Оценка качества генеалогических данных в племенных предприятиях Западной Сибири

Камалдинов Евгений Варисович; Петров Алексей Фёдорович; Нарожных Кирилл Николаевич; Пальчиков Павел Николаевич

Животноводство и кормопроизвоДство / Animal Husbandry and Fodder Production 2024;107(4)

РАЗВЕДЕНИЕ, СЕЛЕКЦИЯ, ГЕНЕТИКА/BREEDING, SELECTION, GENETICS 53

Животноводство и кормопроизводство. 2024. Т. 107, № 4. С. 53-67. Animal Husbandry and Fodder Production. 2024. Vol. 107, no 4. Р. 53-67.

Научная статья УДК 636.082 (571.1) doi:10.33284/2658-3135-107-4-53

Оценка качества генеалогических данных в племенных предприятиях Западной Сибири Евгений Варисович Камалдинов1, Алексей Фёдорович Петров2, Кирилл Николаевич Нарожных3, Павел Николаевич Пальчиков4 1,2,3Новосибирский государственный аграрный университет, Новосибирск, Россия 4АО «Новосибирскагроплем», с. Ярково, Новосибирской обл., Россия '[email protected], https://orcid.org/0000-0002-0341-5055 [email protected], https://orcid.org/0000-0002-7402-4107 [email protected], https://orcid.org/0000-0002-1519-697X [email protected]

Аннотация. Анализ генеалогических баз данных, содержащих более 6 миллионов записей, выявил значительное количество пропусков в данных о происхождении животных, особенно по быкам-производителям. Это затрудняет внедрение технологий автоматизированного подбора родительских пар и снижает эффективность контроля уровня инбридинга. Установлено, что в среднем 7 % записей о предках до третьего ряда родословной содержат пропуски, из которых 85,5 % приходится на быков-производителей. Это представляет серьёзную проблему при создании региональных цифровых платформ для автоматизации принятия решений в племенном животноводстве, ограничивает возможности объективной оценки племенной ценности животных и препятствует необходимому давлению целенаправленного искусственного отбора и закрепления производителей за маточным поголовьем. Предложены способы повышения качества первичных генеалогических данных, в том числе с использованием зарубежных источников. Показано, что автоматизация процесса принятия решений в племенном молочном скотоводстве позволяет не только ускорить выявление ошибок, но и значительно сократить время на их исправление благодаря создаваемым агрегаторам данных. Этот процесс может стать основой для крупномасштабной верификации и валидации данных первичного зоотехнического учёта с последующей передачей в Федеральную государственную информационную-аналитическую систему племенных ресурсов (ФГИАС ПР). Кроме того, это повысит эффективность работы зоотехников-селекционеров в крупных племенных и товарных хозяйствах, а также позволит отбирать быков-производителей, генетически совместимых с маточным поголовьем как отдельного региона, так и их совокупности.

Ключевые слова: молочный скот, генеалогические данные, информационно-аналитическая система, племенная ценность, селекция, инбридинг, сельское хозяйство

Для цитирования: Оценка качества генеалогических данных в племенных предприятиях Западной Сибири / Е.В. Камалдинов, А.Ф. Петров, К.Н. Нарожных, П.Н. Пальчиков // Животноводство и кормопроизводство. 2024. Т. 107, № 4. С. 53-67. https://doi.org/10.33284/2658-3135-107-4-53

Original article

Assessment of the quality of genealogical data in breeding enterprises of Western Siberia Evgeny V Kamaldinov1, Alexey F Petrov2, Kirill N Narozhnykh3, Pavel N Palchikov4 1,2,3Novosibirsk State Agrarian University, Novosibirsk, Russia

4JSC Novosibirskagroplem, Yarkovo settlement, Novosibirsk region, Russia [email protected], https://orcid.org/0000-0002-0341-5055 [email protected], https://orcid.org/0000-0002-7402-4107 [email protected], https://orcid.org/0000-0002-1519-697X [email protected]

Abstract. Analysis of genealogical databases containing more than 6 million records revealed a significant number of gaps in the data on the origin of animals, especially for sires. This complicates the

©Камалдинов Е.В., Петров А.Ф., Нарожных К.Н., Пальчиков П.Н., 2024

Животноводство и кормопроизвоДство / Animal Husbandry and Fodder Production 2024;107(4)

54 РАЗВЕДЕНИЕ, СЕЛЕКЦИЯ, ГЕНЕТИКА/ BREEDING, SELECTION, GENETICS

implementation of automated parental pair selection technologies and reduces the effectiveness of inbreeding level control. It was found that on average 7% of records on ancestors up to the third row of the pedigree contain gaps, of which 85.5% are for sires. This is a serious problem in the creation of regional digital platforms for the automation of decision-making in breeding livestock, limits the possibilities of an objective assessment of the breeding value of animals and hinders the necessary pressure of targeted artificial selection and assignment of sires to breeding stock.

