Разработка новых подходов к прижизненной оценке крупного рогатого скота путем 3D-визуализации хозяйственно-биологических и генетических особенностей животных.

КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

ОБЩИЕ СВЕДЕНИЯ

Номер проекта 21-76-20014

НазваниеРазработка новых подходов к прижизненной оценке крупного рогатого скота путем 3D-визуализации хозяйственно-биологических и генетических особенностей животных.

Руководитель Ручай Алексей Николаевич, Кандидат физико-математических наук

Организация финансирования, регион Федеральное государственное бюджетное научное учреждение "Федеральный научный центр биологических систем и агротехнологий Российской академии наук" , Оренбургская обл

Конкурс №51 - Конкурс 2021 года по мероприятию «Проведение исследований на базе существующей научной инфраструктуры мирового уровня» Президентской программы исследовательских проектов, реализуемых ведущими учеными, в том числе молодыми учеными

Область знания, основной код классификатора 06 - Сельскохозяйственные науки; 06-204 - Животноводство

Ключевые слова животноводство, мясное скотоводство, прижизненная оценка, прогнозирование, генотипирование, трехмерная форма тела, коммерческие отруба, качество мяса

Код ГРНТИ68.39.19

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

Аннотация
Проект решает вопросы создания технологической платформы в рамках нового уклада сельскохозяйственного производства – «животноводство без присутствия человека». При выполнении проекта будет создана технология обеспечивающая более чем 100 кратное снижение затрат времени на проведении оценки крупного рогатого скота. Проект направлен на решение задач в рамках плана мероприятий Министерства сельского хозяйства РФ и Национального Союза производителей говядины по реализации "Концепции устойчивого развития мясного скотоводства России на период до 2030 года", предполагающей создание до 1 млн. рабочих мест в мясном скотоводстве и трехкратное увеличение производства продукции. Предполагаемый проект направлен на разработку новых подходов к прижизненной оценке крупного рогатого скота путем 3D-визуализации хозяйственно-биологических и генетических особенностей животных, а также новой технологии на основе машинного обучения, компьютерного зрения и полногеномного SNP-генотипирования. В рамках проекта будут решены следующие научные задачи: получить полногеномные SNP-генотипы для молодняка крупного рогатого скота, оцененных прижизненно с помощью классических методов оценки экстерьера (взвешивание, промеры) и методов 3D-визуализации; провести полногеномные ассоциативные исследования с выявлением связей между генотипами и параметрами экстерьера, оцененными с использованием классических методов и 3D-визуализации, а также мясными качествами и качеством туш; выполнить идентификацию геномных регионов, ассоциированных с изучаемыми фенотипическими показателями; выполнить функциональную аннотацию генов, участвующих в формировании хозяйственно-полезных признаков, оцениваемых классическими методами, методами 3D-визуализации, с учетом мясной продуктивности животных; дать предложения по повышению точности прижизненной оценки хозяйственно-биологических особенностей животных на основе использования геномных методов; создать трехмерную математическую модель формы движущихся животных на основе мультисенсорных данных (камер глубины RGB-D); построить системы для автоматического измерения морфологических характеристик движущихся животных по математической модели с точностью, превосходящей существующие системы измерений; выявить ассоциации аллельных сочетаний, детерминирующих экспрессию признаков продуктивности; обобщить 3D модели животных с данными полногеномного SNP- генотипирования и качеством полученной от них продукции (prime, top choice, choice, select); создать математические модели "идеальных" высокопродуктивных животных; создать технологию прогнозирования продуктивности животных на основе технологии машинного обучения, и в частности глубоких нейронных сетей; разработать технологию и систему автоматической прижизненной оценки коммерческой стоимости крупного рогатого скота. Разрабатываемая технология не имеет аналогов, так как не существует готовых систем оценки и прогнозирования продуктивности крупного рогатого скота путем 3D-визуализации хозяйственно-биологических и генетических особенностей животных. Анализ патентной базы США и ряда стран Европейского Союза демонстрирует абсолютный приоритет данной разработки. Реализация задач проекта будет выполнена посредством прорывных научных исследований и разработок мирового уровня в области информационных и генетических технологий. Результаты проекта позволят получить фундаментальные знания о взаимосвязях хозяйственно-биологических и генетических особенностей животных и внесут вклад в создание современных конкурентоспособных технологий в животноводстве.

ОТЧЁТНЫЕ МАТЕРИАЛЫ

Публикации

1. Ручай А.Н., Джуламанов К.М., Герасимов Н.П., Колпаков В.И. Qualitative and quantitative assessment of beef productivity in Aberdeen-Angus cows and heifers depending on the C73T/C528T haplotype in leptin gene IOP Conference Series: Earth and Environmental Science, 839(31), 032017 (год публикации - 2021)
10.1088/1755-1315/839/3/032017

2. Ручай А.Н., Джуламанов К.М., Герасимов Н.П., Колпаков В.И. Morphological characteristics of Aberdeen-Angus cows and heifers in relation to polymorphisms C528T and C73T of leptin gene IOP Conference Series: Earth and Environmental Science, 848(113), 012077 (год публикации - 2021)
10.1088/1755-1315/848/1/012077

