy Science, 2023, Vol. 106, Is. 1, P.352-363
137. Mansson H.L. Fatty acids in bovine milk fat // Food Nutr. Res. 2008. 52: 10.3402. doi:10.3402/fnr.v52i0.1821
138. Masuda Y. Introduction to BLUPF90 suite programs. Standard Edition. University of Georgia, 2019.
139. Miles A.M., Huson H.J. Graduate Student Literature Review: Understanding the genetic mechanisms underlying mastitis // Journal of Dairy Science, 2021, vol. 104, no. 1, P. 1183—1191. doi: 10.3168/jds.2020-18297.
140. Misztal I., Tsuruta S., Louren5o D., Aguilar I., Legarra A., Vitezica Z. Manual for BLUPF90 family of programs // Athens, University of Georgia, 2014.
141. Misztal I., Tsuruta S., Strabel T., Auvray B., Druet T., Lee D.H. BLUPF90 and related programs (BGF90). Proceedings of the 7th world congress on genetics applied to livestock production // Montpellier, Communication, 2002, 28 (28-27): 21-22.
142. Nayeri S., Sargolzaei M., Abo-Ismail M.K., May N., Miller S.P., Schenkel F., Moore S.S., Stothard P. Genome-wide association for milk production and female fertility traits in Canadian dairy Holstein cattle // BMC Genetics, 2016, 17:75 doi:10.1186/s12863-016-0386-1.
143. Nekrasov R.V.; Ivanov, G.A.; Chabaev, M.G.; Zelenchenkova, A.A.; Bogolyubova, N.V.; Nikanova, D.A.; Sermyagin, A.A.; Bibikov, S.O.; Shapovalov, S.O. Effect of Black Soldier Fly (Hermetia illucens L.) Fat on Health and Productivity Performance of Dairy Cows // Animals, 2022, 12, 2118 doi.org/ 10.3390/ani12162118
144. Nekrasov R.V.; Lozovanu, M.I.; Laptev, G.Y.; Ilina, L.A.; Yildirim, E.A.; Tyurina, D.G.; Melikidi, V.C.; Gorfunkel, E.P.; Filippova, V.A.; Malahov,
I.G.; et al. Bioactive Feed Additive for the Prevention of Clostridial Disease in High-Yielding Dairy Cattle // Agriculture, 2023, 13, 786. doi.org/10.3390/agriculture 13040786
145. Otwinowska-Mindur A., Ptak E., Grzesiak A. Factors affecting the freezing point of milk from Polish Holstein-Friesian cows // Ann. Anim. Sci., 2017, 17 (3): 873-885 doi: 10.1515/aoas-2016-0088.
146. Oviedo-Boyso J., Valdez-Alarcón J.J., Cajero-Juárez M., Ochoa-Zarzosa A., López-Meza J.E., Bravo-Patiño A., Baizabal-Aguirre V.M. Innate immune response of bovine mammary gland to pathogenic bacteria responsible for mastitis // Journal of Infection, 2007, 54(4): 399-409 doi: 10.1016/j.jinf.2006.06.010.
147. Paape M.J., Mehrzad J., Zhao X., Detilleux J., Burvenich C. Defense of the bovine mammary gland by polymorphonuclear neutrophil leukocyte // Journal of Mammary Gland Biology and Neoplasia, 2002, 7(2): 109-121 doi: 10.1023/a:1020343717817.
148. Palmquist D.L. Milk Fat: Origin of Fatty Acids and Influence of Nutritional Factors Thereon // Advanced Dairy Chemistry, 2007, Volume 2 Lipids P. 43-92 (801)
149. Palombo V., Milanesi M., Sgorlon S., Capomaccio S., Melell M., Nicolazzi E., Ajmone-Marsan P., Pilla F., Stefanon B., D'Andrea D. Genome-wide association study of milk fatty acid composition in Italian Simmental and Italian Holstein cows using single nucleotide polymorphism arrays // Journal of Dairy Science, 2018, 101(12): 11004-11019 doi: 10.3168/jds.2018-14413.
150. Pilla R., Malvisi M., Snel G., Schwarz D., König S., Czerny C.-P., Piccinini R. Differential Cell Count as an alternative method to diagnose dairy cow mastitis // Journal of Dairy Science, 2013, vol. 96, P. 1653—1660. doi.org/10.3168/jds.2012-6298.