Methods for improving the quality of primary genealogical data are proposed, including using foreign sources. It is shown that automation of the decision-making process in purebred dairy breeding allows not only to speed up the detection of errors, but also to significantly reduce the time for their correction thanks to the created data aggregators. This process can become the basis for large-scale verification and validation of primary zootechnical accounting data with subsequent transfer to the Federal State Information and Analytical System of Breeding Resources (FGIAS PR). In addition, this will increase the efficiency of zootechnicians-breeders in large breeding and commercial farms, and will also allow selecting breeding bulls that are genetically compatible with the breeding stock of both a separate region and their totality.

Keywords: dairy cattle, genealogical data, information and analytical system, breeding value, breeding, inbreeding, agriculture

For citation: Kamaldinov EV, Petrov AF, Narozhnykh KN, Palchikov PN. Assessment of the quality of genealogical data in breeding enterprises of Western Siberia. Animal Husbandry and Fodder Production. 2024;107(4):53-67. (In Russ). https://doi.org/10.33284/2658-3135-107-4-53

Введение.

Молочное скотоводство - одна из важнейших отраслей сельского хозяйства, обеспечивающая население ценными продуктами питания. Повышение эффективности этой отрасли - приоритетная задача аграрного сектора, в решении которой ключевая роль принадлежит селекционноплеменной работе, направленной на улучшение продуктивных и племенных качеств животных (Маринченко Т.Е., 2019; Шевелёва О.М. и Свяженина М.А., 2023). Современное отечественное животноводство претерпевает ускоренную цифровую трансформацию, открывающую новые возможности для интенсификации селекционно-племенной работы. Одним из перспективных направлений такой трансформации является создание информационно-аналитических систем ИАС для генетической оценки и управления селекционным процессом (Canas-Alvarez JJ et al., 2023; Cole JB et al., 2020). Инструменты цифровых платформ для племенной работы позволяют хранить, обрабатывать и анализировать большие массивы данных, вести электронный учет родословных, оценивать племенную ценность, проводить подбор родительских пар, формировать оптимальную структуру стада, управлять селекционным процессом, а также контролировать и прогнозировать его эффективность (Nilforooshan MA and Saavedra-Jimenez LA, 2020).

За рубежом активно развивается использование геномной селекции с применением искусственного интеллекта и машинного обучения для прогнозирования продуктивности животных (Schaeffer L, 2006; Wiggans GR et al., 2011; Wiggans GR and Carrillo JA, 2022). Широко используются платформы типа CDN (cdn.ca/home) Select Star SA (selectstar.ch) или Interbull (interbull.org). В России разрабатывается Федеральная государственная информационно-аналитическая система племенных ресурсов (ФГИАС ПР), которая должна стать основой для цифровизации племенной работы. Примеры использования ИИ в российском племенном деле пока немногочисленны и находятся на стадии разработки и внедрения (Васильев Н.П. и др., 2024).

Эффективность подобных систем напрямую зависит от качества входных данных, включая генеалогическую информацию (Martin Р et al., 2019; Fioretti М et al., 2020; Toghiani S and Van Raden PM, 2021). Ее неполнота или некорректность неизменно приводит к искажению результатов оценки генетического потенциала (Aguilar I et al., 2020).

На протяжении нескольких десятилетий в России практикуется массовое использование импортного племенного материала, что привело к изменению генеалогической структуры отечественного маточного поголовья чёрно-пёстрого скота, преимущественно за счёт поглотительного

Животноводство и кормопроизвоДство / Animal Husbandry and Fodder Production 2024;107(4)

РАЗВЕДЕНИЕ, СЕЛЕКЦИЯ, ГЕНЕТИКА/BREEDING, SELECTION, GENETICS 55

скрещивания. Изолированность и локализация баз данных на предприятиях не дают общего представления о реальной генеалогической структуре и сдерживают реализацию крупномасштабной селекции, затрудняя оценку и контроль уровня инбридинга в популяциях разного размера (Cavani L et al., 2018; Nyman S et al., 2022; Silva MHMA et al., 2019). Выявленные проблемы с качеством генеалогических данных подчеркивают необходимость дальнейшей разработки и совершенствования цифровых платформ для объективной и эффективной оценки генетического потенциала животных и управления селекционным процессом.

