98
บรรณานุกรม
ประภาส มหินชยั , ศุภมิตร เมฆฉาย และ โชค มิเกล็ด. 2550. การคดั เลือกและการปรบั ปรุงพันธสุ6 กุ รเปDย
แตรงและลูกผสมเปยD แตรง-พื้นเมอื ง. รายงานวจิ ยั ประจาํ ปD 2550. มูลนิธโิ ครงการหลวง อ.เมอื ง จ.
เชียงใหม*. 19 น.
ประภาส มหนิ ชยั , ศุภมติ ร เมฆฉาย และ โชค มิเกล็ด. 2552. การคัดเลือกและการปรับปรงุ พนั ธุ6สกุ รเปDย
แตรงและลูกผสมเปยD แตรง-พื้นเมือง. รายงานการวิจัยฉบบั สมบรู ณ6 ประจําปD 2552. มูลนธิ ิโครงการ
หลวง อ.เมือง จ.เชยี งใหม.* 36 น.
ศนู ยว6 ิจัยและบํารงุ พันธุ6สตั ว6เชยี งใหม*. 2557. รายงานผลการปฏบิ ตั งิ าน ประจาํ ปD 2557. ศูนย6วจิ ยั และบาํ รงุ
พันธสุ6 ตั ว6เชยี งใหม* อ.สนั ปาf ตอง จ.เชยี งใหม.* 48 น.
Aberle, E.D., J.C. Forrest, D.E. Gerrard, and E.W. Mills. 2001. Principles of Meat Science. 4th ed.
Dubuque, IA: Kendall/Hunt Publishing Company.
Alfonso, L. and A. Arana. 2004. Characterisation of Some Fatness Candidate Genes in Basque
Black Pied and Large White Pigs. Archivos de Zootecnia 53: 411-414.
Alonso, V., M. d. M. Campo, S. Español, P. Roncalés and J. A. Beltrán. 2009. Effect of
crossbreeding and gender on meat quality and fatty acid composition in pork. Meat
Sci. 81: 209-217.
Andersson, L. 2003. Melanocortin receptor variants with phenotypic effects in horse, pig,
and chicken. Ann. N. Y. Acad. Sci. 994:313-318.
AOAC, 1995. Official Methods of Analysis, 16th ed. AOAC, Arlington, VA.USA.
Bauer, M., A. Babelova, R. Omelka and M. Bauerova. 2006. Association of HinfI polymorphism
in the Leptin gene with production traits in white improved pig breed. Slovak J.
Anim. Sci., 39: 119-122.
Bonneau, M. and B. Lebret. 2010. Production systems and influence on eating quality of
pork. Meat Sci. 84: 293-300.
Brocks, L., Klont, R. E. Buist, W. de Greef, K. Tieman M., and Engel, B. 2000. The effects of
selection of pigs on growth rate vs. leaness on histochemical characteristics of
different muscles. J. Anim. Sci. 78: 1247–1254.
Calkins, C. R., T. R. Dutson, G. C. Smith, Z. L. Carpenter, and G. W. Davis. 1981. Relationship of
fiber type composition to marbling and tenderness of bovine muscle. J. Food Sci.
46: 708-710.
Chikuni, K., R. Tanabe, S. Muroya and I. Nakajima. 2001. Differences in molecular structure
among porcine myosin heavy chain 2a, 2x and 2b isoforms. Meat Sci. 57: 311-317.
Ciobanu, D. C., A. E. Day, A. Nagy, R. Wales, M. F. Rothschild and G. S. Plastow. 2001. Genetic
variation in two conserved local Romanian pig breeds using type 1 DNA markers.
Genet. Sel. Evol. 33: 417-432.
Ciobanu, D. C., J. W. M. Bastiaansen, S. M. Lonergan, H. Thomsen, J. C. M. Dekkers, G. S.
Plastow and M. F. Rothschild. 2004. New alleles in calpastatin gene are associated
with meat quality traits in pigs. J. Anim. Sci. 82: 2829-2839.
99
Davoli, R., S. Braglia, V. Valastro, C. Annarratone, M. Comella, P. Zambonelli, I. Nisi, M. Gallo,
L. Buttazzoni and V. Russo. 2012. Analysis of MC4R polymorphism in Italian Large
White and Italian Duroc pigs: Association with carcass traits. Meat. Sci., 90: 887-892.
Devine, C., C. Devine and W. K. Jensen. 2004. Encyclopedia of Meat Sciences, Three-Volume
Set, Elsevier Science.
DeVol, D. L., F. K. McKeith, P. J. Bechtel, J. Novakofski, R. D. Shanks and T. R. Carr. 1988.
Variation in Composition and Palatability Traits and Relationships between Muscle
Characteristics and Palatability in a Random Sample of Pork Carcasses. J. Anim. Sci.
66: 385-395.
Drögemüller, C., A. Giese, F. Martins-Wess, S. Wiedemann, L. Andersson, B. Brenig, R. Fries
and T. Leeb. 2006. The mutation causing the black-and-tan pigmentation
phenotype of Mangalitza pigs maps to the porcine ASIP locus but does not affect its
coding sequence. Mamm Genome. 17: 58-66.
Fang, M., G. Larson, H. Soares Ribeiro, N. Li and L. Andersson. 2009. Contrasting Mode of
Evolution at a Coat Color Locus in Wild and Domestic Pigs. PLoS Genetics 5:
e1000341.
Fontanesi, L. C. Speroni, L. Buttazzoni, E. Scotti, S. DallOlio, L. Nanni Costa, R. Davoli and V.
Russo. 2014. The insulin-like growth factor 2 (IGF2) gene intron3-g.3072G>A
polymorphism is not the only Sus scrofa chromosome 2p mutation affecting meat
production and carcass traits in pigs: Evidence from the effects of a cathepsin D
(CTSD) gene polymorphism. J. Anim. Sci., 88: 2235-2245.
Fontanesi, L., E. D'Alessandro, E. Scotti, L. Liotta, A. Crovetti, V. Chiofalo and V. Russo. 2010.
Genetic heterogeneity and selection signature at the KIT gene in pigs showing
different coat colours and patterns. Anim Genet. 41: 478-492.
Fontanesi, L., L. Buttazzoni, G. Galimberti, D.G. Calo, E. Scotti and V. Russo. 2013. Association
between melanocortin 4 receptor (MC4R) gene haplotypes and carcass and
production traits in Italian Large White pigs evaluated with a selective genotyping
approach. Livest. Sci., 157: 48-56.
Fujii, J., K. Otsu, F. Zorzato, S. de Leon, V. K. Khanna, J. E. Weiler, P. J. O'Brien and D. H.
MacLennan. 1991. Identification of a mutation in porcine ryanodine receptor
associated with malignant hyperthermia. Science 253: 448 - 451.
Gandolfi, G., L. Pomponio, P. Ertbjerg, A.H. Karlsson, L.N. Costa, R. Lametsch, V. Russo and R.
Davoli. 2011. Investigation on CAST, CAPN1 and CAPN3 porcine gene polymorphisms
and expression in relation to post-mortem calpain activity in muscle and meat
quality. Meat. Sci., 88: 694-700.
Gauthier, G. F. 1969. On the relationship of ultrastructural and cytochemical features to color
in genes of MC1R and ASIP in Chinese brownish red Tibetan pigs. Anim. Sci. J. 81:
630-634.
100
Gerbens, F., A. J. van Erp, F. L. Harders, F. J. Verburg, T. H. Meuwissen, J. H. Veerkamp and M.
F. te Pas. 1999. Effect of genetic variants of the heart fatty acid-binding protein
gene on intramuscular fat and performance traits in pigs. J. Anim. Sci. 77: 846-852.
Gerbens, F., D. J. de Koning, F. L. Harders, T. H. Meuwissen, L. L. Janss, M. A. Groenen, J. H.
Veerkamp, J. A. Van Arendonk and M. F. te Pas. 2000. The effect of adipocyte and
heart fatty acid-binding protein genes on intramuscular fat and backfat content in
Meishan crossbred pigs. J. Anim. Sci. 78: 552-559.
Gerbens, F., G. u. n. Rettenberger, J. A. Lenstra, J. H. Veerkamp and M. F. W. t. Pas. 1997.
Characterization, chromosomal localization, and genetic variation of the porcine
heart fatty acid-binding protein gene: The nucleotide sequence data reported in this
paper have been submitted to the EMBL database and have been assigned the
accession numbers X98555, X98556, X98557, and X98558. Mamm. Genome 8: 328-
332.
Glinoubol, J., S. Jaturasitha, P. Mahinchaib, M. Wicke and M. Kreuzer. 2015. Effects of
crossbreeding Thai Native or Duroc Pigs with Pietrain Pigs on carcass and meat
quality. Agriculture and Agricultural Science Procedia 5: 133-138.
Grindflek, E., N. Hoen, H. Sundvold, M.F. Rothschild, G. Plastow and S. Lien. 2004.
Investigation of a peroxisome proliferator-activated receptor gamma haplotype
effect on meat quality and carcass traits in pigs. Anim. Genet., 35: 238-241.
Gunawan A. M., Richert B. T., Schinckel A. P., Grant A. L., Gerrard D. E. 2007. Ractopamine
induces differential gene expression in porcine skeletal muscles. J. Anim. Sci.
85:2115–2124.
Hamilton, D. N., M. Ellis, K. D. Miller, F. K. McKeith and D. F. Parrett. 2000. Effect of the
Halothane and Rendement Napole Genes on Carcass and Meat Quality
Characteristics of Pigs. Illini PorkNet Papers. Retrieved 20 November, 2017, from
http://www.livestocktrail.uiuc.edu/porknet/paperDisplay.cfm? ContentID=87.
Henriquez-Rodriguez, E., L. Bosch, M. Tor, R.N. Pena and J. Estany. 2016. The effect of SCD
and LEPR genetic polymorphisms on fat content and composition is maintained
throughout fattening in Duroc pigs. Meat. Sci. 121: 33-39.
Jin, H.J., B.Y. Park, J.C. Park, I.H. Hwang, S.S. Lee, S.H. Yeon, C.D. Kim, C.Y. Cho, Y.K. Kim, K.S.
Min, S.T. Feng, Z.D. Li, C.K. Park and C.I. Kim. 2006. The Effects of Stress Related
Genes on Carcass Traits and Meat Quality in Pigs. Asian-Aust. J. Anim Sci., 19: 280-
285.
Jones, S.W., T. Parr, P.L. Sensky, G.P. Scothern, R.G. Bardsley and P.J. Buttery. 1999. Fibre
type-specific expression of p94, a skeletal muscle-specific calpain. Journal of Muscle
Research and Cell Motility. 20: 417-424.
Jun, L., L. ÂÀMu, T. Xiao-Ping, X. Shi-Fu, D. Huan, H. Liang-Wei and Z. Chang-Feng. 2007.