151. Pilla R., Schwarz D., König S., Piccinini R. Microscopic differential cell counting to identify inflammatory reactions in dairy cow quarter milk samples // Journal of Dairy Science, 2012, 95(8): 4410-4420 doi: 10.3168/jds.2012-5331.
152. Pillai S.R., Kunze E., Sordillo L.M., Jayarao B.M. Application of differential inflammatory cell count as a tool to monitor udder health // Journal of Dairy Science, 2001, vol. 84, no. 6, pp. 1413—1420. doi: 10.3168/jds.S0022-0302(01)70173-7.
153. Poulsen N.A., Hein L., Kargo M. et al. Realization of breeding values for milk fatty acids in relation to seasonal variation in organic milk // Journal of Dairy Science, 2020, Vol. 103(3), P.2434-2441. doi:10.3168/jds.2019-17065
154. Rivas A.L., Quimby F.W., Blue J., Coksaygan O. Longitudinal evaluation of bovine mammary gland health status by somatic cell counting, flow cytometry, and cytology // Journal of Veterinary Diagnostic Investigation, 2001, 13(5): 399-407 doi: 10.1177/104063870101300506.
155. Roseler D.K., J.D. Ferguson, C.J. Sniffen, J. Herrema. Dietary protein degradability effects on plasma and milk urea nitrogen and milk nonprotein nitrogen in Holstein cows // Journal of Dairy Science, 1993, 76, P. 525-534 doi.org/10.3168/jds.S0022-0302(93)77372-5
156. Rzewuska K., Strabel T. The genetic relationship between reproduction traits and milk urea concentration // Animal Science Papers and Reports, 2015, 33 (3): 243-256.
157. Saatchi M., Garrick D.J., Tait Jr R.G., Mayes M.S., Drewnoski M., Schoonmaker J., Diaz C., Beitz D.C., Reecy J.M. Genome-wide association and prediction of direct genomic breeding values for composition of fatty acids in Angus beef cattle // BMC Genomics, 2013, 14: 730. doi: http://www.biomedcentral.com/1471-2164/14/730).
158. Sahana G., Guldbrandtsen B., Thomsen B., Holm L.-E., Panitz F., Br0ndum R.F., Bendixen C., Lund M.S. Genome-wide association study using high-density single nucleotide polymorphism arrays and whole genome sequences for clinical mastitis traits in dairy cattle // Journal of Dairy Science, 2014. Vol. 97, No 11, P.7258-7275.
159. Santschi D.E., Lacroix R., Durocher J., Duplessis M., Moore R.K., Lefebvre D.M. Prevalence of elevated milk b-hydroxybutyrate concentrations in
Holstein cows measured by Fourier-transform infrared analysis in dairy herd improvement milk samples and association with milk yield and components // Journal of Dairy Science, 2016, 99(11): 9263-9270. doi: 10.3168/jds.2016-11128.
160. Schennink A., Stoop W.M., Visker M.H.P.W., Heck J.M.L., Bovenhuis H., Van Der Poel J.J., Van Valenberg H.J.F., Van Arendonk J.A.M. DGAT1 underlies large genetic variation in milk fat composition of dairy cows // Animal Genetics, 2007, 38(5): 467-473 doi: 10.1111/j.1365-2052.2007.01635.x.
161. Schwarz D. Differential somatic cell count - a new biomarker for mastitis screening // Proc. of the 40th ICAR Biennial Session held in Puerto Varas, Chile, 24-28 October 2016. ICAR, Rome, Italy, 2017: 105-113.
162. Schwarz D., Diesterbeck U.S., König S., Brügemann K., Schlez K., Zschöck M., Wolter W., Czerny C.-P. Microscopic differential cell counts in milk for the evaluation of inflammatory reactions in clinically healthy and subclinically infected bovine mammary glands // Journal of Dairy Research, 2011, 78(4): 448-455 doi: 10.1017/S0022029911000574.
163. Schwarz D., Kleinhans S., Reimann G., Stückler P., Reith F., Ilves K., Pedastsaar K., Yan L., Zhang Z., Valdivieso M., Barreal M.L., Fouz R. Investigation of dairy cow performance in different udder health groups defined based on a combination of somatic cell count and differential somatic cell count // Preventive Veterinary Medicine, 2020, 183: 105123 doi: 10.1016/j.prevetmed.2020.105123.
