Математическое моделирование уровня марганца в мышечной ткани крупного рогатого скота

Представлены результаты определения наиболее эффективной модели прогноза уровня марганца в мышечной ткани герефордского скота для прижизненной оценки элементного статуса животных малоинвазивными методами. Эксперимент проведен с помощью гематологического и биохимического исследования крови и атомно-абсорбционного анализа мышечной ткани крупного рогатого скота. Полученные данные использованы для подгонки регрессионной модели методом наименьших квадратов. Для анализа отобраны пробы скелетной мускулатуры массой 100 г с диафрагмальной мышцы от герефордского скота, разводимого в южной части Западной Сибири в условиях промышленного комплекса. Оценку концентрации марганца в тканях осуществляли методом атомно-абсорбционного анализа на спектрометре МГА-1000. Определение содержания эритроцитов, лейкоцитов и гемоглобина проводили на автоматическом гематологическом анализаторе PCE-90VET. Уровень протеина, альбуминов, глобулинов, мочевины, мочевой кислоты и холестерина определяли фотометрическими методами на полуавтоматическом биохимическом анализаторе Photometer-5010. Расчет эффектов регрессионных моделей осуществляли методом наименьших квадратов. Селекция лучшей модели по эффективности и точности оценки модели базировалась на комплексной оценке значений внутренних и внешних критериев качества. Между зависимой и независимыми переменными выявлены статистически значимые ассоциации (p < 0,05). Внутри пула предикторов отмечена скоррелированность (p < 0,05). В результате подгонки моделей получено оптимальное регрессионное уравнение, включающее два показателя (скорость оседания эритроцитов и уровень глобулинов), для прогноза уровня марганца в мышечной ткани крупного рогатого скота. Между главными эффектами модели отсутствуют признаки мультиколлинеарности, что подтверждает значения фактора инфляции дисперсии – 1,2. Полученная модель удовлетворяет необходимым допущениям в отношении остатков. Распределения остатков модели входят в доверительные интервалы кривой нормального распределения. Коэффициент автокорреляции был равен 0,039 (p > 0,05), что указывает на независимость остатков. Полученная модель может быть использована для прижизненной оценки концентрации марганца в мышечной ткани крупного рогатого скота.

1. National Research Council. Mineral tolerance of animals. Washington DC: National Academy Press. 2005. 469 p.

2. Narozhnykh K.N., Sebezhko O.I., Konovalova T.V., Korotkevich O.S., Petukhov V.L., Tarasenko E.I. Manganese Content In Muscles Of Sons Of Diff Holstein Bulls Reared In Western Siberia // Trace Elements and Electrolytes. 2021. Vol. 38. N 3. P. 149.

3. Scher D.P., Goeden H.M., Klos K.S. Potential for manganese-induced neurologic harm to formula-fed infants: a risk assessment of total oral exposure // Environmental health perspectives. 2021. Vol. 129. N 4. P. 047011.

4. Stephenson E.L., Rathert A.R., Tucker H., Meyer A.M. 70 Effects of copper, zinc, and manganese intake in late gestation on milk, cow plasma, and calf plasma trace mineral concentrations post-calving in beef cattle // Journal of Animal Science. 2019. Vol. 97. № 2. P. 45.

5. Kropyvka Y.H., Bomko V.S. Influence of feeding of mixed-ligande complexes of zinc, manganese and cobalt on cow productivity, feed digestibility and nitrogen metabolism in the last period of lactation // Feeds and Feed Production. 2020. Vol. 90. P. 179–190.

6. Davy J.S., Forero L.C., Shapero M.W., Rao D.R., Becchetti T.A., Koopman Rivers, Stackhouse J.W.C., DeAtley K.L., McNabb B.R. Mineral status of California beef cattle // Translational Animal Science. 2019. Vol. 3. N 1. P. 66–73.

7. Palomares R.A. Trace Minerals Supplementation with Great Impact on Beef Cattle Immunity and Health // Animals. 2022. Vol. 12. N 20. P. 2839.

8. Alfaro G.F., Novak T.E., Rodning S.P., Moisa S.J. Preconditioning beef cattle for longduration transportation stress with rumenprotected methionine supplementation: A nutrigenetics study // PloS one. 2020. Vol. 15. N 7. P. E0235481.

9. Batra J., Aggarwal J., Pasha E.H., Singh R.S. A Review of the Role of Zinc, Manganese, and Copper in the Metabolic Processes That Take Place in the Rumen and in Immune Function // International Journal of Food and Nutritional Sciences. 2022. Vol. 11. N 4. P. 92–110.

10. Gorski K., Saba L. Assessment of manganese levels in the soil and feeds, and in the bodies of milk cows from central-eastern Poland administered a mineral compound feed // Acta Scientiae Veterinariae. 2015. Vol. 43. N 1. P. 1.

11. Hansen S.L., Spears J.W., Lloyd K.E., Whisnant C.S. Growth, reproductive performance, and manganese status of heifers fed varying concentrations of manganese // Journal of animal science. 2006. Vol. 84. N 12. P. 3375–3380.

12. Studer J.M., Schweer W.P., Gabler N.K., Ross J.W. Functions of manganese in reproduction //Animal Reproduction Science. 2022. P. 106924.

13. Krajnicakova M., Kovac G., Kostecky M., Valocky I., Maracek I., Sutiakova I., Lenhardt L. Selected clinicobiochemical parameters in the puerperal period of goats // Bulletin of the Veterinary Institute in Puławy. 2003. Vol. 47. N 1. P. 177–182.

14. Spears J.W. Boron, chromium, manganese, and nickel in agricultural animal production // Biological trace element research. 2019. Vol. 188. N 1. P. 35–44.

15. National Research Council. Nutrient Requirements of Dairy Cattle. Washington DC: National Academy Press, 2001. 401 p.

16. Sebezhko O., Korotkevich O., Konovalova T., Biryula I., Petukhov V., Kamaldinov E., Narozhnykh К., Nezavitin A.G., Dementyev V.N., Nazarenko A.V., Osadchuk L. Biochemical and mineral parameters in pigs of two breeds reared in large industrial complexes of Western Siberia // Journal of Agricultural, Food, and Environmental Sciences. 2017. Vol. 71. N 1. P. 186–190.

17. Konovalova T.V., Sebezhko O.I., Korotkevich O.S., Narozhnykh K.N., Nazarenko A.V., Kamaldinov E.V., Andreeva V.A., Petukhov V.L., Popovski Z.T. Correlations of some biochemical and hematological, parameters with polymorphisms in as1-casein and β-lactoglobulin genes in Romanov sheep breed // Proceedings of the International Symposium on Animal Science. 2018. P. 47.

18. Sebezhko O.I., Petukhov V.L., Chysyma R.B., Kuzmina E.E., Shishin N.I., Korotkevich O.S., Konovalova T.V., Narozhnykh K.N., Marenkov V.G., Zheltikov A.I., Nezavitin A.G., Osadchuk L.V. Influence of anthropogenic pollution on interior parameters, accumulation of heavy metals in organs and tissues, and the resistance to disorders in the yak population in the Republic of Tyva // Journal of Pharmaceutical Sciences and Research. 2017. Vol. 9. N 9. P. 1530–1535.

19. Zuur A.F., Ieno E.N., Elphick C.S. A protocol for data exploration to avoid common statistical problems // Methods in ecology and evolution. 2010. Vol. 1. N 1. P. 3–14.