Effects of Different Protein Sources in Feed Rations on Umami Substances in Swine
Muscles and Pork Flavor. Food Sci. 28: 59-63.
101
Kadarmideen, H.N.. 2008. Biochemical, ECF18R, and RYR1 Gene Polymorphisms and Their
Associations with Osteochondral Diseases and Production Traits in Pigs. Biochem.
Genet., 46: 41-53.
Karlsson, A. H., Klont, R. E. and Fernandez, X. 1999. Skeletal muscle fibres as factors for pork
quality. Lives. Prod. Sci. 60: 255-269.
Kennes, Y. M., B. D. Murphy, F. Pothier and M.-F. Palin. 2001. Characterization of swine leptin
(LEP) polymorphisms and their association with production traits. Anim. Genet. 32:
215-218.
Kijas, J.M., R. Wales, A. Törnsten, P. Chardon, M. Moller and L. Andersson. 1998. Melanocortin
receptor 1 (MC1R) mutations and coat color in pigs. Genetics. 150: 1177-1185.
Kim, J. B., P. S. Margaret, K. M. Wright, E. M. Yao, S. Gemma, B. L. Bradford and M. S. Bruce.
1998. Nutritional and insulin regulation of fatty acid synthetase and leptin gene
expression through ADD1/SREBP1. J. Clin. Invest. 101: 1-9.
Kim, K.-S., H. Thomsen, J. Bastiaansen, N. T. Nguyen, J. C. M. Dekkers, G. S. Plastow and M. F.
Rothschild. 2004a. Investigation of Obesity Candidate Genes On Porcine Fat
Deposition Quantitative Trait Loci Regions[ast][ast]. Obesity 12: 1981-1994.
Kim, K. S., J. M. Reecy, W. H. Hsu, L. L. Anderson and M. F. Rothschild. 2004b. Functional and
phylogenetic analyses of a melanocortin-4 receptor mutation in domestic pigs. Dom.
Anim. Endocrin. 26: 75–86.
Kim, K. S., S. Marklund and M. F. Rothschild. 2000. The porcine melanocortin-5 receptor
(MC5R) gene: polymorphisms, linkage and physical mapping. Anim. Genet. 31: 230-
231.
Kovacik, A., J. Bulla, A. Trakovicka, J. Zitny and A. Rafayova. 2012. The effect of the porcine
melanocortin-5 receptor (MC5R) gene associated with feed intake, carcass and
physico-chemical characteristics. JMBFS. 1: 498-506.
Lawrie, R.A. 1985. Meat Science, 4th Edition. Pergamon Press, Oxford, United Kingdom.
Lefaucheur, L., and Gerrard D. 1998. Muscle fiber plasticity in farm mammals. Proceeding of
the American Society of Animal Science. 1-19.
Lefaucheur, L., D. Milan, P. Ecolan and C. Le Callennec. 2004. Myosin heavy chain
composition of different skeletal muscles in Large White and Meishan pigs. J. Anim.
Sci. 82: 1931-1941.
Li, C. L., Y. C. Pan and H. Meng. 2006. Polymorphism of the H-FABP, MC4R and ADD1 genes
in the Meishan and four other pig populations in China. South Afric. J. Anim. Sci. 36:
1-6.
Lo, L. L., McLaren, D. G., McKeith, F. K., Fernando, R. L. and Novakofski, J. 1992. Genetic
analyses of growth, real-time ultrasound, carcass, and pork quality traits in Duroc
and Landrace pigs: II. Heritabilities and correlations. J. Anim. Sci. 70: 2387-2396.
102
Mabry, J. W. and T. J. Baas. 1998. The Impact of Genetics on Pork Quality. Retrieved 15
September, 2011, from http://www.pork.org/filelibrary/Factsheets/PorkScience/q-
genetics4904341.pdf.
Mackowski, M., M. Szymoniak K Fau - Szydlowski, M. Szydlowski M Fau - Kamyczek, R.
Kamyczek M Fau - Eckert, M. Eckert R Fau - Rozycki, M. Rozycki M Fau - Switonski
and M. Switonski. 2005. Missense mutations in exon 4 of the porcine LEPR gene
encoding extracellular domain and their association with fatness traits. Anim
Genet. 36: 135-7.
Mao, H., J. Ren, N. Ding, S. Xiao, and L. Huang. 2010. Genetic variation within coat color
mammalian skeletal muscle. Cell and Tissue Research. 95:462–482.
Miar, Y., G. S. Plastow, S. S. Moore, G. Manafiazar, P. Charagu, R. A. Kemp, B. Van Haandel, A.
E. Huisman, C. Y. Zhang, R. M. McKay, H. L. Bruce and Z. Wang. 2014. Genetic and
phenotypic parameters for carcass and meat quality traits in commercial crossbred
pigs. J Anim. Sci. 92: 2869-2884.
Miller, R. 2003. Assessing consumer preferences and attitudes toward meat and meat
products. Proceedings of the 49th International Congress of Meat Science and
Technology. 67-80.
Moeller, S.J. 2017. Developing a Checklist for Pork Quality. Retrieved 20 November, 2017,
from https://www.ipic.iastate.edu/porkbridge/pb0208porkquality.pdf.
National Pork Board. 2016. Retrieved 10 January, 2016, from https://library.pork.org/media/
?mediaId=A492E536-0C37-46FE-81D11DEAF3D4E2B4.
Neuenschwander, S., E. Rettenberger G Fau - Meijerink, H. Meijerink E Fau - Jorg, G. Jorg H Fau
- Stranzinger and G. Stranzinger. 1996. Partial characterization of porcine obesity
gene (Obs) and its localization to chromosome 18 by somatic cell hybrids. Anim.
Genet. 27: 275-8.
Newcom, D. W., T. J. Baas and J. F. Lampe. 2002. Prediction of intramuscular fat percentage
in live swine using real-time ultrasound. J. Anim. Sci. 80: 3046-3052.
Okumura, N., T. Matsumoto, N. Hamasima and T. Awata. 2008. Single nucleotide
polymorphisms of the KIT and KITLG genes in pigs. Anim. Sci. J. 79: 303-313.
Olson, T.A. 1999. Genetics of colour variation. pp. 33-53. In: R. Fries and A. Ruvinsky. (eds.).
The Genetics of Cattle. CABI Publishing. Wallingford, UK.
Ovilo, C., A. Fernandez, M.C. Rodrıguez, M. Nieto and L. Silio. 2006. Association of MC4R gene
variants with growth, fatness, carcass composition and meat and fat quality traits in
heavy pigs. Meat. Sci., 73: 42-47.
Peixoto, J.O., S.E.F. Guimaraes, P.S. Lopes, M.A.M. Soares, A.V. Pires, M.V.G. Barbosa, R.A.
Torres and M.A. Silva. 2006. Associations of leptin gene polymorphisms with
production traits in pigs. J. Anim. Breed. Genet. 123: 378-383.
PIC, 1997. Meat quality. Understanding industry measurements and guidelines. PIC, Spring,
1997, Franklin, Kentuntucky.
103
PIC, 2003. Meat quality. Understanding industry measurements and guidelines. PIC 2003 Insert
Technical update, Franklin, Kentucky.
Picard, B., Lefaucheur, L., Berri, C., and Duclos, M. J. 2002. Muscle fibre ontogenesis in farm
animal species. Reprod. Nutri. Devel. 42: 415-431.
Prevolnik, M., M. Candek-Potokar, D. Škorjanc, Š. Velikonja-Bolta, M. Škrlep, T. Znidaršica and
D. Babnik. 2005. Predicting intramuscular fat content in pork and beef by near
infrared spectroscopy. J. Near Infra. Spectro. 13: 77–86
Rana, B.K., D. Hewett-Emmett, L. Jin, B.H. Chang, N. Sambuughin, M. Lin, S. Watkins, M.
Bamshad, L.B. Jorde, M. Ramsay, T. Jenkins, and W.H. Li. 1999. High polymorphism
at the human melanocortin 1 receptor locus. Genetics 151: 1547-1557.
Ren, J., H. Mao, Z. Zhang, S. Xiao, N. Ding and L. Huang. 2011. A 6-bp deletion in the TYRP1
gene causes the brown colouration phenotype in Chinese indigenous pigs. Heredity
106: 862-868.
Renand, G., Picard, B., Touraille, C., Berge, P., and Lepetit, J., 2001. Relationships between
muscle characteristics and meat quality traits of young Charolais bulls. Meat Sci. 59:
49–60.
Rybarczyk, A., M. Kmiec, A. Terman and R. Szaruga. 2012. The effect of CAST and RYR1
polymorphisms on carcass and meat quality traits in Pietrain crossbred pigs. Anim.
Sci. Pap. Rep., 30: 241-248.
Rybarczyk, A., M. Kmiec, J. Gardzielewska, T. Karamucki, M. Jakubowska, A. Terman and D.
Polasik. 2009. Effect of carcass meatiness level on meat quality of pigs
monomorphic at genes RYR1 and LEP. Pol. J. Food Nutr. Sci. 59: 325-328.
Ryu, Y. C., and Kim, B.C. 2006. Comparison of histochemical characteristics in various pork
groups categorized by postmortem metabolic rate and pork quality. J. Anim. Sci. 84:
894–901.
Schwab, C.R., Baas, T.J., Berry, N.L., Mote, B.E. and Stalder, K.J. 2005. Selection for
Intramuscular Fat in Duroc Swine – An Update. In National Swine Improvemnt
Federation, Conference and Annual MeetingOttawa, Ontario.
Seeley, R. J., K. A. Yagaloff, S. L. Fisher, P. Burn, T. E. Thiele, G. van Dijk, D. G. Baskin and M. W.
Schwartz. 1997. Melanocortin receptors in leptin effects. Nature 390: 349-349.
Seideman, S. C., and Crouse, J. D. 1986. The Effects of Sex Condition, Genotype and Diet on
Bovine Muscle Fiber Characteristics. Meat Sci. 17:55-72.
Shin, S. C., J. P. Heo and E. R. Chung. 2011. Genetic variants of the FABP4 gene are
associated with marbling scores and meat quality grades in Hanwoo (Korean cattle).
Mol. Biol. Rep. 39: 5323-5330.
Skrlep, M., T. Kavar and M. Candek-Potokar. 2010. Comparison of PRKAG3 and RYR1 gene
effect on carcass traits and meat quality in Slovenian commercial pigs. Czech J.
Anim. Sci., 55: 149-159.
104
Solanes, F. X., Reixach, J., Tor, M., Tibau, J. and Estany, J. 2009. Genetic correlations and
expected response for intramuscular fat content in a Duroc pig line. Lives. Sci. 123:
63-69.