164. Schwarz D., Lipkens Z., Piepers S., De Vliegher S. Investigation of differential somatic cell count as a potential new supplementary indicator to somatic cell count for identification of intramammary infection in dairy cows at the end of the lactation period // Preventive Veterinary Medicine, 2019, vol. 172, no. 15, P. 1— 7. doi.org/10.1016/j .prevetmed.2019.104803.
165. Schwarz D., Lipkens Z., Piepers S., De Vliegher S. Investigation of differential somatic cell count 1197 as a potential new supplementary indicator to somatic cell count for identification of intramammary infection in dairy cows at the end of the lactation period // Preventive Veterinary Medicine, 2019, 172: 104803 doi: 10.1016/j .prevetmed.2019.104803.
166. Schwarz D., Santschi D.E., Durocher J., Lefebvre D.M. Evaluation of the new differential somatic cell count parameter as a rapid and inexpensive supplementary tool for udder health management through regular milk recording // Preventive Veterinary Medicine, 2020, 181: 105079. doi: 10.1016/j.prevetmed.2020.105079.
167. Sermyagin A.A., Gladyr E.A., Kharzhau A.A., Plemyashov K.V., Tyurenkova E.N., Reyer H., Wimmers K., Brem G., Zinovieva N.A. 167 Genetic and genomic estimation for somatic cell score in relation with milk production traits of Russian Holstein dairy cattle // Journal of Dairy Science, 2017, 95(4): 82-83. doi: 10.2527/asasann.2017.167.
8. Sermyagin A.A., Lashneva I.A., Ignatieva L.P., Kositsin A.A., Gladyr E.A., Ermilov A.N., Yanchukov I.N., Zinovieva N.A. Genome-wide association study for mir-predicted milk fatty acids composition in Russian Holstein cattle population // Journal of Animal Science. - 2021. - Vol. 99 (S3). - p. 245-246. doi: 10.1093/jas/skab235.488.
168. Sermyagin A.A., Belous A.A., Kornelaeva M.V., Filipchenko A.A., Kisel' E.E., Bukarov N.G., Ermilov A.N., YAnchukov I.N., Zinov'eva N.A. V knige: Plemennaya rabota v zhivotnovodstve Moskovskoi oblasti i g. Moskvy (2017 g.) [In: Pedigree work in animal husbandry in the Moscow region and Moscow (2017)]. Moscow, 2018: 11-22 (in Russ.).
169. Shetty N., Difford G., Lassen J., L0vendahl P., Buitenhuis A.J. Predicting methane emissions of lactating Danish Holstein cows using Fourier transform mid-infrared spectroscopy of milk // Journal of Dairy Science, 2017. 100:9052-9060 doi.org/10.3168/jds.2017-13014.
170. Sodeland M., Kent M.P., Olsen H.G., Opsal M.A., Svendsen M., Sehested E, Hayes B.J., Lien S. Quantitative trait loci for clinical mastitis on chromosomes 2, 6, 14 and 20 in Norwegian Red cattle // Anim. Genet., 2011, Vol. 42, P. 457-465.
171. Sordillo L.M., Shafer-Weaver K., DeRosa D. Immunobiology of the mammary gland // Journal of Dairy Science, 1997, 80(8): 1851-1865 doi: 10.3168/jds.S0022-0302(97)76121-6.
172. Soyeurt H. Variation in fatty acid contents of milk and milk fat within and across breeds // Journal of Dairy Science, 2006, 89(12): 4858-4865 doi: 10.3168/jds.S0022-0302(06)72534-6.
173. Soyeurt H., Dardenne P., Dehareng F., Lognay G., Veselko D., Marlier M., Bertozzi C., Mayeres P., Gengler N. Estimating Fatty Acid Content in Cow Milk Using Mid-Infrared Spectrometry // Journal of Dairy Science, 2006. 89:3690-3695.
174. StatSoft, Inc. STATISTICA (data analysis software system), version 12. (2014). www.statsoft.com.
175. Sturaro A. & Tiezzi Francesco & Penasa M & De Marchi Massimo & Cassandro Martino. Study of milk coagulation properties in multibreed italian dairy herds // Acta Agriculturae Slovenica, 2012, 100. 89-92.