Цель исследования.

Оценка качества генеалогических данных племенных предприятий Новосибирской и Кемеровской областей для последующей разработки цифровых платформ, обеспечивающих объективный прогноз генетического потенциала.

Материалы и методы исследования.

Объект исследования. В качестве источников генеалогической информации были использованы базы данных ряда племенных предприятий Новосибирской и Кемеровской областей по разведению молочного скота голштинской породы, открытые данные, публикуемые ФГБНУ ВНИИ-плем (https://vniiplem.ru/l/gisc/bd_ng/db_ng_mol_krs/) и Canadian Dairy Network (CDN) (https://www.cdn.ca/files_ge_datafiles.php) с общим объёмом данных, превышающим 6 млн записей.

Схема эксперимента. Для сопоставления рядов родословных отдельно взятых групп с пропущенными записями о происхождении по всем исследуемым базам данных региона было произведено ранжирование сумм частот, где минимальный ранг соответствует минимальной частоте. Также было проведено ранжирование животноводческих предприятий по степени заполненности генеалогической базы данных с применением интегрального показателя количества пропущенных записей о происхождении животных (без учёта группы «быки-осеменители»). Построены генеалогические деревья линий и семейств, представленных в хозяйствах.

Статистическая обработка. Для обработки данных, проведения анализа и построения генеалогических деревьев использовалось программное обеспечение R (Giorgi FM et al., 2022) с подключением специализированных пакетов (dplyr) (Wickham H and Grolemund GR, 2017).

Для оценки сходства хозяйств по качеству генеалогической информации и выявления групп хозяйств со схожими показателями пропущенных записей был проведён кластерный анализ с использованием расстояния Чебышева (Chen TY, 2019) и метода дальнего соседа (Поддубный B.B. и др., 2006). Для данных с рангами абсолютных частот была выбрана евклидова дистанция (Suwanda R et al., 2020) и метод Уорда (Gaikadi S and Kumar SV, 2024) которые показали наилучшие результаты. Для проведения кластерного анализа и визуализации дендрограмм было использованы пакеты factoextra (Irnawati I et al., 2021) и cluster (Bivand R, 2022). В качестве входных данных для кластерного анализа были использованы две матрицы: матрица с процентом пропущенных записей в генеалогии для каждой группы животных (быки, коровы, тёлки) в 18 хозяйствах и матрица с рангами абсолютных частот пропущенных записей о происхождении в группах животных до третьего ряда родословной. Данный метод позволяет визуализировать процесс объединения хозяйств в кластеры на дендрограмме, что делает его более наглядным и интерпретируемым.

Результаты исследований.

Анализ заполненности родословных пробандов племенных предприятий Новосибирской и Кемеровской областей выявил существенную вариабельность качества генеалогической информации в зависимости от источника. Оценка доли пропущенных записей о происхождении животных до третьего ряда родословной показала, что в среднем по региону этот показатель составляет около 7 % (табл. 1). Однако распределение пропущенных данных неоднородно: наибольшее число пропусков наблюдается в третьем ряду родословной по материнской линии (МММ), в то время как записи о происхождении по отцовской линии (О) являются наиболее полными.

Животноводство и кормопроизвоДство / Animal Husbandry and Fodder Production 2024;107(4)

56 РАЗВЕДЕНИЕ, СЕЛЕКЦИЯ, ГЕНЕТИКА/ BREEDING, SELECTION, GENETICS

51 w o’ c? У S’ о О td W

в fb 3 Я n’ &. Й 4, ° Ф □ b_ О! 3 □ В П- ■.J Л гь 3 и Пл Р

О ? s "S ф 'Ч О

Йг-E H CT! H !| &• И“ ©i ьс Я и 3 и Пл £ ©1 tr4 ~: VJ

3 s w £ t-’ 2

к-

и

hJ

UJ

о*

и*

к-"