Sonesson, A. K., de Greef, K. H., and Meuwissen, T. H. E. 1998. The Genetic parameters and
trends of meat quality, carcass composition and performance traits in two selected
lines of Large White pigs. Lives. Prod. Sci. 57: 23-32
Sponenberg, D.P. 1997. Genetics of colour and hair texture. pp. 51-86. In: L. Piper and A.
Ruvinsky. (eds.). The Genetics of Sheep. CABI Publishing. Wallingford, UK.
Tikk M., K. TIKK, M. A. Torngren, L. Meinert, M.D. Aaslyng, A.H. Karlsson, and H. J. Andersen.
2006. Development of Inosine Monophosphate and Its Degradation Products during
Aging of Pork of Different Qualities in Relation to Basic Taste and Retronasal Flavor
Perception of the Meat. J. Agric. Food Chem. 54: 7769-7777.
Toniolo, L., M. Patruno, L. Maccatrozzo, M.A. Pellegrino, M. Canepari, R. Rossi, G. D’Antona, R.
Bottinelli, C. Reggiani and F. Mascarello. 2004. Fast fibres in a large animal: fibre
types, contractile properties and MHC expression in pig skeletal muscles. J. Exp. Biol.
207: 1875-1886
Tyra, M. and K. Ropka-Molik. 2011. Effect of the FABP3 and LEPR gene polymorphisms and
expression levels on intramuscular fat (IMF) content and fat cover degree in pigs.
Lives. Sci., 142: 114-120.
Urban, T. and R. Mikolasova. 2006. Genetic Variability in the Leptin, Leptin Receptor and
Heart Fatty Acid Biding Protein Gene in Pigs. Acta fytotechnica et zootechnica: S29.
Urbanski, P., M. Pierzchala, A. Terman, M. Kamyczek, M. Rozycki, A. Roszczyk and U. Czarnik.
2015. The relationship between the polymorphism of the porcine CAST gene and
productive traits in pigs. Can. J. Anim. Sci. 95: 361-367.
Vogeli, P., R. Bolt R Fau - Fries, G. Fries R Fau - Stranzinger and G. Stranzinger. 1994. Co-
segregation of the malignant hyperthermia and the Arg615-Cys615 mutation in the
skeletal muscle calcium release channel protein in five European Landrace and
Pietrain pig breeds. Anim Genet. 25 Suppl 1:59-66.
Vykoukalova, Z., A. Knoll, J. Dvorakand S. Cepica. 2006. New SNPs in the IGF2 gene and
association between this gene and backfat thickness and lean meat content in Large
White pigs. J. Anim. Breed. Genet. 123: 204-207.
Weisz, F., T. Urban, P. Chalupova and A. Knoll. 2011. Association analysis of seven candidate
genes with performance traits in Czech Large White pigs. Czech J. Anim. Sci. 56: 337-
344.
Wheeler, T.L., S.D. Shackelford and M. Koohmaraie. 2002. Technical note: Sampling
methodology for relating sarcomere length, collagen concentration, and the extent
of postmortem proteolysis to beef and pork longissimus tenderness. J. Anim. Sci. 80:
982-987.
105
Wimmers K., N.T. Ngu, D.G. Jennen, D. Tesfaye, E. Murani, K. Schellander and S. Ponsuksili.
2008. Relationship between myosin heavy chain isoform expression and muscling in
several diverse pig breeds. J. Anim. Sci. 86: 795-803.
Wood, J. D., Nute, G. R., Richardson, R. I., Whittington, F. M., Southwood, O., Plastow, G.,
Mansbridge, R., da Costa, N. and Chang, K. C. 2004. Effects of breed, diet and muscle
on fat deposition and eating quality in pigs. Meat Sci. 67: 651-667.
106
ภาคผนวก
107
ตารางผนวกท่ี 1 แผนการดาํ เนินงานตามกจิ กรรมในโครงการ และกจิ กรรมท่ีดําเนนิ การจริง
กจิ กรรม เดือนท่ี 19-24
1-6 7-12 13-18
1. ศึกษาลักษณะความสัมพันธ6ทางเครือญาติ
และ Inbreeding coefficient ของสุกรพ*อแม*
พันธ6ุ F2 และตรวจสอบความแปรปรวนของ
ลักษณะท่ีต$องการคัดเลือก โดยใช$ genetic
marker
2. จัดเตรียมสุกรพ*อและแม*พันธุ6 ผสมพันธุ6สุกร
ลูกผสม เปDยแตรง-พื้นเมือง และสุกรลูกผสม
ดูร็อค-เหมยซาน ในรุ*น F2 เพ่ือผลิตลูกรุ*น F3
ครอกที่ 1
3. วิเคราะห6 genetic markers ท่ีเกี่ยวกับ
คุณภาพซาก คุณภาพเนื้อ และสีลําตัว ในสุกร
รุน* F3 ก*อนหยา* นม
4. คัดเลือกสุกรร*ุน F3 สีดํา และลักษณะ
พันธกุ รรมท่ีต$องการ เขา$ ทดสอบพันธ6ุ
5. ทดสอบสมรรถภาพการเจริญเติบโต ศึกษา
คุณภาพซาก คุณภาพเน้ือ และคุณภาพการ
บรโิ ภค ของสุกรรน*ุ F3
6. ผสมพันธ6ุสุกรลูกผสม เปDยแตรง-พ้ืนเมือง
และสุกรลูกผสม ดูร็อค-เหมยซาน ในรุ*น F2
เพ่อื ผลติ ลูกร*นุ F3 ครอกที่ 2
7. วิเคราะห6 genetic markers ท่ีเก่ียวกับ
คุณภาพซาก คุณภาพเน้ือ และสีลําตัว ในสุกร
รุ*น F3 ก*อนหย*านม ทดสอบสมรรถภาพการ
เจริญเติบโต คัดสุกรท่ีผ*านทดสอบพันธ6ุ มี
ลักษณะทางเศรษฐกิจที่ดี มีสีดํา ใช$เปนพ*อแม*
พนั ธุร6 นุ* F3
8. จดั ทาํ รายงานฉบบั สมบรู ณ6
หมายเหตุ:
F2, F3: สุกรรน*ุ ท่ี 2 หรอื รุน* ที่ 3
แผนและกจิ กรรม
กิจกรรมท่ีดําเนินการจรงิ
108
ตารางผนวกท่ี 2 การกระจายพันธุ6หมูดาํ ให$กับหนว* ยงานราชการและฟารม6 เครอื ข*ายเพื่อใช$ประโยชน6
ที่ ช่ือฟารม6 ท่ีตงั้ จํานวนสุกร(ตัว) หมายเหตุ
เพศผ$ู เพศเมีย
1 สุรินทร6ฟาร6ม อ.สนั ปาf ตอง จ.เชยี งใหม* 1 10 จําหนา* ย
2 ศูนย6ศึกษาการพฒั นาหว$ ยฮอ* งไคร$ อ.ดอยสะเกด็ จ.เชยี งใหม* 2 15 ส*งมอบ
3 เพอ่ื นเกษตรฟาร6ม อ.เชยี งคาํ จ.พะเยา 2 10 จาํ หนา* ย
4 ศนู ยพ6 ัฒนาโครงการหลวงอ*างขาง อ.ไชยปราการ จ.เชียงใหม* 1 5 สง* มอบ
5 ศูนย6พัฒนาโครงการหลวงหนองหอย อ.แมร* ิม จ. เชยี งใหม* 2 10 สง* มอบ
6 โครงการฟาร6มตวั อย*างบา$ นแมต* ุงตงิ อ.สะเมิง จ.เชยี งใหม* 2 10 สง* มอบ
7 สถานีถา* ยทอดเกษตรและปาf ไมบ$ $านแปกแซม อ.เวียงแหง จ.เชยี งใหม* 1 3 สง* มอบ
8 โครงการฟhนg ฟูสภาพปาf บา$ นหว$ ยจะคา* น อ.เชยี งดาว จ.เชยี งใหม* 1 3 สง* มอบ
9 สถานีพัฒนาการเกษตรทีส่ งู ดอยมอ* นลา$ อ.พรา$ ว จ.เชียงใหม* 1 3 ส*งมอบ
10 สถานพี ฒั นาการเกษตรทสี่ งู ห$วยหยวกปfาโซ อ.แมฟ* าŠ หลวง จ.เชยี งราย 1 3 ส*งมอบ
11 สถานีพฒั นาการเกษตรที่สงู บา$ นปาf คา อ.คลองลาน จ.กําแพงเพชร 1 3 สง* มอบ
12 โครงการฟาร6มตวั อยา* งบ$านแมต* ๋าํ อ.เสริมงาม จ.ลําปาง 1 3 สง* มอบ
13 โครงการฟาร6มตัวอยา* งบ$านดงเย็น อ.จอมทอง จ.เชียงใหม* 1 3 สง* มอบ
14 โรงเรียนตาํ รวจตระเวนชายแดนบ$านแมเ* หลอ อ.แมส* ะเรียง จ.แมฮ* อ* งสอน 1 3 สง* มอบ
15 โรงเรียนตํารวจตระเวนชายแดนเบญจมะ 1 อ.เวียงแหง จ.เชยี งใหม* 1 3 ส*งมอบ
16 โรงเรยี นทง*ุ ฟาŠ บด อ.สนั ปาf ตอง จ.เชยี งใหม* 1 3 ส*งมอบ
17 กลม*ุ ผเู$ ล้ยี งหมูหลมุ แมส* รวย อ.แมส* รวย จ.เชียงราย 1 6 จําหน*าย
18 TS FARM อ.เมือง จ.ลําปาง 1 10 จาํ หน*าย
19 ศนู ยว6 ิจยั และบํารงุ พันธุ6สัตว6สุราษฎร6ธานี อ.พนุ พิน จ.สรุ าษฎรธ6 านี 5 20 ส*งมอบ
20 ศูนยว6 ิจัยและบาํ รุงพฒั นาพันธุ6กระบอื อ.เมอื ง จ.สรุ ินทร6 2 10 สง* มอบ
21 ศนู ย6พัฒนาโครงการหลวงหลวงอนิ ทนนท6 อ.จอมทอง จ.เชยี งใหม* 1 3 ส*งมอบ
รวม 30 139
ตารางผนวกที่ 3 สกุ รรุน* F3 ทีค่ ัดเลอื กเปนพ*อแมพ* นั ธุ6ทดแทน
เบอรส6 กุ ร สายพนั ธ6ุ เพศ ADG FCR BF LEA Age 90 kg.