176. Tacoma R., Fields J., Ebenstein D.B., Lam Y.W., Greenwood S.L. Characterization of the bovine milk proteome in early-lactation Holstein and Jersey breeds of dairy cows // J. Proteomics, 2016, 130:200-210. doi:10.1016/j.jprot.2015.09.024
177. Tiezzi F., Parker-Gaddis K.L., Cole J.B., Clay J.S., Maltecca C. A genome-wide association study for clinical mastitis in first parity US Holstein cows using single-step approach and genomic matrix reweighting procedure. // PLoS One, 2015, Vol. 10, No. 2, e0114919.
178. Tiplady K.M., Lopdell T.J., Sherlock R.G., Johnson T.J.J., Spelman R.J., Harris B.L., Davis S.R., Littlejohn M.D., Garrick D.J. Comparison of the genetic characteristics of directly measured and Fourier-transform mid-infrared-predicted bovine milk fatty acids and proteins // Journal of Dairy Science, 2022, Vol. 105, Is. 12, P. 9763-9791 doi.org/10.3168/jds.2022-22089
179. Turner S.D. Qqman: An R package for visualizing GWAS results using Q-Q and manhattan plots // Journal of Open-Source Software, 2018, Vol. 25, No. 3, 731 p. doi: 10.21105/joss.00731.
180. Tyrrell H.F., Reid J.T. Prediction of the energy value of cow's milk // Journal of Dairy Science, 1965, 48(9):1215-23.
181. Vanlierde A., M.-L. Vanrobays, F. Dehareng, E. Froidmont, H. Soyeurt, S. McParland, E. Lewis, M. H. Deighton, F. Grandl, M. Kreuzer, B. Gredler, P. Dardenne, and N. Gengler. 2015. Hot topic: Innovative lactation-stage-dependent prediction of methane emissions from milk mid-infrared spectra // Journal of Dairy Science, 2015, 98:5740-5747, doi.org/10.3168/jds.2014-8436
182. Vanrobays M.L., Bastin C., Vandenplas J., Hammami H., Soyeurt H., Vanlierde A., Dehareng F., Froidmont E., Gengler N. Changes throughout lactation in phenotypic and genetic correlations between methane emissions and milk fatty acid contents predicted from milk mid-infrared spectra // Journal of Dairy Science, 2015, 99(9):7247-7260 doi: 10.3168/jds.2015-10646.
183. Vargas-Bello-Perez E., Garnsworthy P.C. Trans fatty acids and their role in the milk of dairy cows // Cien. Inv. Agr., 2013, 40(3), P.449-473.
184. Visentin G., McDermott A., McParland S., Berry D.P., Kenny O.A., Brodkorb A., Fenelon M.A., and De Marchi M. Prediction of bovine milk technological traits from mid-infrared spectroscopy analysis in dairy cows // Journal of Dairy Science, 2015, 201598:6620-6629 doi.org/10.3168/jds.2015-9323.
185. Wang C., Liu M., Li Q., Ju Z., Huang J., Li J., Wang H., Zhong J. Three novel single-nucleotide polymorphisms of MBL1 gene in Chinese native cattle and their associations with milk performance traits // Vet. Immunol. Immunopathol, 2011, Vol. 139, P. 229-236.
186. Wang X., Ju Z., Huang J., Hou M., Zhou L., Qi C., Zhang Y., Gao Q., Pan Q., Li G, Zhong J., Wang C. The relationship between the variants of the bovine MBL2 gene and milk production traits, mastitis, serum MBL-C levels and complement activity // Vet. Immunol. Immunopathol, 2012, Vol. 148, No. 3-4, P.311-319.
187. Wang X., P. Ma, J. Liu, Q. Zhang, Y. Zhang et al. Genome-wide association study in Chinese Holstein cows reveal two candidate genes for somatic cell score as an indicator for mastitis susceptibility // BMC Genet., 2015, Vol. 16, P. 111.
188. Welderufael B.G., L0vendahl P., de Koning D.J., Janss L.L.G., Fikse W.F. Genome-Wide Association Study for Susceptibility to and Recoverability from Mastitis in Danish Holstein Cows // Front. Genet., 2018, Vol. 9, P. 141.
189. Weller J.I., Ezra E., Ron M. Invited review: A perspective on the future of genomic selection in dairy cattle // Journal of Dairy Science, 2017, 100(11): 86338644 doi: 10.3168/jds.2017-12879.
