Detection of heifers with dystocia using artificial neural networks with regard to ERalpha-BGLI, ERalpha-SNABI and CYP19-PVUII genotypes

• Autorzy: Zaborski D. , Grzesiak W.

Warianty tytułu

PL

Detekcja jałówek z trudnymi porodami za pomocą sztucznych sieci neuronowych z uwzględnieniem genotypów ERalfaBGLI, ERalfa-SNABI i CYP19-PVUII

• Języki publikacji: EN

Abstrakty

EN

The aim of this study was to detect heifers with dystocia using artificial neural networks (ANN). A total of 531 calving records of Holstein-Friesian heifers of Black-and-White strain and 8 diagnostic variables were used. The output variable was the class of calving difficulty: difficult or easy. Perceptrons with one (MLP1) and two (MLP2) hidden layers and radial basis function (RBF) networks were investigated. The root mean square error and the structure of selected ANN (number of neurons in the input, hidden and output layers) were 0.22, 10-4-1; 0.25, 10-17-17-1 and 0.19, 10-25-1 for MLP1, MLP2 and RBF, respectively. The percentage of correctly recognized heifers with difficult and easy calvings and that of correctly diagnosed heifers from both categories for the training and validation sets were approx. 90%. The same values for the test set were 75-83%, 82–88% and 82–86%, respectively. In both cases, no significant differences in these proportions were found. The following variables contributed most to the detection of heifers with dystocia: gestation length, BCS index, CYP19-PvuII and ERα-BglI genotypes and percentage of HF genes in heifer’s genotype.

PL

Celem niniejszej pracy była detekcja jałówek z trudnymi porodami przy użyciu sztucznych sieci neuronowych (SSN).Wykorzystano w tym celu dane o 531 wycieleniach jałówek rasy polskiej holsztyńsko-fryzyjskiej odmiany czarno-białej oraz 8 zmiennych diagnostycznych. Zmienną wyjściową była klasa trudności porodu: trudny lub łatwy. Analizowano perceptrony z jedną (MLP1) i dwoma (MLP2) warstwami ukrytymi oraz sieci o radialnych funkcjach bazowych (RBF). Pierwiastek błędu średniokwadratowego oraz struktura wybranych SSN (liczba neuronów w warstwach wejściowej, ukrytej i wyjściowej) były następujące: 0,22, 10-4-1; 0,25, 10-17-17-1 i 0,19, 10-25-1 odpowiednio dla MLP1, MLP2 i RBF. Odsetek prawidłowo rozpoznanych jałówek z trudnymi i łatwymi porodami oraz odsetek prawidłowo zdiagnozowanych jałówek z obu kategorii dla zbioru uczącego i walidacyjnego wynosiły ok. 90%.Wartości te dla zbioru testowego wynosiły odpowiednio: 75–83%, 82–88% i 82–86%. W obu przypadkach nie stwierdzono istotnych statystycznie różnic między tymi proporcjami. Następujące zmienne miały największy wkład w detekcję jałówek z trudnymi porodami: długość ciąży, indeks BCS, genotypy CYP19-PvuII i ERα-BglI oraz procentowy udział genow hf w genotypie jałówki.

Słowa kluczowe

EN

detection; heifer; dairy heifer; dystocia; artificial neural network; genotype; cattle; Holstein-Friesian breed; Black-and-White breed

• Wydawca: -
• Czasopismo: Acta Scientiarum Polonorum. Zootechnica
• Rocznik: 2011
• Tom: 10
• Numer: 2
• Opis fizyczny: p.105-115,fig.,ref.

Twórcy

autor

Zaborski D.

• Laboratory of Biostatistics, West Pomeranian University of Technology in Szczecin, Doktora Judyma 10, 71-460 Szczecin, Poland

autor

Grzesiak W.