3. Ручай А., Федорова М. Fast algorithm of 3D object volume calculation from point cloud Proceedings of SPIE - The International Society for Optical Engineering, 11842, 118421Q (год публикации - 2021)
10.1117/12.2593891

4. Ручай А., Кальщиков В., Гриднев А., Го Х. Fast 3D object symmetry detection for point cloud Proceedings of SPIE - The International Society for Optical Engineering, 11842, 118421S (год публикации - 2021)
10.1117/12.2593895

5. Ручай А., Дорофеев К. Fast approximate geodesic distance on point cloud Proceedings of SPIE - The International Society for Optical Engineering, 11842, 1184229 (год публикации - 2021)
10.1117/12.2593887

6. Ручай А., Дорофеев К., Кальщиков В., Колпаков В., Джуламанов К. A technology of contactless three-dimensional reconstruction of animal models using depth cameras 2021 International Conference on Information Technology and Nanotechnology (ITNT) (год публикации - 2021)

7. Ручай А., Дорофеев К., Кальщиков В., Колпаков В., Джуламанов К., Го Х. Live weight prediction of cattle using deep image regression 2021 IEEE International Workshop on Metrology for Agriculture and Forestry (MetroAgriFor), 32-36 (год публикации - 2021)
10.1109/MetroAgriFor52389.2021.9628547

8. Ручай А., Гриценко С., Ермолова Е., Бочкарев А., Ермолов С., Гуо Х., Пеццуоло А. A Comparative Study of Machine Learning Methods for Predicting Live Weight of Duroc, Landrace, and Yorkshire Pigs Animals, 12(9), 1152 (год публикации - 2022)
10.3390/ani12091152

9. Ручай А., Кобер В., Дорофеев К., Колпаков В., Джуламанов К., Кальщиков В., Гуо Х. Comparative analysis of machine learning algorithms for predicting live weight of Hereford cows Computers and Electronics in Agriculture, 195, 106837 (год публикации - 2022)
10.1016/j.compag.2022.106837

10. Ручай А., Колпаков В., Косян Д., Русакова Е., Дорофеев К., Гуо Х., Феррари Г., Пеццуоло А. Genome-Wide Associative Study of Phenotypic Parameters of the 3D Body Model of Aberdeen Angus Cattle with Multiple Depth Cameras Animals, 12(16), 2128 (год публикации - 2022)
10.3390/ani12162128

11. Ху Ю., Луо С., Гао З., Ду А., Гуо Х., Ручай А., Маринелло Ф., Пеццуоло А. Curve Skeleton Extraction from Incomplete Point Clouds of Livestock and Its Application in Posture Evaluation Agriculture, 12(7), 998 (год публикации - 2022)
10.3390/agriculture12070998

12. Ручай А., Кобер В., Дорофеев К., Колпаков В., Гладков А., Гуо Х. Live Weight Prediction of Cattle Based on Deep Regression of RGB-D Images Agriculture, 12(11), 1794 (год публикации - 2022)
10.3390/agriculture12111794

13. Лу Дж., Гуо Х., Ду А., Су Ю., Ручай А., Маринелло Ф., Пеццуоло А. 2-D/3-D fusion-based robust pose normalisation of 3-D livestock from multiple RGB-D cameras Biosystems Engineering, 223, 129-141 (год публикации - 2022)
10.1016/j.biosystemseng.2021.12.013

14. Гриценко С., Ручай А., Колпаков В., Лебедев С., Гуо Х., Пеццуоло А. On-Barn Forecasting Beef Cattle Production Based on Automated Non-Contact Body Measurement System Animals, 13(4), 611 (год публикации - 2023)
10.3390/ani13040611

15. Чжан Дж., Лэй Дж., Ву Дж., Лу Х., Гуо Х., Пеццуоло А., Колпаков В., Ручай А. Automatic method for quantitatively analyzing the body condition of livestock from 3D shape Computers and Electronics in Agriculture, 214, 108307 (год публикации - 2023)
10.1016/j.compag.2023.108307

16. Ручай А., Акульшин И., Колпаков В., Джуламанов К., Гуо Х., Пеццуоло А. Cattle Face Recognition Using Deep Transfer Learning Techniques 2023 IEEE International Workshop on Metrology for Agriculture and Forestry (MetroAgriFor) (год публикации - 2024)

17. Колпаков В. , Ручай А. , Косян Д. , Букарева Е. Analysis of Runs of Homozygosity in Aberdeen Angus Cattle Animals, Animals, 14(15), 2153 (год публикации - 2024)
10.3390/ani14152153

18. Ручай А., Колпаков В., Гуо Х., Пеццуоло А. On-barn cattle facial recognition using deep transfer learning and data augmentation Computers and Electronics in Agriculture, Computers and Electronics in Agriculture, 2024, 225, 109306 (год публикации - 2024)
10.1016/j.compag.2024.109306