190. Wiggans G.R., Shook G.E.A Lactation measure of somatic cell count // Journal of Dairy Science, 1987, 70(12): 2666-2672 doi: 10.3168/jds.S0022-0302(87)80337-5.
191. Wu X., Lund M.S., Sahana G. et al. Association analysis for udder health based on SNP-panel and sequence data in Danish Holsteins // Genet. Sel. Evol., 2015, Vol. 47, No. 1, P. 50.
192. Yang F., Chen F., Li L., Yan L., Badri T., Lv C., Yu D., Chen J., Xing C., Li J., Wang G., Li H., Li J., Cali Y. GWAS using 2b-RAD sequencing identified three mastitis important SNPs via two-stage association analysis in Chinese Holstein cows // bioRxiv., 2018, P. 434340.
193. Yuan Z., Chu G., Dan Y., et al. BRCA1: a new candidate gene for bovine mastitis and its association analysis between single nucleotide polymorphisms and milk somatic cell score // Molecular Biology Reports, 2012, Vol. 39, No. 6, P. 6625-6631.
194. Yuan Z.R., Li, J., Liu L., Zhang L.P., Zhang L.M., Chen C., Chen X.J., Gao X., Li J.Y., Chen J.B., Gao H.J. and Xu S.Z. Single nucleotide polymorphism of CACNA2D1 gene and its association with milk somatic cell score in cattle // Mol. Biol. Rep., 2011, Vol. 38, No. 8, P. 5179-5183.
195. Zaalberg R.M., Shetty N., Janss L., Buitenhuis A.J. Genetic analysis of Fourier transform infrared milk spectra in Danish Holstein and Danish Jersey // Journal of Dairy Science, 2019, 102(1): 503-510 doi: 10.3168/jds.2018-14464.
196. Zhang Q., Guldbrandtsen B., Thomasen J. R., Lund M. S. and Sahana G. Genome-wide association study for longevity with whole-genome sequencing in 3 cattle breeds // Journal of Dairy Science, 2016, Vol. 99, No. 9, P. 7289-7298.
197. Zhao Z.L., Wang C.F., Li Q.L., Ju Z.H., Huang J.M., Li J.B., Zhong J.F. and Zhang J.B. Novel SNPs of the mannan-binding lectin 2 gene and their association with production traits in Chinese Holsteins // Genet. Mol. Res., 2012, Vol. 11, No. 4, P.3744-3754.
ПРИЛОЖЕНИЯ
Приложение 1
Оценка полноценности рационов кормления коров опытного стада (содержание в натуральном корме)
на основе зооанализа кормов (ПЗ «Ладожский», Краснодарский край)
Показатели питательной ценности Зимний период Весенний период Летний период Методы испытаний
комбикорм сенаж кормосмесь комбикорм кормосмесь
Первоначальная влага, г/кг 75,20 539,80 577,60 77,90 483,60 ГОСТ Р 54951-2012
Воздушно-сухое вещество, г/кг 924,80 460,20 422,40 922,10 516,40 ГОСТ 31640-2012
Протеин, г/кг 148,99 59,14 53,98 168,93 61,55 ГОСТ 13496.4-2019
Жир, г/кг 24,69 11,41 12,38 30,15 7,59 ГОСТ 32905-2014
Клетчатка, г/кг 64,83 93,24 85,45 34,86 90,27 ГОСТ 31675-2012