ы

IJ

(**■

О <и

»й сл О

tn Q

SSS ООО

и» g

23 О Z <Л Q

m $ s|

с В

о я co Q

в 5 о п

о р О С сй ф

S 5 у > f

V> Й О о в §

Животноводство и кормопроизвоДство / Animal Husbandry and Fodder Production 2024;107(4)

РАЗВЕДЕНИЕ, СЕЛЕКЦИЯ, ГЕНЕТИКА/BREEDING, SELECTION, GENETICS 59

одном кластере предков разных рядов может говорить о том, что на практике заполнение генеалогической информации до второго или третьего ряда родословной обусловлен, скорее всего, практической необходимостью (наличие или отсутствие племенной документации), чем последовательной работой по её заполнению, что объясняет близость предков как второго, так и третьего рядов. Проведённый анализ, основанный на рангах частот пропущенных записей, позволяет сфокусироваться на структуре пропусков и выявить общие тенденции, независимо от абсолютного количества отсутствующих данных в разных группах животных. Дополнительное исследование конкретных рангов внутри кластеров может дать более детальную информацию о причинах возникновения пропусков.

Результаты ранжирования хозяйств по степени заполненности баз данных (табл. 2) подтверждают наличие значительной вариабельности между предприятиями в отношении качества генеалогической информации. Наиболее высокие ранги и, соответственно, наилучшее качество данных демонстрируют хозяйства 16, 18 и 14, в которых ведётся целенаправленная работа по корректировке и актуализации генеалогической информации.

Таблица 2. Ранжирование предприятий по качеству генеалогической информации

Table 2. Ranking of enterprises by quality of genealogical information

Хозяйство/ Farm Пропуски / Omissions

всего рядов предков/ Total rows of ancestors абсолютное количество/ Absolute number проценты / Percents итого (без быков) / Total (without bulls) ранг/ Rank

быки /Bulls коровы /Cows тёлки/ Heifers быки /Bulls коровы /Cows тёлки/ Heifers абсолют/ Absolute number проценты / Percents

1 84938 5211 561 488 6,14 0,66 0,57 1049 3,46 11

2 123340 3997 666 232 3,25 0,54 0,19 898 1,32 9

3 97146 3997 666 2524 4,13 0,69 2,60 3190 1,80 12

4 178024 3539 530 55 1,99 0,30 0,03 585 1,66 4

5 102718 3650 148 12 3,55 0,14 0,01 160 0,79 6

6 212156 12224 839 922 5,76 0,40 0,43 1761 2,22 10

7 130760 3097 800 922 2,37 0,61 0,71 1722 1,66 7

8 116088 2572 848 317 2,22 0,73 0,27 1165 0,50 6

9 411208 29283 8151 1037 7,12 1,98 0,25 9188 1,11 13

10 450198 46037 3287 965 10,23 0,73 0,21 4252 0,47 14

11 773346 85016 8375 116 10,99 1,08 0,01 8491 0,55 16

12 642180 86987 5699 7431 13,55 0,89 1,16 13130 1,03 17

13 210952 35757 0 154 16,95 0,00 0,07 154 0,04 18

14 1545866 5699 0 5014 0,37 0,00 0,32 5014 0,16 3

15 105588 9043 366 3050 8,56 0,35 2,89 3416 1,62 15

16 540876 0 0 0 0,00 0,00 0,00 0 0,00 1

17 120190 0 2721 119 0,00 2,26 0,10 2840 1,18 5

18 173124 0 0 6 0,00 0,00 0,00 6 0,00 2

T 6018698 336109 32991 23364 5,58 0,55 0,39 56355 0,94

T - Итого / Total

Дендрограмма, построенная с использованием метрики Чебышева и метода полной связи, иллюстрирует структуру сходства/различия 18 племенных хозяйств по проценту пропущенных генеалогических записей для быков, коров и телок (рис. 3).

Животноводство и кормопроизвоДство / Animal Husbandry and Fodder Production 2024;107(4)

РАЗВЕДЕНИЕ, СЕЛЕКЦИЯ, ГЕНЕТИКА/BREEDING, SELECTION, GENETICS 61

стерный анализ позволяет выявить группы хозяйств со сходными характеристиками в отношении качества генеалогической информации и может служить основой для разработки рекомендаций по улучшению ведения генеалогического учета.

Обсуждение полученных результатов.