CH0AC5502 DM M 721.65 2.37 1.10 30.48 168.00
CH0AC6015 DM M 850.00 1.64 1.05 27.30 141.24
CH0AD2143 DM M 875.00 2.29 1.15 24.13 166.71
CH0AD2268 DM M 756.41 2.71 1.35 22.86 156.03
CH0AE2441 DM M 811.32 1.74 0.80 29.21 152.91
CH0AE2702 DM M 761.90 3.13 1.20 22.86 164.81
CH0AC5506 DM F 688.31 2.74 1.55 31.12 181.91
CH0AC5507 DM F 886.08 2.29 1.20 32.39 150.00
CH0AC6018 DM F 881.36 2.35 1.65 19.68 158.67
CH0AC6042 DM F 746.84 3.14 1.75 24.77 155.34
CH0AD2228 DM F 666.67 2.88 2.10 21.59 172.50
CH0AD2229 DM F 601.94 2.94 1.85 21.59 180.03
เบอรส6 กุ ร สายพันธ6ุ เพศ ADG FCR 109
CH0AD2271 DM F 717.95 3.04
CH0AD2275 DM F 628.21 3.06 BF LEA Age 90 kg.
CH0AD2276 DM F 743.59 2.76 1.60 20.95 165.57
CH0AD6953 DM F 764.04 2.63 1.75 22.86 167.96
CH0AD6971 DM F 649.57 2.00 1.60 17.14 166.72
CH0AD7244 DM F 627.91 2.70 1.05 26.04 170.07
CH0AD7280 DM F 717.95 2.63 1.55 22.23 176.76
CH0AD7299 DM F 771.08 2.50 1.50 20.32 195.78
CH0AD7306 DM F 618.56 2.62 1.35 24.77 182.79
CH0AD7307 DM F 738.10 2.10 1.55 25.40 156.30
CH0AD7309 DM F 746.67 2.63 1.30 29.21 196.00
CH0AD7342 DM F 608.25 2.85 1.05 24.13 208.42
CH0AD7343 DM F 585.11 2.75 1.80 25.40 159.36
CH0AD7344 DM F 753.25 2.69 0.70 28.58 186.64
CH0AD7423 DM F 666.67 3.16 1.45 20.95 203.55
CH0AD7424 DM F 656.25 2.90 1.40 25.40 161.64
CH0AD7472 DM F 745.28 1.90 1.35 26.67 177.50
CH0AD7474 DM F 704.23 2.16 1.30 20.96 203.62
CH0AE2431 DM F 655.17 3.32 1.40 21.59 175.92
CH0AE2434 DM F 516.67 2.26 1.35 24.77 165.36
CH0AE2484 DM F 644.44 2.29 1.35 20.95 182.63
CH0AE2498 DM F 706.90 3.07 1.50 26.03 203.45
CH0AE2501 DM F 741.38 2.93 1.10 27.30 194.10
CH0AE2502 DM F 689.66 3.15 1.30 24.13 170.07
CH0AE2603 DM F 842.11 2.25 1.05 23.49 169.74
CH0AE2698 DM F 650.00 2.00 1.85 22.23 170.25
CH0AE2706 DM F 720.00 2.78 1.35 22.22 158.94
CH0AD2008 PN M 883.72 2.12 0.95 27.30 179.08
CH0AD7434 PN M 741.18 2.38 2.45 26.03 164.28
CH0AE2349 PN M 884.62 2.03 1.60 26.67 165.21
CH0AE2606 PN M 651.02 3.33 0.70 24.77 176.65
CH0AE2613 PN M 693.88 2.65 1.45 26.04 144.22
0.85 26.04 193.19
0.75 29.84 188.21
เบอรส6 ุกร สายพนั ธ6ุ เพศ ADG FCR 110
CH0AE2629 PN M 630.00 2.38
CH0AC5595 PN F 684.16 3.07 BF LEA Age 90 kg.
CH0AC5700 PN F 603.96 3.07 1.15 24.13 189.24
CH0AC5834 PN F 652.17 3.91 1.45 22.23 193.58
CH0AC6046 PN F 852.46 2.46 1.55 20.95 184.34
CH0AC6102 PN F 759.49 2.47 1.85 20.32 230.63
CH0AC6223 PN F 674.16 2.23 1.75 29.21 154.52
CH0AC6259 PN F 734.18 2.38 1.50 26.67 177.05
CH0AC6261 PN F 522.94 2.79 1.45 24.77 171.00
CH0AD2017 PN F 677.42 2.54 1.60 25.40 167.36
CH0AD2156 PN F 701.03 2.60 1.40 29.21 162.18
CH0AD2207 PN F 631.07 2.85 1.40 27.94 181.38
CH0AD2208 PN F 553.40 3.68 1.30 22.23 178.85
CH0AD2242 PN F 718.31 2.94 2.15 31.75 186.25
CH0AD2263 PN F 840.00 2.48 1.90 20.95 194.61
CH0AD6692 PN F 663.27 2.66 1.50 17.15 162.18
CH0AD6695 PN F 693.88 2.49 1.20 31.75 166.95
CH0AD6733 PN F 639.53 2.33 1.40 23.49 170.49
CH0AD6763 PN F 600.00 2.92 1.45 28.58 174.88
CH0AD6827 PN F 629.41 3.14 1.30 22.23 211.13
CH0AD6828 PN F 670.59 2.68 1.45 22.86 189.67
CH0AD6835 PN F 605.26 2.94 1.30 32.39 195.00
CH0AD6844 PN F 644.72 3.07 1.45 29.21 181.49
CH0AD6856 PN F 644.23 2.70 1.25 24.13 184.09
CH0AD6914 PN F 574.26 2.38 1.40 26.04 199.33
CH0AD6916 PN F 556.52 2.49 1.35 24.13 178.55
CH0AD7328 PN F 660.00 3.14 1.45 26.67 149.00
CH0AD7329 PN F 630.00 3.02 1.20 22.22 183.19
CH0AD7436 PN F 728.57 2.75 1.55 27.94 181.45
CH0AD7437 PN F 702.38 2.71 1.35 24.77 190.76
CH0AD7446 PN F 727.27 2.71 1.10 19.68 182.49
CH0AD7447 PN F 569.77 2.61 1.50 20.96 186.97
1.70 19.68 173.50
1.50 22.23 180.29
111
เบอร6สุกร สายพนั ธ6ุ เพศ ADG FCR BF LEA Age 90 kg.
CH0AD7453 PN F 631.91 3.40 1.85 22.86 209.40
CH0AD7458 PN F 806.45 2.30 1.30 27.94 184.92
CH0AE2351 PN F 807.69 2.22 1.45 26.67 144.81
CH0AE2366 PN F 720.59 3.06 1.35 22.23 183.88
CH0AE2617 PN F 810.34 2.68 1.15 26.04 159.17
CH0AE2862 PN F 690.14 2.24 1.40 22.86 180.24
CH0AE2955 PN F 583.33 2.24 1.20 27.31 213.57
หมายเหตุ: DM = สุกรลกู ผสมดูรอ็ ค-เหมยซาน, PN = สุกรลกู ผสมเปDยแตรง-พืน้ เมอื ง, ADG = อตั ราการ
เจริญเตบิ โตเฉลย่ี ต*อวัน, FCR = ประสทิ ธิภาพการเปล่ียนอาหาร, BF = ความหนาไขมนั สนั หลงั ,
LEA = พื้นทห่ี นา$ ตัดเนื้อสัน, Age 90 kg. = อายุเมื่อนํา้ หนัก 90 กโิ ลกรัม
ตารางผนวกท่ี 4 หนว* ยงานของกรมปศสุ ตั ว6ทรี่ *วมพฒั นาพันธ6แุ ละขยายการผลิตหมูดําเชียงใหม*
หนว* ยงาน ดูรอ็ ค-เหมยซาน เปDยแตรง-พื้นเมือง
จํานวนพ*อพนั ธ6ุ จํานวนแมพ* ันธ6ุ จํานวนพ*อพนั ธ6ุ จาํ นวนแมพ* นั ธ6ุ
ศูนย6วิจัยและบาํ รงุ พันธ6ุสัตว6 10 30 10 30
เชยี งใหม*
ศนู ยว6 ิจัยและบํารุงพนั ธ6ุสัตว6 3 15 3 15
แม*ฮ*องสอน
ศนู ย6วิจยั และพฒั นากระบือ 3 15 3 15
ศนู ยว6 จิ ยั และบํารุงพนั ธ6ุสตั ว6 3 15 3 15
สุราษฎร6ธานี
รวม 19 75 19 75
112
ภาพผนวก 1 สุกรพนั ธุล6 ูกผสมดูรอ็ ค-เหมยซาน (DM)
ภาพผนวก 2 สุกรพันธุ6ลกู ผสมเปDยแตรง-พน้ื เมือง (PN)
113
a) b)
c) d)
e) f)
g) h)
i) j)
ภาพผนวก 3 ตัวอย*างผลผลิต PCR ของยีน (a) LEP, (b) LEPR, (c) MC4R, (d) IGF2, (e) MC5R, (f) CRC1
(RYR1), (g) CAST1, (h) CAST2, (i) PRKAG3 และ (j) PPARG
114
1 2 3 4 5 6 7 8 9 10 11 12 13 uncut
152bp
100bp
84bp
68bp
ภาพผนวก 4 ผลการตรวจสอบจโี นไทป‰ของยนี LEP ด$วยเอนไซมต6 ดั จําเพาะ HinfI
โดยชอ* งท่ี 1 เครื่องหมายโมเลกลุ ดีเอน็ เอมาตรฐาน (DNA marker 100 bp) ชอ* งท่ี 6-11
แสดงจโี นไทป‰แบบ AA ในขณะท่ชี อ* ง 4-5, 12 แสดงจีโนไทป‰แบบ AB และชอ* งที่ 2, 3, 13
แสดงGenotype แบบ BB