Публикации

Аннотация результатов, полученных в 2024 году
В рамках проекта создана обобщающая база данных, содержащая генотипические и фенотипические показатели, а также анатомические и морфологические особенности 264 особей крупного рогатого скота. База включает 75 параметров, таких как данные генотипирования, изображения, измерения телосложения и убойные показатели. Полногеномное генотипирование выполнено с использованием ДНК-чипа BovineSNP50, а контроль качества и фильтрация данных осуществлены с помощью PLINK 1.9. Идентификация генов проведена с использованием ресурсов Ensembl Genes и Cattle QTL, а биоинформационный анализ выполнен в среде R. Полученная база данных способствует исследованию генетической вариабельности и фенотипических признаков, улучшению селекции, оптимизации производственных процессов и контролю качества продукции в животноводстве. Проведены полногеномные ассоциативные исследования. Изучаемые признаки — высота в крестце и обхват груди — имели низкую вариабельность (3.06–7.27%), что свидетельствует о выровненности популяции и надежности полученных генетических данных. Идентифицировано 19 SNP, ассоциированных с высотой в крестце, из которых пять превышают порог достоверности. Исследованная популяция отнесена к лептосомному типу. Также выявлены пять SNP, ассоциированных с обхватом груди, два из которых имеют высокую достоверность. Структурная аннотация генома позволила выявить 175 генов на 23 из 29 хромосом, среди которых выделены кандидаты, влияющие на конституцию и экстерьер животных: PPM1L, HDAC9, MSRB3, MON2, TRPM7, SIRPA, CHD2 и PRICKLE2. В ходе полногеномных ассоциативных исследований были выявлены генетические маркеры, связанные с ключевыми показателями мясной продуктивности: убойным весом, выходом мяса на кости и мраморностью мяса. Всего идентифицировано 52 SNP, связанных с важными показателями мясной продуктивности крупного рогатого скота: 31 SNP для убойного веса, 10 SNP для выхода мяса на кости и 11 SNP для мраморности мяса. Наиболее значимы SNP на 4-й, 14-й и 17-й хромосомах для убойного веса, на 5-й, 8-й и 16-й хромосомах для выхода мяса на кости, а также на 5-й, 9-й и 19-й хромосомах для мраморности мяса. Проведен анализ функциональной аннотации выявленных генов, что позволило расширить понимание генетической архитектуры и определить гены для дальнейшего изучения. Выявленные гены, например ABCC9, связаны с различными биологическими процессами, включая защиту от заболеваний, энергетический метаболизм и массу туши. На основе этих результатов предложена разработка тест-систем для использования в программах геномной селекции крупного рогатого скота мясного направления продуктивности. Были изучены последовательности гомозиготности по всему геному с использованием массивов однонуклеотидного полиморфизма высокой плотности для структурного и функционального описания генов, локализованных внутри или в непосредственной близости от выбранных участков генома крупного рогатого скота абердин-ангусской породы. Полученные результаты могут послужить основой для будущих исследований, направленных на идентификацию генов и маркеров, необходимых для определения наиболее значимых продуктивных признаков крупного рогатого скота. Полученные данные подтверждают влияние целенаправленного отбора на увеличение роста, размеров тела и живой массы в популяции крупного рогатого скота абердин-ангусской породы. Была выполнена апробация ранее разработанной технологии автоматической прижизненной продуктивной оценки крупного рогатого скота была использована выборка животных из обобщенной базы данных (n = 264). Корреляционный анализ показал, что основными маркерными показателями для прогнозирования мясной продуктивности являются живая масса и размеры животных при рождении. Кроме того, подтверждены высокие положительные достоверные коэффициенты корреляции между отдельными признаками (живая масса, размеры животных), что позволяет использовать косвенный отбор для повышения эффективности селекции. Была предложена модель распознавания морд крупного рогатого скота на основе RGB изображений, которые были предварительно обработаны для повышения надежности распознавания. Для обучения глубокой модели использовались методы увеличения объема данных с использованием преобразованных RGB-изображений и тонкой настройки нейронной сети. Надежность распознавания предварительно обученной модели VGGFACE2 составляет 97,1% на собранном наборе данных.

Публикации

Возможность практического использования результатов
Результаты проведенных исследований могут быть использованы: 1) в сельском хозяйстве: для оценки коммерческой стоимости скота при работе аукционов скота разных стран; для обоснования дальнейшего использования молодняка, в том числе для откорма с перспективой исключения необходимости выполнения генетической экспертизы животных на наличие генов; для разработки аналоговой технологии оценки состояния здоровья и продуктивности животных на промышленных птицеводческих и свиноводческих комплексах; 2) в биологии и экологии: для оценки состояния популяций диких животных, с экспертной оценкой здоровья путем бесконтактной трехмерной реконструкции форм; для оценки среды обитания, географических особенностей территории обитания диких животных. Потребителями созданного интеллектуального продукта могут стать: 1) откормочные площадки и другие организации, проводящие экспертизу скота; 2) аукционы и рынки живого скота; 3) рестораторы и магазины, приобретающие животноводческую продукцию; 4) ассоциации по породам скота и союзы, занимающиеся разведением чистопородных животных. Учитывая значительное сокращение времени на сбор и анализ данных, ожидается, что результаты проекта получат широкое распространение в сельском хозяйстве по всему миру.