Проведённое исследование позволило оценить качество генеалогических и количественных данных племенных предприятий Новосибирской и Кемеровской областей для разработки региональной (ИАС) генетической оценки и селекции молочного скота. Анализ выявил существенную вариабельность качества генеалогической информации между хозяйствами. В среднем по региону доля отсутствующих записей о происхождении животных до третьего ряда родословной составляет около 7 %. Однако распределение пропущенных данных неоднородно: больше всего пропусков наблюдается в третьем ряду родословной по материнской линии, тогда как записи о происхождении по отцовской линии наиболее полные. Это может объясняться тем, что зоотехники-селекционеры традиционно уделяют больше внимания заполнению отцовских рядов предков, особенно при широком использовании искусственного осеменения (Castro-Vasquez R et al., 2023; Nader N et al., 2021; Cole JB et al., 2021). Высокая доля пропущенных записей, особенно по быкам-производителям (85,5 % от общего числа пропусков), представляет серьёзную проблему для создания качественных баз данных регионального и федерального масштабов, поскольку неполные родословные затрудняют оценку племенной ценности и ограничивают возможности эффективного подбора родительских пар.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Оценка качества количественных данных (удой и содержание жира за 305 дней лактации) показала, что распределение этих признаков во многих хозяйствах статистически значимо отличается от гауссовского. Наиболее частые отклонения связаны с асимметрией и двухвершинностью распределений (Камалдинов Е.В. и др., 2022). Причины такого отклонения могут быть различны: генетическая гетерогенность стада, различия в условиях кормления и содержания животных, особенности селекционной работы. Несоответствие распределения количественных признаков нормальному закону может снижать точность оценки племенной ценности, особенно при использовании смешанных линейных моделей.

Для улучшения качества генеалогических данных и повышения эффективности разработки и использования региональной ИАС рекомендуется восстанавливать и актуализировать генеалогическую информацию на племенных предприятиях, уделяя особое внимание заполнению данных о происхождении быков-производителей. Целесообразно также подключить дополнительные источники генеалогической информации, включая зарубежные базы данных, и внедрить инструменты ИАС для автоматизации поиска и исправления ошибок. Важным аспектом является разработка и внедрение системы мотивации племенных предприятий для поддержания высокого качества генеалогической информации (Brito LF et al., 2020; Georges M et al., 2019; Mrode R et al., 2019).

Для корректной оценки племенной ценности и эффективного подбора родительских пар при негауссовском распределении количественных признаков следует рассмотреть применение специальных статистических методов или трансформацию данных для приближения их к нормальному распределению. Перспективным направлением также является разработка и внедрение категориальных систем оценки племенной ценности, учитывающих различия в уровне продуктивности и условиях содержания животных на разных предприятиях.

В настоящее время активно развиваются методы ИИ для контроля качества данных, включая методы обнаружения выбросов (Aggarwal CC, 2015) и методы предсказания пропущенных значений (Little RJA, 1988). Эти методы могут быть перспективными для автоматизации процесса оценки качества генеалогических данных в животноводстве и повышения достоверности информации в ИАС. Однако практическое применение ИИ для этих целей в племенной работе пока ограничено и требует дальнейших исследований. В перспективе разработка и внедрение инструментов на основе ИИ, таких как системы автоматического обнаружения ошибок и аномалий в данных, могут

Животноводство и кормопроизвоДство / Animal Husbandry and Fodder Production 2024;107(4)

62 РАЗВЕДЕНИЕ, СЕЛЕКЦИЯ, ГЕНЕТИКА/ BREEDING, SELECTION, GENETICS

существенно повысить эффективность контроля качества генеалогических баз данных и обеспечить более высокую достоверность информации, используемой в селекционно-племенной работе.

Реализация этих рекомендаций будет способствовать повышению эффективности разработки и использования региональной ИАС, ускорению генетического прогресса в популяции молочного скота и повышению экономической эффективности молочного скотоводства в регионе.

Заключение.

Исследование, посвящённое оценке качества генеалогических данных молочного скота в племенных предприятиях Западной Сибири, выявило ряд важных закономерностей и проблем. Анализ генеалогических баз данных показал высокую вариабельность качества данных между хозяйствами. В среднем по региону доля отсутствующих записей о происхождении животных до третьего ряда родословной составляет около 7 %, однако в некоторых хозяйствах этот показатель значительно выше. Это может свидетельствовать о недостаточном внимании к ведению генеалогического учёта и необходимости разработки унифицированных стандартов племенной документации. Особую проблему представляет высокая доля пропусков по быкам-производителям (85,5 % от общего числа пропусков). Это затрудняет контроль уровня инбридинга и может привести к его нежелательному повышению, негативно влияющему на продуктивность, воспроизводительные качества и здоровье животных.