1 2 3 4 5 6 7 8 9 10 11 uncut
226bp
200bp
156bp
100bp
70bp
ภาพผนวก 5 ผลการตรวจสอบจีโนไทป‰ของยนี MC4R ด$วยเอนไซมต6 ัดจาํ เพาะ TaqI
โดยช*องท่ี 1 เครื่องหมายโมเลกุลดีเอ็นเอมาตรฐาน (DNA marker 100 bp) ช*องที่ 8 แสดง
Genotype แบบ AA ในขณะท่ีช*อง 2-4, 6, 10-11 แสดงจีโนไทป‰แบบ AB และช*องที่ 5, 7, 9
แสดงจโี นไทป‰แบบ BB
1 2 3 4 5 6 7 8 9 10 11 uncut
300bp 336bp
308bp
200bp 208bp
ภาพผนวก 6 ผลการตรวจสอบจโี นไทป‰ของยีน IGF2 ดว$ ยเอนไซม6ตดั จาํ เพาะ BcnI
โดยช*องท่ี 1 เคร่อื งหมายโมเลกลุ ดเี อ็นเอมาตรฐาน (DNA marker 100 bp) ชอ* งที่ 2 แสดง
Genotype แบบ AA ในขณะทีช่ อ* ง 3-5, 7-9, 11 แสดงจีโนไทป‰แบบ AB และช*องท่ี 6, 10
แสดงจีโนไทป‰แบบ BB
115
1 2 3 4 5 6 7 8 9 10 11 12 13 uncut
200bp 238bp
179bp
100bp
59bp
ภาพผนวก 7 ผลการตรวจสอบจโี นไทป‰ของยนี MC5R ด$วยเอนไซม6ตัดจําเพาะ Hin1I
โดยช*องที่ 1 เครือ่ งหมายโมเลกุลดเี อน็ เอมาตรฐาน (DNA marker 100 bp) ชอ* งที่ 4-7, 9, 12-
13 แสดงจีโนไทป‰แบบ AA ในขณะท่ชี อ* ง 2-3, 8, 10-11 แสดงจโี นไทป‰แบบ AB
1 2 3 4 5 6 7 8 9 10 11 uncut
700bp 660bp
500bp 538bp
200bp
122bp
ภาพผนวก 8 ผลการตรวจสอบจีโนไทป‰ของยนี CRC1 (RYR1) ดว$ ยเอนไซมต6 ัดจาํ เพาะ Hin6I
โดยชอ* งท่ี 1 เครื่องหมายโมเลกลุ ดีเอ็นเอมาตรฐาน (DNA marker 100 bp) ชอ* งที่ 2, 7, 9
แสดงจีโนไทป‰แบบ AB ในขณะที่ชอ* งท่ี 3-6, 8, 10-11 แสดงจีโนไทป‰แบบ BB
1 2 3 4 5 6 7 8 9 10 11 uncut
200bp 183bp
142bp
100bp
41bp
ภาพผนวก 9 ผลการตรวจสอบจีโนไทป‰ของยีน CAST2 ด$วยเอนไซม6ตัดจาํ เพาะ PvuII
โดยชอ* งท่ี 1 เคร่อื งหมายโมเลกุลดีเอ็นเอมาตรฐาน (DNA marker 100 bp) ช*องท่ี 5, 7, 9
แสดงจีโนไทป‰แบบ AA ในขณะท่ชี อ* งที่ 2-3, 8, 10-11 แสดงจโี นไทป‰แบบ AB และชอ* งท่ี 4, 6
แสดงจโี นไทป‰แบบ BB
116
1 2 3 4 5 6 7 8 9 10 11 uncut
300bp 290bp
200bp
176bp
114bp
ภาพผนวก 10 ผลการตรวจสอบจโี นไทป‰ของยีน PPARG ดว$ ยเอนไซมต6 ดั จาํ เพาะ BsrI
โดยชอ* งท่ี 1 เครอ่ื งหมายโมเลกลุ ดีเอ็นเอมาตรฐาน (DNA marker 100 bp) ชอ* งที่ 2, 4, 6, 8
แสดงจีโนไทป‰แบบ AA ในขณะที่ชอ* งท่ี 3, 5, 7, 9-11 แสดงจีโนไทป‰แบบ AB
1 2 3 4 5 6 7 8 9 10 11 uncut
200bp 184bp
100bp 113bp
71bp
ภาพผนวก 11 ผลการตรวจสอบจีโนไทป‰ของยีน LEPR ดว$ ยเอนไซม6ตดั จาํ เพาะ TasI
โดยช*องที่ 1 เคร่ืองหมายโมเลกุลดีเอ็นเอมาตรฐาน (DNA marker 100 bp) และช*องที่ 2, 7-
9, 11 แสดงจีโนไทป‰แบบ BB ช*องที่ 3 และ 10 แสดงGenotypeแบบ AB ช*องท่ี 4-6
แสดงจโี นไทป‰แบบ AA
1 2 3 4 5 6 7 8 9 10 11 uncut
200bp
180 bp
ภาพผนวก 12 ผลการตรวจสอบจีโนไทป‰ของยีน CAST1 ดว$ ยเอนไซมต6 ดั จําเพาะ Hpy188I
โดยชอ* งท่ี 1 เครอ่ื งหมายโมเลกุลดีเอ็นเอมาตรฐาน (DNA marker 100 bp) และช*องท่ี 2-11
แสดงจโี นไทป‰แบบ AA
117
1 2 3 4 5 6 7 8 9 10 11 12 13 uncut
300bp
258bp
200bp 218bp
ภาพผนวก 13 ผลการตรวจสอบจีโนไทป‰ของยนี PRKAG3 ดว$ ยเอนไซมต6 ัดจําเพาะ BsrBI
โดยช*องท่ี 1 เครื่องหมายโมเลกุลดเี อน็ เอมาตรฐาน (DNA marker 100 bp) และชอ* งท่ี 2-13
แสดงจโี นไทป‰แบบ BB
a) b)
ภาพผนวก 14 ตัวอย*างผลผลติ PCR ของยีน (a) MC1R และ (b) KIT
12345 6
300bp
200bp
153bp
100bp 109bp
ภาพผนวก 15 ผลการตรวจสอบจีโนไทป‰ของยีน MC1R ดว$ ยเอนไซมต6 ดั จาํ เพาะ Bsh1236I
โดยชอ* งท่ี 1 เคร่ืองหมายโมเลกุลดเี อ็นเอมาตรฐาน (DNA marker 100 bp) ช*องท่ี 2, 4 และ
5 แสดงจีโนไทป‰แบบ AA ช*องท่ี 3 แสดงจโี นไทป‰แบบ AB และช*องท่ี 6 แสดงจโี นไทป‰แบบ BB
118
1 2 3 4 56 196bp
148bp
300bp
200bp
100bp
ภาพผนวก 16 ผลการตรวจสอบจโี นไทป‰ของยนี KIT ดว$ ยเอนไซมต6 ัดจําเพาะ AciI
โดยช*องที่ 1 เครือ่ งหมายโมเลกุลดีเอน็ เอมาตรฐาน (DNA marker 100 bp) ชอ* งที่ 2 และ
แสดงจีโนไทป‰แบบ AA ชอ* งที่ 3 และ 4 แสดงจโี นไทป‰แบบ AB และช*องท่ี 5 แสดง
Genotypeแบบ BB
ภาพผนวก 17 การกระจายพนั ธ6ุหมดู ําเชยี งใหม*ให$สรุ นิ ทร6ฟาร6ม อ.สันปาf ตอง จ.เชียงใหม*
ภาพผนวก 18 การกระจายพันธุ6หมูดําเชียงใหม*ให$ศูนย6ศกึ ษาการพฒั นาหว$ ยฮ*องไครอ$ นั เน่อื งมาจาก
พระราชดาํ ริ อ.ดอยสะเก็ด จ.เชียงใหม*
119
ภาพผนวก 19 การกระจายพันธุ6หมูดาํ เชยี งใหม*ให$โครงการฟารม6 ตวั อยา* งบ$านแม*ตุงติง อ.สะเมิง จ.เชียงใหม*
ภาพผนวก 20 การกระจายพันธ6ุหมูดําเชียงใหม*ให$โรงเรียนตํารวจตระเวนชายแดนบ$านแม*เหลอ อ.แม*สะเรียง
จ.แม*ฮอ* งสอน
ภาพผนวก 21 การกระจายพนั ธหุ6 มดู าํ เชียงใหม*ใหศ$ นู ย6พฒั นาโครงการหลวงหนองหอย อ.แมร* มิ จ.เชยี งใหม*
120
ภาพผนวก 22 การประชาสัมพนั ธ6หมูดาํ เชียงใหมใ* นงานโครงการหลวง ปD พ.ศ. 2558
ภาพผนวก 23 การประชาสัมพันธห6 มดู าํ เชยี งใหม*ในงานมหกรรมสนิ ค$าปศุสัตว6ปลอดภยั ครง้ั ที่ 2
จ.นครสวรรค6 ปD พ.ศ. 2560
ภาพผนวก 24 การประชาสัมพันธห6 มูดําเชยี งใหม*ในงานกาชาดสวนอมั พร ปD พ.ศ. 2559
121
ภาพผนวก 25 การประชาสัมพันธห6 มูดําเชยี งใหมใ* นงานครบรอบ 76 ปD กรมปศุสตั ว6 พ.ศ. 2561
ภาพผนวก 26 การประชาสมั พนั ธห6 มูดําเชยี งใหม*ในการประชุมวชิ าการวทิ ยาศาสตรเ6 ทคโนโลยีเนือ้ สัตว6
คร้งั ที่ 6 ปD 2561
ภาพผนวก 27 การประชาสัมพันธ6หมูดําเชียงใหม*ในงานประชุมวิชาการวิทยาศาสตร6เน้ือสัตว6นานาชาติ
ครัง้ ท่ี 62 (62nd iCoMST) ปD พ.ศ. 2559
122
ภาพผนวก 28 การประชาสัมพันธ6หมูดาํ เชียงใหมใ* นงาน SIMA ASEAN THAILAND 2018 เมืองทองธานี
ภาพผนวก 29 แสดงลักษณะไขมนั แทรกในกลา$ มเน้ือของหมูดําเชยี งใหม*
ภาพผนวก 30 ความแปรปรวนของไขมนั แทรกในกล$ามเนื้อส*วน Longissimus dorsi ของหมูดําเชียงใหม*
123
เอกสารตพี ิมพเผยแพร'
เรอื่ งที่ 1
สมรรถนะการผลติ คุณภาพซาก และคุณภาพเนื้อ ของสกุ รต$นพันธ6ุช่ัวอายทุ ่ี 3 สาํ หรับพัฒนาหมูดาํ เชยี งใหม*
(Productive Performance, Carcass Quality and Meat Quality of the 3rd Generation of Parent
Populations for Development Chiang Mai Black Pig)
ช่ือคณะผูว3 ิจัย
กมล ฉววี รรณ1* ประภาส มหนิ ชยั 2 ศุภมติ ร เมฆฉาย3 ธนนันท6 ศุภกิจจานนท64 และสายพณิ เจรญิ สนองกุล2
แหล'งตีพิมพเผยแพร'/การประชุมวชิ าการ
Proceedings of the 6th Meat Science and Technology Conference. 18-19 June 2018, Rama
Gardens Hotel, Bangkok, Thailand.