Bibliografia

• Bastin C., Loker S., Gengler N., Sewalem A.,Miglior F., 2010. Genetic relationships between body condition score and reproduction traits in Canadian Holstein and Ayrshire first-parity cows. J. Dairy Sci. 93 (5), 2215–2228.
• Bradley A., 1997. The use of the area under the curve in the evaluation of the machine learning algorithms. Pattern Recogn. 30 (7), 1145–1159.
• Cavero D., Tolle K.-H., Henze C., Buxade C., Krieter J., 2008. Mastitis detection in dairy cows by application of neural networks. Livest. Sci. 114 (2), 280–286.
• Ferguson J.D., Galligan D.T., Thomsen N., 1994. Principal descriptors of body condition score in Holstein cows. J. Dairy Sci. 77 (9), 2695–2703.
• Gardner J.W., Hines E.L.,Molinier F., Bartlett P.N.,Mottram T.T., 1999. Prediction of health of dairy cattle from breath samples using neural network with parametric model of dynamic response of array of semiconducting gas sensors. IEE Proc.-Sci. Meas. Technol. 146 (2), 102–106.
• Grzesiak W., Zaborski D., Sablik P., Żukiewicz A., Dybus A., Szatkowska I., 2010. Detection of cows with insemination problems using selected classification models. Comput. Electron. Agr.74 (2), 265–273.
• Hansen M., Lund M.S., Pedersen J., Christensen L.G. 2004., Gestation length in Danish Holsteins has weak genetic associations with stillbirth, calving difficulty, and calf size. Livest. Prod. Sci.91 (1–2), 23–33.
• Hassan K.J., Samarasinghe S., Lopez-Benavides M.G., 2009. Use of neural networks to detect minor and major pathogens that cause bovine mastitis. J. Dairy Sci. 92 (4), 1493–1499.
• Heald C.W., Kim T., Sischo W.M., Cooper J.B., Wolfgang D.R., 2000. A Computerized Mastitis DecisionAid Using Farm-Based Records:AnArtificial Neural NetworkApproach. J. Dairy Sci.83 (4), 711–720.
• Hoffman P.C., Brehm N.M., Price S.G., Prill-Adams A., 1996. Effect of accelerated postpubertal growth and early calving on lactation performance of primiparous Holstein heifers. J. Dairy Sci.79 (11), 2024–2031.
• Jędrzejczak M., Grzesiak W., Szatkowska I., Dybus A., Muszyńska M., Zaborski D., 2011. Associations between polymorphisms of CYP19, CYP21 and ER1 genes and milk production traits inBlack-and-White cattle. Turk. J. Vet. Anim. Sci. 35 (1), 41–49
• Johanson J.M., Berger P.J., 2003. Birth weight as a predictor of calving ease and perinatal mortality in Holstein cattle. J. Dairy Sci. 86 (11), 3745–3755.
• Klassen D.J., Cue R.I., Hayes J.F., 1990. Estimation of repeatability of calving ease in Canadian Holsteins. J. Dairy Sci. 73 (1), 205–212.
• Kowalewska-Łuczak I., Kmieć M., Terman A., 2006. Aromataza cytochromu P450 – kluczowy enzym syntezy estrogenow [Aromatase cytochrome P450 – the key enyzme of estrogen synthesis].Med.Weter. 62 (8), 870–872 [in Polish].
• Krieter J., Stamer E., Junge W., 2006. Control charts and neural networks for oestrus dectection in dairy cows. Lecture Notes in Informatics. Land- und Ernahrungswirtschaft imWandel -Aufgabenund Herausforderungen fur die Agrar und Umweltinformatik, Referate der 26. GIL Jahrestagung,6.–8. March 2006, Potsdam, 133–136.
• Lopez de Maturana E., Wu X.L., Gianola D., Weigel K.A., Rosa G.J.M., 2008. Relationship between gestation length, calving difficulty, and perinatal mortality in primiparous Holstein cows.Interbull Bull. 38, 66–69.
• Mee J.F., 2004. Managing the dairy cow at calving time. Vet. Clin. N.Am.-FoodA. 20 (3), 521–546.
• Mee J.F., 2008. Prevalence and risk factors for dystocia in dairy cattle:Areview. Vet. J. 176 (1), 93–101.
• Meijering A., 1984. Dystocia and stillbirth in cattle – a review of causes, relations and implications. Livest. Prod. Sci. 11, 143–177.
• Pastell M.E., Kujala M., 2007.Aprobabilistic neural network model for lameness detection. J. Dairy Sci. 90 (5), 2283–2292.
• Statistica Neural Networks. Dokumentacja programu [Program documentation], 2000. StatSoft Inc.
• Sun Z., Samarasinghe S., Jago J., 2010. Detection of mastitis and its stage of progression by automatic milking system using artificial neural networks. J. Dairy Res. 77 (2), 168–175.
• Szreder T., Żelazowska B., Zwierzchowski L., Pareek C. S., 2007. A novel nucleotide sequence polymorphism in the 5’-noncoding region of bovine estrogen receptor α gene, the RFLP-SnaBI.Biochem. Genet. 45 (3–4), 255–262.
• Szreder T., Zwierzchowski L., 2004. Polymorphism within the bovine estrogen receptor-α gene 5’– region. J. Appl. Genet. 45 (2), 225–236.
• Tyczka J., 1998. Charakterystyka i ocena niektorych czynników wpływających na przebieg porodu u krów rasy czerwono-białej [Description and evaluation of some effects on the course of parturitionof Red-and-White cows]. Zesz. Nauk. ARWroc. Zootech. 44 (350), 173–197 [in Polish].
• Vanselow J., Kuhn C., Furbass R., SchwerinM., 1999. Three PCR/RFLPs identified in the promoter region 1.1 of the bovine aromatase gene (CYP19). Anim. Genet. 30, 232–233.