Неполнота генеалогической информации серьёзно препятствует созданию полноценной региональной ИАС и может привести к недостоверной оценке племенной ценности и неэффективному подбору родительских пар, замедляя генетический прогресс. Поэтому результаты исследования подчеркивают необходимость разработки и внедрения инструментов для автоматизации поиска и корректировки генеалогических данных, а также системы контроля качества вводимой информации. Создание региональной ИАС, основанной на достоверных и полных генеалогических данных, позволит повысить эффективность селекционно-племенной работы в молочном скотоводстве Западной Сибири и ускорить генетический прогресс в отрасли. В перспективе необходимо продолжить исследования, направленные на совершенствование методов оценки и контроля качества генеалогической информации, а также на разработку методик учёта неоднородности стад при оценке племенной ценности животных.

Список источников

1. Достоверность данных первичного зоотехнического учёта в молочном скотоводстве / Е.В. Камалдинов, А.Ф. Петров, К.С. Шатохин, К.Н. Нарожных, В.Г. Маренков, Т.А. Жигулин, О.В. Богданова, П.Н. Пальчиков, А.А. Плахова // Вестник НГАУ (Новосибирский государственный аграрный университет). 2022. № 2(63). C. 76-83. [Kamaldinov EV, Petrov AF, Shatohin KS, Narozhnyh KN, Marenkov VG, Zhigulin TA, Bogdanova OV, Palchikov PN, Plakhova AA. Reliability of primary zootechnical records in dairy farming. Bulletin of NSAU (Novosibirsk State Agrarian University). 2022;2(63):76-83. (In Russ.)]. doi: 10.31677/2072-6724-2022-63-2-76-83

2. Маринченко Т.Е. Повышение эффективности молочного скотоводства // Вестник всероссийского научно-исследовательского института механизации животноводства. 2019. № 2(34). C. 193-203. [Marinchenko TE. Improving of the of dairy breedings efficiency. Journal of VNIIMZH. 2019;2(34):193-203. (In Russ.)].

3. Поддубный В.В., Шевелев О.Г., Бормашов Д.А. Сравнение качества подходов к кластеризации текстов на основе гипергеометрического критерия // Вестник Томского государственного университета. 2006. № 293. С. 120-125. [Poddubny VV, Shevelyov OG, Bormashov DA. Comparision of texts clusterization methods quality on the base of hypergeometrical criterion. Tomsk State University Journal. 2006;293:120-125. (In Russ.)].

4. Формирование единой цифровой платформы сельского хозяйства региона / Н.П. Васильев, Л.Д. Протопопова, Г.И. Даянова, А.Н. Крылова, Н.Н. Никитина //

Животноводство и кормопроизвоДство / Animal Husbandry and Fodder Production 2024;107(4)

РАЗВЕДЕНИЕ, СЕЛЕКЦИЯ, ГЕНЕТИКА/BREEDING, SELECTION, GENETICS 63

Международный сельскохозяйственный журнал. 2024. № 1(397). С. 53-56. [Vasil'ev NP, Protopopova LD, Dayanova GI, Krylova AN, Nikitina NN. Formation of a unified digital platform for the region's agriculture. Mezhdunarodnyj sel'skohozyajstvennyj zhurnal. 2024;1(397):53-56. (In Russ.)], doi: 10.55186/ 25876740_2024_67_1_53

5. Шевелёва О.М., Свяженина М.А. Влияние быков на продуктивные качества потомства // Животноводство и кормопроизводство. 2023. Т. 106. № 4. С. 40-56. [Sheveleva OM, Svyazhenina MA. The influence of bulls on the productive qualities of progeny. Animal Husbandry and Fodder Production. 2023;106(4):40-56. (In Russ.)]. doi: 10.33284/2658-3135-106-4-40

6. Aggarwal CC. Outlier analysis: advanced concepts. In: Data Mining. Springer, Cham; 2015:265-83. doi: 10.1007/978-3-319-14142-8_9