124
ความสาํ เร็จของการผลติ เนื้อสตั วบนพื้นฐานของเทคโนโลยีนวัตกรรม
Meat Production Success Based on Innovation Technology
สมรรถนะการผลิต คุณภาพซาก และคุณภาพเน้อื ของสกุ รตนพนั ธุช ่ัวอายทุ ี่ 3
สําหรับพฒั นาหมูดําเชยี งใหม
Productive Performance, Carcass Quality and Meat Quality of
the 3rd Generation of Parent Populations for Development Chiang Mai Black Pig
กมล ฉวีวรรณ1* ประภาส มหนิ ชยั 2 ศภุ มิตร เมฆฉาย3 ธนนนั ท ศุภกิจจานนท4 และ สายพิณ เจริญสนองกลุ 2
Kamon Chaweewan1*, Prapas Mahinchai2, Supamit Mekchay3, Tananun Supakitjanon4,
and Saipin Charernsanongkul2
1ศนู ยวิจัยและพฒั นาสุกร สํานกั พฒั นาพันธุส ตั ว กรมปศุสัตว
2ศนู ยวจิ ยั และบํารงุ พันธุสัตวเ ชียงใหม สาํ นักพัฒนาพันธุสตั ว กรมปศสุ ัตว
3ภาควชิ าสตั วศาสตรและสัตวนํ้าคณะเกษตรศาสตรม หาวทิ ยาลยั เชียงใหม
4คณะสัตวศาสตรและเทคโนโลยี มหาวิทยาลัยแมโ จ
1Swine Research and Development Center, Bureau of Animal Husbandry and Genetic Improvement, DLD
2Chiangmai Livestock Research and Development Center, Bureau of Animal Husbandry and Genetic Improvement, DLD
3Department of Animal and Aquatic Science, Faculty of Agriculture, Chiang Mai University
4Faculty of Animal Science and Technology, Maejo University
*Corresponding author: [email protected]
บทคัดยอ
กรมปศุสตั วไดพ ัฒนาพนั ธุสกุ รหมดู าํ เชยี งใหม ใหเปนสุกรท่ีใหเน้ือคุณภาพสูง มีความนุม และมีไขมันแทรกใน
กลา มเนื้อ เพ่ือตลาดจําเพาะ โดยใชการพัฒนาสุกรสองกลุมคือ สุกรลูกผสมเปยแตรง-พื้นเมือง (Pietrain-Native, PN) และ
สุกรลูกผสมดูร็อค-เหมยซาน (Duroc-Meishan, DM) สุกรท่ีพัฒนาพันธุจะนํามาผสมขามเปนสุกรลูกผสม 4 สายพันธุ
สําหรับใชเปนสุกรขุนที่มีสีดํา เรียกวาหมูดําเชียงใหม ในการศึกษาครั้งน้ีไดศึกษาสมรรถนะการผลิต คุณภาพซากและ
คุณภาพเนอื้ ของสุกรลูกผสม PN และลูกผสม DM ในชวั่ อายุท่ี 3 ซ่ึงอยูในชวงพัฒนาเปนสุกรตนพันธุ จากการศึกษาพบวา
สุกรกลุมDM มีอัตราการเจริญเติบโตประสิทธิภาพการเปลี่ยนอาหารและอายุเม่ือนํ้าหนัก 90 กก. ดีกวาสุกรกลุม PN
(667.91 กับ 634.62 กรัม ตอวัน, 2.97 กับ 2.79 และ 180.67 กับ 185.96 วัน ตามลําดับ,P<0.05) ในสวนคุณภาพซากและ
คณุ ภาพเน้อื สุกรกลุม DM มคี าแรงตดั ผา นเนอื้ ตา่ํ กวา สุกรกลมุ PN คาความสวางของเนอ้ื และปริมาณโปรตีนในเนื้อ (Crude
protein) สูงกวากลุม PN (4.15 กับ 5.01 กก., 52.32 กับ 51.03 และ 22.88 กับ 22.13 % ตามลําดับ, P<0.05) สุกรเพศผูมี
เปอรเซ็นตซ ากเยน็ ปรมิ าณโปรตีน และปริมาณไขมนั ในเนือ้ (Ether extract)สูงกวาเพศเมีย ในขณะที่มีความยาวซากสั้นกวา
และเปอรเซ็นตความช้ืนต่ํากวา (71.79 กับ 67.62%, 22.83 กับ 22.18 %, 3.74 กับ 2.71 %,75.58 กับ 78.36 ซม. และ
72.26 กับ 73.83% ตามลําดับ, P<0.05) จากการศึกษาสรุปไดวาสุกรลูกผสมดูร็อค-เหมยซานในช่ัวอายุที่ 3 มีอัตราการ
เจริญเตบิ โต ประสิทธภิ าพการใชอาหารความนมุ ของเนอื้ และความสวา งของเนือ้ ดีกวาลกู ผสมเปยแตรง-พื้นเมืองในช่ัวอายุ
ท่ี 3 และสกุ รเพศผูมเี ปอรเ ซ็นตซากเยน็ ปรมิ าณโปรตีน และปริมาณไขมันในเน้ือสงู กวา สกุ รเพศเมีย
คาํ สําคัญ: สมรรถนะการผลิต คุณภาพซาก คุณภาพเน้ือ หมูดาํ เชียงใหม
125
Proceedings of the 6th Meat Science and Technology Conference
18-19 June 2018, Rama Gardens Hotel, Bangkok, Thailand
Abstract
The Chiang Mai Black Pig was developed by Department of Livestock Development (DLD) for producing
high quality, tender and marbledmeat to serve in the niche market. Chiang Mai Black Pigis 4-crossbred black coat
color fattening pig combinedfromPietrain-Native crossbred pig (PN) and Duroc-Meishan crossbred pig (DM). The
productive performance, carcass quality and meat quality of the 3rd generation of PN and DM were studied. The
3rd generation of PN and DM will be used as parent to produce Chiang Mai Blackpig. Results indicated that
average daily gain (ADG), feed conversion ratio (FCR) and age at 90 kg body weight (AGE90) of DM better than
PN. (667.91 vs.634.62 g/day, 2.97 vs. 2.79and 180.67 vs. 185.96day,respectively,P<0.05).Shear force of DM was
less than PN pig (4.15 vs. 5.01 kg, P<0.05). Lightness (L*) and crude protein of meat of DM were higher than PN
pig (52.32 vs. 51.03 and 22.88 vs. 22.13 %,respectively, P<0.05).The barrows had cold carcass percentage,
crude protein and ether extract of meat higher than gilt and also carcass length (L1) and moister of meat of
barrows less than gilts(71.79 vs. 67.62%, 22.83 vs. 22.18 %, 3.74 vs. 2.71 %, 75.58 vs.78.36 cm and 72.26 vs.
73.83%,respectively, P<0.05). In conclusion, the 3rd generation of DM showed ADG, FCR, meat tenderness and
lightness better than the 3rd generation of PN.The cold carcass percentage, crude protein and ether extractof
meat of barrows higher than gilts.
Keywords: Productive Performance, Carcass Quality, Meat Quality, Chiang Mai Black Pigs
บทนาํ
ปจจุบันผูบรโิ ภคมคี วามตองการบริโภคเนือ้ คุณภาพสูงเพม่ิ มากขึน้ ไมเ พียงแตเฉพาะเน้ือโคคุณภาพสูงเทานั้น เน้ือ
สุกรก็เชนกัน แตเ น้ือสกุ รในประเทศทน่ี ิยมบรโิ ภคกนั ท่ัวไปยงั ขาดแคลนเน้ือสุกรคุณภาพสูง กรมปศสุ ตั วจึงไดมีแนวความคิด
ในการพัฒนาพันธุสุกรที่ใหเน้ือคุณภาพสูง เพ่ือตลาดจําเพาะ โดยเนนการใชพันธุกรรมของสุกรพื้นเมืองในการพัฒนาพันธุ
และมีเปาหมายในการพัฒนาอาชีพของเกษตรกรโดยเฉพาะเกษตรกรรายยอยในภูมิภาคตางๆของประเทศ ในการพัฒนา
พันธุเนนสกุ รท่ีมลี กั ษณะสดี าํ ใหเนอ้ื คุณภาพสูง มีความนากินสูง มีความนุม และมีไขมันแทรกในกลามเน้ือ โดยใชสุกรสอง
กลมุ คือ สุกรลกู ผสมเปย แตรง-พื้นเมอื ง (Pietrain-Native, PN) โดยรวมลกั ษณะการใหปริมาณเน้ือแดงมากของสกุ รพันธุเปย
แตรงเขากับลักษณะคุณภาพเนื้อท่ีดี เลี้ยงงาย ทนทานตอโรคและสภาพแวดลอมของสุกรพันธุพ้ืนเมือง และสุกรลูกผสม
ดรู อ็ ค-เหมยซาน (Duroc-Meishan, DM) ซ่ึงรวมลักษณะการใหเน้ือคุณภาพสูงและโตเร็วของสุกรพันธุดูร็อค และการใหลูก
ดกจากพนั ธกุ รรมของสุกรพันธเุ หมยซาน สุกรที่ไดจากการคัดเลือกพัฒนาพันธุจะถูกนํามาผสมขามเปนสุกรลูกผสม 4 สาย
พันธุ สําหรับใชเปนสุกรขุน (Commercial line) ท่ีมีสีดํา และใหเน้ือคุณภาพสูง เรียกช่ือวา“หมูดําเชียงใหม” (ChiangMai
Black Pig) สุกรขุน 4 สายพันธุจะถูกนําไปสงเสริมใหกับฟารมเครือขาย กลุมเกษตรกร และเกษตรกรท่ัวไป เพื่อพัฒนาให
เกิดระบบการผลิตสุกรขุนท่ีใหเนื้อคุณภาพสูง การพัฒนาการตลาดท่ีจําเพาะ เปนการสรางอาชีพท่ีมีความม่ันคง ย่ังยืน
เกษตรกรสามารถพง่ึ พาตนเองได ลดการนําเขาเนื้อสุกรคุณภาพสูงจากตางประเทศ ตลอดจนผูบริโภคเองก็มีโอกาสในการ
เลอื กซือ้ สนิ คา ท่มี ีคุณภาพตรงตามความตองการ ในการศกึ ษาครงั้ นไ้ี ดดําเนนิ การศกึ ษาสมรรถนะการผลิต คุณภาพซากและ
คุณภาพเน้ือ ของสุกรลูกผสม PN และลูกผสม DM ซึ่งปจจุบันอยูในช่ัวอายุที่ 3 (3rd Generation) เพ่ือนําไปสูเปาหมายใน
การพัฒนาพนั ธุสกุ รทใี่ หเนอ้ื คณุ ภาพสงู ตอไป
126
ความสาํ เร็จของการผลิตเนื้อสัตวบนพนื้ ฐานของเทคโนโลยนี วัตกรรม