БЭВ, г/кг, в т.ч. 586,97 217,54 216,10 605,91 286,65 Расчетным методом
Сахар, г /кг 38,93 8,10 11,36 41,77 — ГОСТ 26176-91
Крахмал, г/кг 333,85 68,16 76,12 462,99 — ГОСТ 26176-91
Зола, г/кг 39,58 46,02 29,69 38,17 31,76 ГОСТ 32933-2014
Кальций, г/кг 4,73 4,68 3,57 5,85 4,48 ГОСТ 32904-2014
Фосфор, г/кг 2,60 2,25 1,99 2,92 2,12 ГОСТ 26657-97
Магний, г/кг — — 0,95 3,08 — Определение общего магния с титановым желтым
Валовая энергия, МДж/кг 15,59 7,18 6,93 16,07 8,20 Расчетным методом
Обменная энергия, МДж/кг 10,85 3,92 3,80 11,53 4,61 Расчетным методом
ЭКЕ 1,09 0,39 0,38 1,15 0,46 Расчетным методом
Переваримый протеин, г/кг 126,64 50,27 45,88 143,59 52,32 Расчетным методом
Приложение 2
Результативность генотипирования коров голштинской породы (ПЗ
«Ладожский», Краснодарский край)
№ п/п № ВИЖ Инв. № Кличка Год рождения Са11 га1е
1 СУ68480 508 ЖЕМЧУЖИНА 2014 0,996
2 СУ68482 7346 МЕРИ 2016 0,997
3 СУ68483 11 КУБАНОЧКА 2017 0,995
4 СУ68485 8079 КНОПКА 2018 0,997
5 СУ68486 700 МАРФА 2017 0,997
6 СУ68487 19 СИРЕНЬ 2018 0,997
7 СУ68488 777 ОСИНКА 2017 0,997
8 СУ68490 1482 КУЦАЯ 2017 0,997
9 СУ68491 7381 ЛИПА 2017 0,997
10 СУ68492 7375 БОНЯ 2017 0,997
11 СУ68495 6271 КРАПИВА 2017 0,996
12 СУ68497 656 ФРОСЯ 2015 0,997
13 СУ68499 7387 СЛЕЗИНКА 2017 0,996
14 СУ68500 7339 МАГНОЛИЯ 2017 0,996
15 СУ68501 781 КАРАМЕЛЬКА 2016 0,996
16 СУ68502 362 ЗМЕЙКА 2013 0,997
17 СУ68504 6250 РАДУГА 2016 0,997
18 СУ68505 80 ПЧЕЛКА 2016 0,996
19 СУ68506 6227 КАЗАЧКА 2016 0,996
20 СУ68508 617 КАНАПУШКА 2015 0,997
21 СУ68509 7330 ПЧЕЛКА 2017 0,996
22 СУ68513 7316 ВЕТЕРОК 2017 0,996
23 СУ68515 129 КОНФЕТКА 2015 0,996
24 СУ68516 6265 ЧЕКУШКА 2016 0,997
25 СУ68518 6230 ПОЧТА 2016 0,997
26 СУ68519 7363 СОНЯ 2017 0,997
27 СУ68520 6287 АЛЬФА 2016 0,997
28 СУ68521 488 ПОДРУГА 2014 0,997
29 СУ68522 7322 ВАСИЛИСА 2017 0,997
30 СУ68523 8028 ЛАНКА 2016 0,997
31 СУ68524 10 МИРА 2016 0,997
32 СУ68525 6278 КОРОЛЕК 2016 0,997
33 СУ68528 6200 АЛЛЕЯ 2016 0,997
34 СУ68529 405 ЗАБАВА 2013 0,997
35 СУ68530 395 ЗАРИНА 2013 0,995
36 СУ68531 498 ДАРЕНКА 2014 0,997
37 СУ68532 6293 УМНИЦА 2016 0,996
38 СУ68533 6266 ГАЛАТЕЯ 2016 0,996
№ п/п № ВИЖ Инв. № Кличка Год рождения Са11 га1е
39 СУ68534 7350 ОЛЬХА 2017 0,997
40 СУ68535 6231 ШЕЛКОВИЦА 2016 0,997
41 СУ68537 7341 МЕТЕЛИЦА 2017 0,997
42 СУ68539 7310 ЛАМБАДА 2017 0,997
43 СУ68540 6270 СТРЕЛКА 2016 0,997
44 СУ68541 226 ПТАШКА 2012 0,997
45 СУ68542 506 ЧИСТЮЛЯ 2014 0,997
46 СУ68543 1495 РЯБИНА 2016 0,997
47 СУ68544 663 БИРЮЗА 2016 0,994
48 СУ68545 7404 ПОНКА 2017 0,993
49 СУ68549 6300 ДЕВЯТКА 2016 0,997
50 СУ68551 655 САКУРА 2016 0,997
