Аннотации:
Спектроскопия среднего инфракрасного диапазона с преобразованием Фурье
представляет собой быстрый и дешевый способ анализа проб коровьего молока для определения содержания жира, белка, лактозы и других количественных и качественных показателей молока. Современные инструменты анализа данных позволяют выявить наиболее значимые зависимости между
различными парами количественных и качественных признаков состава молока. Цель исследования. Выполнить прогнозирование ряда ключевых признаков состава молока коров с использованием
данных инфракрасной спектроскопии для изучения точности разработанной математической модели. Методы. Работу проводили в зимний период 2022 года на базе экспериментального стада голштинизированного черно-пестрого скота (Краснодарский край). Анализ компонентов молока осуществляли с использованием автоматического анализатора MilkoScan (FOSS) с применением метода
инфракрасной спектроскопии путем выгрузки полученных спектров при анализе состава сырого молока. Исследованы 23 показателя количественного состава молока: массовая доля жира, белка
(истинного и общего), лактозы, СОМО (сухого обезжиренного молочного остатка), сухого вещества,
казеина, следы ацетона и бета-гидроксибутирата, мочевина, точка замерзания, кислотность молока,
миристиновая, пальмитиновая, стеариновая, олеиновая жирные кислоты (ЖК), длинноцепочечные
ЖК, среднецепочечные ЖК, короткоцепочечные ЖК, мононенасыщенные и полиненасыщенные
ЖК, насыщенные ЖК, трансизомеры жирных кислот. Рассмотрены методы на основе линейной регрессии (Linear Regression), подходы к регуляризации модели линейной регрессии (Ridge, Lasso и
ElasticNet), а также полиномиальная регрессия, метод частичной регрессии (PLSRegression) и метод
Байесовской регрессии для задачи прогнозирования ключевых признаков состава молока. Реализован
метод снижения размерности данных инфракрасной спектроскопии на основе алгоритма случайного
перебора считывания по длине окна и выделены наиболее значимые признаки. Результаты. Разработаны модели прогнозирования шести основных показателей качества молока – массовая доля жира
('Fat'), массовая доля казеина ('Cas.B'), жирных кислот – миристиновой ('C14:0') и олеиновой ('C18:1'),
мононенасыщенных ('MUFA') и полиненасыщенные жирных кислот ('PUFA') – со средней абсолютной
ошибкой, не превышающей 0,016. Заключение. Результаты, полученные в ходе проведенного исследования, позволят в дальнейшем улучшить предиктивную способность уравнения для определения качества, состава молока по новым селекционным признакам молочной продуктивности, снизить издержки анализа и проводить контроль за состоянием здоровья животных на ранних стадиях. Fourier transform mid-infrared spectroscopy is a fast and cheap way to analyze cow's milk
samples to determine fat, protein, lactose and other quantitative and qualitative indicators of milk quality.
Modern tools for data analysis will reveal the relationship between different pairs of quantitative and
qualitative characteristics of milk. Purpose of the study. Perform predictions on some key milk quality
traits based on infrared spectroscopy data to study the accuracy of the developed mathematical model.
Methods. The work was carried out in the winter period of 2022 on the basis of an experimental herd of
Holsteinized black-and-white cattle (Krasnodar Territory). The analysis of milk traits was carried out with
an automatic analyzer MilkoScan (FOSS) using the method of infrared spectroscopy by unloading the obtained
spectra when analyzing the composition of raw milk. 23 indicators of the quantitative milk traits
were studied: mass fraction of fat, protein (true and total), lactose, DSMR (dry skimmed milk residue), dry
matter, casein, traces of acetone and beta-hydroxybutyrate, urea, freezing point, acidity of milk, myristic,
palmitic, stearic, oleic fatty acids (FA), long-chain fatty acids, medium-chain fatty acids, short-chain fatty
acids, monounsaturated and polyunsaturated fatty acids, saturated fatty acids, trans fatty acids. Methods
based on linear regression, approaches to the regularization of the linear regression model (Ridge, Lasso
and ElasticNet), as well as polynomial regression, the partial regression method (PLSRegression) and
the Bayesian regression method for the problem of predicting key features of milk traits were considered.
A method for reducing the dimensionality of infrared spectroscopy data is implemented based on the algorithm
of random search of readings along the length of the window, and the most significant features are
identified. Results. Models have been developed for predicting six main indicators of milk quality – mass
fraction of fat ('Fat'), mass fraction of casein ('Cas.B'), fatty acids – myristic ('C14:0') and oleic ('C18: 1'),
monounsaturated ('MUFA') and polyunsaturated fatty acids ('PUFA') – with an average absolute error not
exceeding 0,016. Conclusion. The results obtained in the course of the study will further improve
the predictive ability of the equation for determining the quality and composition of milk according to
new breeding traits of milk productivity, reduce analysis costs and monitor the health of animals at
an early stage.
Описание:
Легашев Леонид Вячеславович, канд. техн. наук, ведущий научный сотрудник лаборатории цифровых решений и аналитики больших данных, Оренбургский государственный университет, Оренбург, Россия; silentgir@gmail.com.
Болодурина Ирина Павловна, д-р техн. наук, проф., заведующий кафедрой прикладной математики, Оренбургский государственный университет; Федеральный научный центр биологических
систем и агротехнологий Российской академии наук, Оренбург, Россия; ipbolodurina@yandex.ru.
Гришина Любовь Сергеевна, преподаватель кафедры прикладной математики, Оренбургский государственный университет, Оренбург, Россия; zabrodina97@inbox.ru.
Лашнева Ирина Алексеевна, аспирант, младший научный сотрудник отдела популяционной генетики и генетических основ разведения животных, Федеральный исследовательский центр
животноводства – ВИЖ имени академика Л.К. Эрнста, Москва, Россия; lashnevaira@gmail.com.
Сермягин Александр Александрович, канд. с.-х наук, ведущий научный сотрудник, заведующий отделом популяционной генетики и генетических основ разведения животных, Федеральный исследовательский центр животноводства – ВИЖ имени академика Л.К. Эрнста, Моск-
ва, Россия; alex_sermyagin85@mail.ru.
Leonid V. Legashev, Cand. Sci. (Eng.), Leading Researcher, Orenburg State University, Orenburg,
Russia; silentgir@gmail.com.
Irina P. Bolodurina, Dr. Sci. (Eng.), Prof., Head of Department, Orenburg State University; Federal
Research Centre of Biological Systems and Agrotechnologies of the Russian Academy of Sciences,
Orenburg, Russia; ipbolodurina@yandex.ru.
Lubov S. Grishina, Lecturer, Orenburg State University, Orenburg, Russia; zabrodina97@inbox.ru.
Irina A. Lashneva, Postgraduate Student, Junior Researcher, Federal Research Center for Animal
Husbandry named after Academy Member L.K. Ernst, Moscow, Russia; lashnevaira@gmail.com.
Alexander A. Sermyagin, Cand. Sci. (Agricultural sciences), Leading Researcher, Head of Department,
Federal Research Center for Animal Husbandry named after Academy Member L.K. Ernst,
Moscow, Russia; alex_sermyagin85@mail.ru.