Meat Production Success Based on Innovation Technology
วัตถุประสงค
เพื่อศกึ ษาสมรรถนะการผลิต คุณภาพซาก และคุณภาพเนื้อ ของสกุ รตนพนั ธุทใี่ ชพ ัฒนาหมูดําเชียงใหม
อุปกรณแ ละวิธกี าร
การศึกษาสมรรถนะการผลิต
คัดเลือกสุกรหยานมที่สมบูรณจากสุกรลูกผสม DM ช่ัวอายุที่ 3 จํานวน 139 ตัว (เพศผู 71 ตัว เพศเมีย 68 ตัว)
และจากสกุ รลกู ผสม PN ชว่ั อายทุ ่ี 3 จาํ นวน 170ตัว (เพศผู 84 ตวั เพศเมยี 86 ตวั ) เขา ทดสอบสมรรถนะการผลิตท่ีน้ําหนัก
30 กิโลกรัม และส้ินสุดที่น้ําหนักประมาณ 90 กิโลกรัม โดยขังสุกรในคอกขนาด 1.2 X 2.4 เมตร คอกละตัว มีท่ีใหนํ้า
อัตโนมัติทุกคอก ใหกินอาหารขนชนิดผงที่มีระดับโปรตีน 18% และพลังงาน 3,255 kcal/kg (โดยการคํานวณ) ตลอดการ
ทดสอบ บันทึกน้ําหนักและอาหารท่ีกินเปนรายตัว เมื่อส้ินสุดการทดสอบคํานวณอัตราการเจริญเติบโต (Average daily
gain, ADG) ประสิทธิภาพการเปลี่ยนอาหาร (Feed conversion ratio, FCR) ปริมาณอาหารที่กินตอวัน (Feed intake, FI)
วัดความหนาไขมันสันหลัง (Backfatthickness, BF) และความลึกเนื้อสัน (Loin depth, LD) ดวยเครื่อง Ultra sound
(RENCO Sono Grader) สมุ สกุ รทจ่ี บการทดสอบบางสวนนาํ ไปศกึ ษาซาก
การศกึ ษาคณุ ภาพซาก และคณุ ภาพเน้อื
นําสุกร DM ช่ัวอายุที่ 3 จํานวน 42 ตัว (เพศผู 28 ตัว เพศเมีย 14 ตัว) และจากสุกรลูกผสม PN ช่ัวอายุที่ 3
จํานวน 40 ตัว (เพศผู 27 ตัว เพศเมีย 13 ตัว) เขาโรงฆาทําใหสลบโดยใชการช็อตดวยไฟฟา แทงคอเอาเลือดออก ขูดขน
เปดซากแบงซากออกเปน 2 ซีก วัดความเปนกรด-ดางของเนื้อ อุณหภูมิของเนื้อหลังฆา จากนั้นนําซากเก็บในหองเย็น
อุณหภูมิ 0-4 ◦C เปนเวลา 24 ชั่วโมง ศึกษาคุณภาพซากตามวิธีการตัดแตง ซากแบบไทย รวบรวมขอ มูลการศึกษาซาก
เก็บตัวอยางเนื้อสุกรจากซากซีกขวาที่สวนของกลามเนื้อสันนอก (Longissimusdorsi; LD) บริเวณซี่โครงซี่ท่ี 10
ประมาณ 100 กรัม เพ่ือวิเคราะหสวนประกอบทางเคมี คือ ความช้ืน โปรตีน ไขมัน (AOAC, 1995) ตัดแตงช้ินสวน ช่ัง
น้ําหนักของช้ินสวนที่ไดจากการตัดแตง เก็บตัวอยางกลามเน้ือสวน LD ต้ังแตบริเวณซี่โครงซี่ที่ 10 ไปทางดานหลัง
ประมาณ 1 กิโลกรัม บรรจุในถุงสุญญากาศแลวนําไปแชที่ -20 ◦C นําไปศึกษาคุณภาพเนื้อท่ีหองปฏิบัติการวิทยาศาสตร
เนื้อสัตวของมหาวิทยาลัยแมโจวัดอุณหภูมิ คาความเปนกรด-ดาง และคาความสวาง (Lightness, L*) คาความแดง
(Redness, a*) และคาความเหลือง (Yellowness, b*) ดวยเครื่องมือวัดคาสี (Minolta Chromameter CR-300, USA, ใช
Illuminant D65 2observer) ซ่ึงแสดงผลในรูปของ L*, a* และ b* วิเคราะหเปอรเซ็นตการสูญเสียนํ้าระหวางการเก็บรักษา
(Drip loss) เปอรเซ็นตการสูญเสียนํ้าระหวางการละลาย (Thawing loss) และเปอรเซ็นตการสูญเสียนํ้าระหวางปรุงสุก
(Cooking loss) วิเคราะหคาแรงตัดผานเนื้อ (Warner-BratzlerShear force) ดวยเคร่ือง Texture analyzer (Instron model
1011, USA) ตามวิธีของ Wheeler et al. (2002)
การวเิ คราะหขอ มลู
วิเคราะหขอมูลอิทธิพลของสายพันธุสุกรตอสมรรถนะการผลิต คุณภาพซากและคุณภาพเน้ือ ตามการจัดกลุม
ทดลองแบบ Randomized Complete Block Design (RCBD) โดยใชเพศของสุกรเปนบล็อกดวยโปรแกรมคอมพิวเตอร
สาํ เร็จรูปทางสถิติ
ผลการทดลองและวจิ ารณ
สมรรถนะการผลติ
จากการทดสอบสมรรถนะการผลติ พบวา สกุ รลูกผสม DM มอี ัตราการเจริญเตบิ โตประสิทธิภาพการเปลี่ยนอาหาร
และอายุเม่อื นํ้าหนกั 90 กก. ดีกวาสกุ รลกู ผสม PN อยางมนี ัยสําคัญทางสถติ ิ (P<0.05) แตลกั ษณะอน่ื ไดแกความหนาไขมัน
127
Proceedings of the 6th Meat Science and Technology Conference
18-19 June 2018, Rama Gardens Hotel, Bangkok, Thailand
สนั หลัง ความลึกเน้อื สันและความยาวลําตัว ของสุกรลูกผสม DM และ PN ไมแตกตางกันดังแสดงใน Table 1 ท้ังนี้อาจเกิด
จากการมีสวนผสมพันธุกรรมของสุกรพันธุดูร็อคซ่ึงเปนสายพอพันธุ (Sire line) ที่มีอัตราการเจริญเติบโตสูง (Li and
Kennedy, 1994)สงผลใหสุกรลูกผสมDM เจริญเติบโตเร็วกวา และมีอายุเมื่อน้ําหนัก 90 กิโลกรัมนอยกวาเชนเดียวกับ
ประสิทธิภาพการเปล่ียนอาหารในสุกรสายพอพันธุจะดีกวาเพื่อสงผานไปยังสุกรขุน ในขณะที่สุกรพันธุเปยแตรงและสุกร
พันธุพ้ืนเมืองไทยเปนสุกรท่ีมีการเจริญเติบโตชา นอกจากนี้สุกรพื้นเมืองยังเปนสุกรที่มีขนาดเล็กเมื่อเทียบกับพันธุสุกรท่ี
นําเขามาจากยุโรป (Vasupen et al., 2008)
คณุ ภาพซาก คณุ ภาพเนอื้
จากการสุมสุกรท่ีผานการศึกษาสมรรถนะการผลิตจํานวน 82 ตัว มาศึกษาคุณภาพซาก คุณภาพเนื้อ ไดผลดัง
แสดงใน Table 2 พบวาสายพันธุสุกรมีอิทธิพลตออุณหภูมิภายหลังการฆา 45 นาที (Temp45) คาความสวาง (Lightness,
L*) คา แรงตัดผา นเน้อื (Shear force) และปรมิ าณโปรตีนในเนื้อ (%Crude protein) (P<0.05) โดยสุกรลูกผสม DM มีคาแรง
ตดั ผา นเนอ้ื นอยกวาสุกรลูกผสม PN และมคี าความสวางของเนื้อและปริมาณโปรตนี ในเนือ้ สูงกวาสุกรลกู ผสม PN สอดคลอง
กับรายงานของ Jiang et al. (2012) ท่ีพบวาสุกรลูกผสมที่มีพันธุกรรมของสุกรพันธุเหมยซานจะใหเนื้อท่ีมีคุณภาพดี เม่ือ
เทยี บกับลกู ผสมสุกรพนั ธุย โุ รปเชนเดียวกับ Lim et al. (2009) รายงานวาสุกรลกู ผสม DM ใหเนอื้ ที่มีไขมันแทรกสูงกวาและ
คาแรงตัดผานเน้ือตํ่ากวาลูกผสมเหมยซานอื่นๆในขณะที่ลักษณะเปอรเซ็นตซากเย็น เปอรเซ็นตเน้ือแดง ปริมาณไขมันใน
เนอ้ื (%Ether extract) ดัชนี LSQ ความเปน กรดดางของเนอื้ ลักษณะสเี นื้อ การสญู เสียน้ําระหวางการเก็บรักษาการสูญเสีย
นาํ้ ระหวา งการละลาย และการสญู เสียน้าํ ระหวา งปรงุ สกุ ของเนอ้ื สกุ รทั้งสองกลมุ ไมแตกตางกัน
Table 1 Productive performance of Duroc-Meishan and Pietrain-Native pigbreeds (LS means±SE).
Items Breed
Duroc-Meishan (DM) Pietrain-Native (PN)
Number 139 170
Initial weight (kg) 29.93±0.51 30.56±0.46
Final weight (kg) 89.77±0.41 89.23±0.37
Average daily gain (ADG, g/day) 667.91±9.04a 634.62±8.17b
Feed conversion ratio (FCR) 2.67±0.04a 2.79±0.03b
Backfat thickness (BF, cm) 1.42±0.03 1.46±0.03
Loin depth (LD,cm) 3.90±0.05 3.97±0.06
Body length (BL, cm) 105.17±0.45 104.59±0.40
Age at 90kg body weight (AGE 90, day) 180.67±1.65a 185.96±1.49b
Mean within a row having different superscript are significant different (P<0.05)
เพศของสุกรมีอิทธิพลตอเปอรเซ็นตซากเย็น (%Cold carcass) ความยาวซาก (L1) ปริมาณโปรตีนในเน้ือ
เปอรเซ็นตความชื้น (%Moisture) และปริมาณไขมันในเน้ือ (P<0.05) โดยสุกรเพศผูมีเปอรเซ็นตซากเย็นปริมาณโปรตีน
และปริมาณไขมันในเนอื้ สูงกวา เพศเมยี ในขณะท่ีมีความยาวซาก (L1) ส้ันกวา และเปอรเ ซ็นตความชื้นตํ่ากวา แตเปอรเ ซ็นต
เน้ือแดง ลักษณะสีเนื้อ คาแรงตัดผานเนื้อการสูญเสียนํ้าระหวางการเก็บรักษาการสูญเสียนํ้าระหวางการละลาย และการ
สูญเสียน้ําระหวางปรุงสุกของเนื้อสุกรท้ังสองเพศไมแตกตางกัน ซ่ึงตางจากรายงานของ Knecht and Duzi´nski (2016) ที่
พบวาสุกรเพศเมียมีสวนแฮมและกลามเน้ือมากกวาสุกรเพศผูตอนและ Sundrum et al. (2011) รายงานวาสุกรเพศเมียมี
เปอรเ ซน็ ตเ นอื้ แดงสูงกวา สุกรเพศผูตอน
128
ความสาํ เรจ็ ของการผลติ เน้ือสตั วบนพื้นฐานของเทคโนโลยีนวตั กรรม
Meat Production Success Based on Innovation Technology
Table 2 Carcass quality and meat quality of Duroc-Meishan and Pietrain-Native pigbreeds (LS means±SE).