51 СУ68552 7367 БУБОЧКА 2017 0,997
52 СУ68554 252 МИДИЯ 2016 0,997
53 СУ68555 6225 МАИКА 2016 0,997
54 СУ68556 7349 АЗАЛИЯ 2017 0,997
55 СУ68557 7146 ЛЕБЕДУШКА 2017 0,997
56 СУ68561 7353 КАСАНДРА 2017 0,997
57 СУ68562 7388 ЛЮБАВА 2017 0,997
58 СУ68567 7357 ГЛАША 2017 0,997
59 СУ68568 556 АКАЦИЯ 2015 0,997
60 СУ68569 31 КРАЛЯ 2016 0,996
61 СУ68570 7397 ПЫШКА 2018 0,997
62 СУ68573 33 ФИАЛКА 2017 0,997
63 СУ68574 7369 ВЕНЕЦИЯ 2017 0,997
64 СУ68575 640 МАРГАРИТКА 2015 0,997
65 СУ68576 597 СОИКА 2015 0,997
66 СУ68577 620 ЧАИКА 2015 0,997
67 СУ68578 614 НАИДА 2015 0,997
68 СУ68579 6263 ФЛОРА 2016 0,997
69 СУ68581 6283 ЛОЛА 2016 0,997
70 СУ68583 82 ОБЛАЧКО 2017 0,997
71 СУ68585 594 ЕЛОЧКА 2015 0,997
72 СУ68586 456 ЗАБАВА 2014 0,993
73 СУ68587 6295 МИЛКА 2016 0,996
74 СУ68588 6291 БЕЛЛА 2016 0,997
75 СУ68590 555 ЧЕБУРАШКА 2016 0,997
76 СУ68591 6242 КРЕВЕТКА 2014 0,997
77 СУ68592 701 МАСЯНЯ 2017 0,997
78 СУ68593 7398 ЗВЕЗДОЧКА 2017 0,997
79 СУ68594 477 ПАЛЬМА 2014 0,997
80 СУ68595 6289 ЗАГАДКА 2016 0,997
№ п/п № ВИЖ Инв. № Кличка Год рождения Са11 га1е
81 СУ68596 433 ВОРОЖЕЯ 2014 0,997
82 СУ68598 7321 ПАМЕЛА 2016 0,997
83 СУ68599 7380 ЖИЗЕЛЬ 2017 0,997
84 СУ68600 7355 КАЛИНКА 2017 0,996
85 СУ68601 7377 НОЧКА 2017 0,996
86 СУ68602 7333 ГОРЛИЦА 2017 0,996
87 СУ68603 512 ТРАВКА 2014 0,997
88 СУ68604 559 ЧЕРЕМША 2015 0,997
89 СУ68605 8073 НИМФА 2018 0,997
90 СУ68606 529 ХМУРАЯ 2016 0,997
91 СУ68607 7335 ПАВА 2017 0,997
92 СУ68608 6246 ПАСТУШКА 2016 0,997
93 СУ68610 6285 ЛИЛИЯ 2016 0,997
94 СУ68611 581 ЛАВАНДА 2017 0,997
95 СУ68614 7365 СОРОКА 2017 0,993
96 СУ68616 461 ПРИМА 2013 0,994
97 СУ68617 6286 ПИОНА 2017 0,997
98 СУ68618 7378 АРИЯ 2017 0,997
99 СУ68620 615 РЕЧКА 2015 0,997
100 СУ68621 604 ПАСХА 2015 0,997
101 СУ68624 6301 ИРИСКА 2017 0,997
102 СУ68626 7335 КИСА 2017 0,997
103 СУ68627 7351 ГВОЗДИКА 2017 0,997
104 СУ68628 76 КАРОЛИНА 2016 0,997
105 СУ68629 12 РОМАШКА 2013 0,997
106 СУ68632 7384 ПЫЛИНКА 2017 0,996
107 СУ68633 516 ЦЫГАНКА 2014 0,996
108 СУ68635 352 СИМКА 2015 0,996
109 СУ68637 7348 ЧЕРНУХА 2015 0,995
110 СУ68640 624 ГОСПОЖА 2016 0,996
111 СУ68642 625 ПТИЧКА 2016 0,997
112 СУ68644 6201 ПИКА 2016 0,997
113 СУ68646 462 ЛЯЛЯ 2016 0,996
114 СУ68647 37 ЛАДА 2017 0,997
115 СУ68648 778 ЗИТА 2017 0,995
116 СУ68649 35 ГИТА 2017 0,997
117 СУ68650 6262 ПОБЕДА 2016 0,996
118 СУ68651 639 КИВИ 2016 0,997
119 СУ68652 562 БУРАНКА 2015 0,996
120 СУ68653 531 ВЬЮГА 2015 0,996
121 СУ68654 6281 БРУСНИКА 2016 0,997
122 СУ68658 16 ЛУШКА 2016 0,997
№ п/п № ВИЖ Инв. № Кличка Год рождения Са11 га1е
123 СУ68659 6241 ЗАРЯ 2016 0,997