7. Aguilar I, Fernandez EN, Blasco A, Ravagnolo O, Legarra A. Effects of ignoring inbreeding in model-based accuracy for BLUP and SSGBLUP. J Anim Breed Genet. 2020;137(4):356-364. doi: 10.1111/jbg.12470

8. Bivand R. R packages for analyzing spatial data: a comparative case study with areal data. Geographical Analysis. 2022;54(3):488-518. doi: 10.1111/gean.12319

9. Brito LF, Oliveira HR, McConn BR, Schinckel AP, Arrazola A, Marchant-Forde JN, et al. Large-scale phenotyping of livestock welfare in commercial production systems: a new frontier in animal breeding. Front Genet. 2020;11:793. doi: 10.3389/fgene.2020.00793

10. Canas-Alvarez JJ, Ossa-Saraz GA, Garces-Blanquiceth JL, Burgos-Paz WO. Genealogical structure of the Colombian Romosinuano Creole cattle. Trop Anim Health Prod. 2023;55(5):292. doi: 10.1007/s11250-023-03694-1

11. Castro-Vasquez R, Vasquez-Loaiza M, Cruz-Mendez A, Dommguez-Viveros J, Camacho-Sandoval J, Saborio-Montero A. Genealogical information analysis of Gyr and Nelore cattle from Costa Rica. Cienc Rural. 2023;53(10):e20220236. doi: 10.1590/0103-8478cr20220236

12. Cavani L, Silva RM de O, Carreno LOD, Ono RK, Bertipaglia TS, Farah MM, et al. Genetic diversity of Brazilian Brahman cattle by pedigree analysis. Pesq Agropec Bras. 2018;53(1):74-79. doi: 10.1590/s0100-204x2018000100008

13. CDN. Canadian Networck for Dairy Excelence. [Internet] Available from: https://www.cdn.ca/home.php (accessed 2024 November 27).

14. Chen TY. New Chebyshev distance measures for Pythagorean fuzzy sets with applications to multiple criteria decision analysis using an extended ELECTRE approach. Expert Systems with Applications. 2019;147(2):113164. doi: 10.1016/j.eswa.2019.113164

15. Cole JB, Durr JW, Nicolazzi EL. Invited review: The future of selection decisions and breeding programs: What are we breeding for, and who decides? Journal of Dairy Science. 2021;104(5):5111-24. doi: 10.3168/jds.2020-19777

16. Cole JB, Eaglen SAE, Maltecca C, Mulder HA, Pryce JE. The future of phenomics in dairy cattle breeding. Animal Frontiers. 2020;10(2):37-44. doi: 10.1093/af/vfaa007

17. Fioretti M, Negrini R, Biffani S, Quaglia A, Valentini A, Nardone A. Demographic structure and population dynamics of Maremmana cattle local breed after 35 years of traditional selection. Livestock Science. 2020;232:103903. doi: 10.1016/j.livsci.2019.103903

18. Gaikadi S, Kumar SV. Is ward-level calculation of urban green space availability important?—A case study on Vellore city, India, using the histogram-based spectral discrimination approach. Front Sustain Cities. 2024;6:1393156. doi: 10.3389/frsc.2024.1393156

19. Georges M, Charlier C, Hayes B. Harnessing genomic information for livestock improvement. Nat Rev Genet. 2019;20(3):135-156. doi: 10.1038/s41576-018-0082-2

20. Giorgi FM, Ceraolo C, Mercatelli D. The R language: an engine for bioinformatics and data science. Life (Basel). 2022;12(5):648. doi: 10.3390/life12050648

21. Interbull.International Bull Evaluation Service Official Website. [Internet] Available from: https://interbull.org/index (accessed 2024 November 27).

Животноводство и кормопроизвоДство / Animal Husbandry and Fodder Production 2024;107(4)

64 РАЗВЕДЕНИЕ, СЕЛЕКЦИЯ, ГЕНЕТИКА/ BREEDING, SELECTION, GENETICS

22. Irnawati I, Riswanto FDO, Riyanto S, Martono S, et al. The use of software packages of R factoextra and FactoMineR and their application in principal component analysis for authentication of oils. Indonesian Journal of Chemometrics and Pharmaceutical Analysis. 2021;1(1):1-10. doi: 10.22146/ijcpa.482

23. Little RJA. A test of missing completely at random for multivariate data with missing values. Journal of the American Statistical Association. 1988;83(404):1198-202.