124 СУ68660 660 МАРТА 2016 0,997
125 СУ68664 631 ПУПСИК 2015 0,997
126 СУ68665 6282 ТОШКА 2016 0,997
127 СУ68512 7347 ДОЛЬКА 2017 0,997
128 СУ68527 7325 БУРЕНКА 2017 0,997
129 СУ68580 584 МАНЮНЯ 2015 0,997
130 СУ68613 7385 ДОРА 2016 0,996
131 СУ68623 6289 КОМЕТА 2016 0,996
132 СУ68666 8073 ПАНОЧКА 2016 0,997
133 СУ68503 653 КАПА 2015 0,997
134 СУ68510 239 СВАХА 2012 0,753
135 СУ68572 313 СНЕЖКА 2013 0,997
136 СУ68619 587 СЕМЕНОВНА 2015 0,997
137 СУ68631 6240 КОЛОБОК 2016 0,997
138 СУ68645 58 СЛИВА 2016 0,997
139 СУ68489 417 МУЗА 2013 0,997
140 СУ68494 62 МИЛЕДИ 2011 0,996
141 СУ68517 485 ОБЛЕПИХА 2014 0,996
142 СУ68526 7359 ДЕВА 2017 0,996
143 СУ68625 7342 МИМОЗА 2017 0,996
144 СУ68662 6229 ФИМА 2016 0,997
Приложение 3
Список выявленных генов-кандидатов, ассоциированных с компонентным составом молока коров-дочерей
генотипированных быков голштинской породы (популяция Московской области)
BTA Позиция на хромосоме, п.о. (bp) SNP p R2 Регрессионный коэффициент модели Признак Ген
6 20993424 BTB-00246150 0,000004 0,093 -0,001259 ацетон PPA2 pyrophosphatase (inorganic) 2
8 11654742 ARS-BFGL-NGS-117224 0,000078 0,069 0,001041 ацетон ACO1 aconitase 1
21 45333059 ARS-BFGL-NGS-86276 0,000096 0,068 0,001735 ацетон SPTSSA serine palmitoyltransferase small subunit A
6 20993424 BTB-00246150 0,000023 0,079 -0,005443 ацетон (log) PPA2
11 20271885 Hapmap26194-BTA-158111 0,000008 0,087 -0,005338 ацетон (log) RMDN2 regulator of microtubule dynamics 2
11 20202555 ARS-BFGL-NGS-25248 0,000081 0,069 -0,005059 ацетон (log) CDC42EP3 CDC42 effector protein 3
6 39438580 BTB-01326707 0,000038 0,075 0,000995 БГБ LOC782905protein SET-like
6 39371150 Hapmap33170-BTC-071249 0,000087 0,068 0,000945 БГБ LCORL ligand dependent nuclear receptor corepressor like
1 96059058 Hapmap58062-rs29012621 0,000054 0,072 0,002374 БГБ (log) FNDC3B fibronectin type III domain containing 3B
6 55002727 ARS-BFGL-NGS-2697 0,000031 0,079 0,002150 БГБ (log) -
7 41163996 BTB-00631103 0,000061 0,071 0,002196 БГБ (log) ZNF354A zinc finger protein 354A
7 41351936 BTB-00301765 0,000087 0,069 0,002134 БГБ (log) MGAT1 mannosyl (alpha-1,3-)-glycoprotein beta-1,2-N-acetylglucosaminyltransferase
10 20322987 ARS-BFGL-NGS-29616 0,000046 0,074 0,002040 БГБ (log) NPTN neuroplastin
16 54271046 ARS-BFGL-NGS-117525 0,000071 0,070 -0,001941 БГБ (log) -
14 44349969 Hapmap39106-BTA-18647 0,000015 0,083 -0,005915 C14:0 PKIA cAMP-dependent protein kinase inhibitor alpha
22 14022499 UA-IFASA-6992 0,000058 0,072 -0,013690 C16:0 ULK4 unc-51 like kinase 4
Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.