24. Martin P, Baes C, Houlahan K, Richardson CM, Jamrozik J, Miglior F. Genetic correlations among selected traits in Canadian Holsteins. Can J Anim Sci. 2019; 99(4):693-704. doi: 10.1139/CJAS-2018-0190

25. Mrode R, Ojango JMK, Okeyo AM, Mwacharo JM. Genomic selection and use of molecular tools in breeding programs for indigenous and crossbred cattle in developing countries: current status and future prospects. Front Genet. 2019;9:694. doi:10.3389/fgene.2018.00694

26. Nader N, El-Gamal FEZ, El-Sappagh S, Kwak KS, Elmogy M. Kinship verification and recognition based on handcrafted and deep learning feature-based techniques. PeerJ Computer Science. 2021;7:e735. doi: 10.7717/peerj-cs.735

27. Nilforooshan MA, Saavedra-Jimenez LA. ggroups: an R package for pedigree and genetic groups data. Hereditas. 2020;157(1):17. doi: 10.1186/s41065-020-00124-2

28. Nyman S, Johansson AM, Palucci V, Schonherz AA, Guldbrandtsen B, Hinrichs D, et al. Inbreeding and pedigree analysis of the European red dairy cattle. Genet Sel Evol. 2022;54(1):70. doi: 10.1186/s12711-022-00761-3

29. Schaeffer L. Strategy for applying genome-wide selection in dairy cattle. Journal of Animal Breeding and Genetics. 2006;123(4):218-23. doi: 10.1111/j.1439-0388.2006.00595.x

30. Select Star SA. [Internet] Available from: https://www.selectstar.ch/de/index.htm. (accessed: 2024 November 27).

31. Silva MHMA da, Malhado CHM, Kern EL, Daltro D dos S, Cobuci JA, Carneiro PLS. Inbreeding depression in Holstein cattle in Brazil. R Bras Zootec. 2019;48:e20170212. doi: 10.1590/rbz4820170212

32. Suwanda R, Syahputra Z, Zamzami EM. Analysis of euclidean distance and manhattan distance in the k-means algorithm for variations number of Centroid K. Journal of Physics: Conference Series. 2020;1566(1):012058. doi: 10.1088/1742-6596/1566/1/012058

33. Toghiani S, VanRaden PM. National Index Correlations and Actual vs. Expected Use of Foreign Sires. Interbull Bulletin. Leeuwarden, The Netherlands, 2021, April 26-30. 2021;56:52-9.

34. Wickham H, Grolemund G. R for Data Science. Gravenstein Highway North, Sebastopol, CA: O'Reilly; 2017: 520 p.

35. Wiggans GR, Carrillo JA. Genomic selection in United States dairy cattle. Front Genet. 2022;9(13):994466.

36. Wiggans GR, Vanraden PM, Cooper TA. The genomic evaluation system in the United States: past, present, future. J Dairy Sci. 2011;94(6):3202-11. doi: 10.3168/jds.2010-3866

References

1. Kamaldinov EV, Petrov AF, Shatohin KS, Narozhnyh KN, Marenkov VG, Zhigulin TA, Bogdanova OV, Palchikov PN, Plakhova AA. Reliability of primary zootechnical records in dairy farming. Bulletin of NSAU (Novosibirsk State Agrarian University). 2022;2(63):76-83. doi: 10.31677/2072-6724-2022-63-2-76-83

2. Marinchenko TE. Improving of the of dairy breedings efficiency. Journal of VNIIMZH. 2019; 2(34):193-203.

3. Poddubny VV, Shevelyov OG, Bormashov DA. Comparision of texts clusterization methods quality on the base of hypergeometrical criterion. Tomsk State University Journal. 2006;293:120-125.

Животноводство и кормопроизвоДство / Animal Husbandry and Fodder Production 2024;107(4)

РАЗВЕДЕНИЕ, СЕЛЕКЦИЯ, ГЕНЕТИКА/BREEDING, SELECTION, GENETICS 65

4. Vasilev NP, Protopopova LD, Dayanova GI, Krylova AN, Nikitina NN. Formation of a unified digital platform for the region's agriculture. International agricultural Journal. 2024;1(397):53-56. doi: 10.55186/25876740_2024_67_1_53

5. Sheveleva OM, Svyazhenina MA. The influence of bulls on the productive qualities of progeny. Animal Husbandry and Fodder Production. 2023;106(4):40-56. doi: 10.33284/2658-3135-106-4-40