Items Breed Sex
Duroc-Meishan Pietrain-Native Male Female
Number 42 40 55 27
Live weight (kg) 101.45±1.63a 96.67±1.69b 99.96±1.35 98.16±1.92
Carcass weight of Right side (kg) 36.06±0.62a 34.25±0.65b 35.82±0.51 34.49±0.74
Cold carcass (%) 71.12±1.46 68.30±1.50 71.79±1.20a 67.62±1.71b
LSQ 0.54±0.02 0.51±0.02 0.54±0.02 0.51±0.03
Carcass length (L1, cm) 76.80±0.76 77.14±0.78 75.58±0.62a 78.36±0.89b
Carcass length (L2, cm) 90.35±0.76 90.34±0.78 89.32±0.62 91.37±0.89
pH at 45 min. (pH45) 6.36±0.05 6.29±0.06 6.31±0.04 6.33±0.06
pH at 24 hr. (pH24) 5.79±0.03 5.80±0.03 5.81±0.03 5.86± 0.04
Temp at 45 min. (◦C) 35.39±0.58a 33.66±0.59b 34.19±0.47 34.87±0.68
Temp at 24 hr. (◦C) 3.55±0.27 3.58±0.28 3.52±0.22 3.62±0.32
Lightness (L*) 52.32±0.45a 51.03±0.46b 51.76±0.37 51.59±0.52
Redness (a*) 16.16±0.24 16.76±0.25 16.41±0.20 16.51±0.29
Yellowness (b*) 3.80±0.20 4.13±0.21 3.84±0.16 4.08±0.234
Loin eye area (cm2) 36.64±1.05 35.97±1.08 36.65±0.86 35.96±1.23
Lean (%) 34.29±0.61 34.35±0.65 34.20±0.50 34.44±0.73
Drip loss (%) 2.59±0.23 2.27±0.23 2.22±0.19 2.64±0.27
Thawing loss (%) 6.28±0.21 5.75±0.21 6.24±0.17 5.7±0.24
Cooking loss (%) 21.61±0.88 20.36±0.90 20.36±0.72 21.61±1.03
Shear force (kg) 4.15±0.25a 5.01±0.26b 4.34±0.21 4.82±0.29
Moisture (%) 72.73±0.27 73.36±0.27 72.26±0.22a 73.83±0.31b
Crude protein (CP, %) 22.88±0.20a 22.13±0.20b 22.83±0.16a 22.18±0.23b
Ether extract (EE, %) 3.14±0.22 3.30±0.22 3.74±0.18a 2.71±0.26b
a, b Mean within a row having different superscript are significant different (P<0.05), *: significant at P<0.05, NS: No significant, LSQ:
Lenden-speck quotient index
สรุปผลการวิจยั
จากผลการศึกษาสรปุ ไดว าสุกรลูกผสมดรู อ็ ค-เหมยซานในช่ัวอายุท่ี 3 มีสมรรถนะการผลิตดีกวาลูกผสมเปยแตรง-
พื้นเมืองในช่ัวอายุที่ 3 ในดานอัตราการเจริญเติบโต และประสิทธิภาพการใชอาหารคุณภาพซากและคุณภาพเน้ือของสุกร
ลูกผสมดรู อ็ ค-เหมยซานในชว่ั อายุที่ 3เนื้อมคี วามเหนยี วนอยกวา และสีเน้ือมีความสวางมากกวาลูกผสมเปยแตรง-พื้นเมือง
ในช่วั อายทุ ี่ 3 สุกรเพศผูม ีเปอรเ ซน็ ตซากเยน็ ปรมิ าณโปรตนี และปรมิ าณไขมันในเนื้อสงู กวาสกุ รเพศเมยี
กิตตกิ รรมประกาศ
คณะผูวิจัยขอขอบคณุ สาํ นกั งานกองทุนสนับสนุนการวิจัย (สกว.) ที่สนับสนุนทุนวิจัย และรศ.ดร.จุฑารัตน เศรษฐ
กุล ผปู ระสานงานชดุ โครงการนท้ี ีช่ วยประสานงานเปน อยา งดแี ละใหค าํ แนะนําทมี่ คี ุณคา
129
Proceedings of the 6th Meat Science and Technology Conference
18-19 June 2018, Rama Gardens Hotel, Bangkok, Thailand
เอกสารอางองิ
AOAC.1995. Official Methods of Analysis, 16thed. AOAC, Arlington, VA.USA.
Jiang, Y. Z., L. Zhu, G. Q. Tang, M. Z. Li, A. A. Jiang, W. M. Cen, S. H. Xing, J. N. Chen, A. X. Wen, T. He, Q.
Wang, G. X. Zhu, M. Xie, and X. W. Li.2012.Carcass and meat quality traits of four commercial pig
crossbreeds in China.Genet. Mol. Res. 11(4):4447-4455.
Knecht, D., and K. Duzi´nski. 2016. The effect of sex, carcass mass, back fat thickness and lean meat content on
pork ham and loin characteristics.Arch. Anim. Breed. 59(1):51-57.
Li, X., and B.W.Kennedy. 1994. Genetic parameters for growth rate and backfat in Canadian Yorkshire, Landrace,
Duroc, and Hampshire pigs. J. Anim. Sci. 72(6):1450-1454.
Lim, K. S., H .I. Jang, J. M. Kim, S. H. Lee, B. C. K. Kim, K. J. Han, and K.C. Hong. 2009. Comparison of muscle
fibre characteristics and production traits among offspring from Meishan dams mated to different sires.
Ital. J. Anim. Sci. 8(4):727-734.
Sundrum, A., A. Aragon, C. Schulze-Langenhorst, L. Bütfering, M. Henning, and G. Stalljohann.2011. Effects of
feeding strategies, genotypes, sex, and birth weight on carcass and meat quality traits under organic pig
production conditions. NJAS - Wageningen J. Life Sci. 58(3):163-172.
Vasupen, K., C. Yuangklang, S. Wongsuthavas, P. Panyakaew, J. Mitchaothai, and A. C. Beynen. 2008. Growth
performance, carcass and meat characteristics of female and male Kadon pigs. J. Biol. Sci. 8(3):671-674.
Wheeler, T. L., S. D. Shackelford, and M. Koohmaraie.2002. Technical note: Sampling methodology for relating
sarcomere length, collagen concentration, and the extent of postmortem proteolysis to beef and pork
longissimus tenderness. J. Anim. Sci. 80(4):982-987.
130
J. Dairy Sci. 104
https://doi.org/10.3168/jds.2021-20263
© 2021 American Dairy Science Association®. Published by Elsevier Inc. and Fass Inc. All rights reserved.
Genomic prediction of milk-production traits and somatic cell
score using single-step genomic best linear unbiased predictor
with random regression test-day model in Thai dairy cattle
S. Buaban,1 S. Prempree,1 P. Sumreddee,1 M. Duangjinda,2* and Y. Masuda3
1The Bureau of Biotechnology in Livestock Production, Department of Livestock Development, Pathum Thani 12000, Thailand
2Department of Animal Science, Khon Kaen University, Meaung, Khon Kaen 40002, Thailand
3Department of Animal and Dairy Science, University of Georgia, Athens 30602
ABSTRACT erage, SS-RR-TDM increased individual accuracies by
Cow genotypes are expected to improve the accu- 0.22 and validation accuracies by 0.07, compared with
racy of genomic estimated breeding values (GEBV) RR-TDM. With cow genotypes, the additional increase
for young bulls in relatively small populations such as was 0.02 for individual accuracies and 0.06 for valida-
Thai Holstein-Friesian crossbred dairy cattle in Thai- tion accuracies. The inflation of GEBV tended to be
land. The objective of this study was to investigate the reduced using cow genotypes. Genomic evaluation by
effect of cow genotypes on the predictive ability and SS-RR-TDM is feasible to select young bulls for the
individual accuracies of GEBV for young dairy bulls longitudinal traits in Thai dairy cattle, and the accu-
in Thailand. Test-day data included milk yield (n = racy of selection is expected to be increased with more
170,666), milk component traits (fat yield, protein genotypes. Genomic selection using the SS-RR-TDM
yield, total solids yield, fat percentage, protein percent- should be implemented in the routine genetic evalua-
age, and total solids percentage; n = 160,526), and tion of the Thai dairy cattle population. The genetic
somatic cell score (n = 82,378) from 23,201, 82,378, evaluation should consider including genotypes of both
and 13,737 (for milk yield, milk component traits, sires and cows.
and SCS, respectively) cows calving between 1993 Key words: cow genotype, longitudinal trait,
and 2017, respectively. Pedigree information included prediction error variance, validation, young bull
51,128; 48,834; and 32,743 animals for milk yield, milk
component traits, and somatic cell score, respectively. INTRODUCTION
Additionally, 876, 868, and 632 pedigreed animals Genomic selection has been rapidly adopted in dairy
(for milk yield, milk component traits, and SCS, re- populations in the last decade because the cost of ge-
spectively) were genotyped (152 bulls and 724 cows), notyping became affordable (VanRaden, 2020). Most
respectively, using Illumina Bovine SNP50 BeadChip. dairy populations have a reference population that con-
We cut off the data in the last 6 yr, and the valida- sists of genotyped animals (mainly bulls) with reliable
tion animals were defined as genotyped bulls with no pseudophenotypes (e.g., deregressed EBV; VanRaden
daughters in the truncated set. We calculated GEBV et al., 2009). With a large reference population, the
using a single-step random regression test-day model predictions for young genotypes are accurate enough
(SS-RR-TDM), in comparison with estimated breed for selection. Because genomic selection has been im-
value (EBV) based on the pedigree-based model used plemented in many countries, young bulls and heifers
as the official method in Thailand (RR-TDM). Indi- have been screened with genomic tests. The selection of
vidual accuracies of GEBV were obtained by inverting younger animals made the generation interval shorter,
the coefficient matrix of the mixed model equations, and the annual genetic gain of economic traits in dairy
whereas validation accuracies were measured by the cattle increased (García-Ruiz et al., 2016; Meuwissen et
Pearson correlation between deregressed EBV from the al., 2016; Doublet et al., 2019).
full data set and (G)EBV predicted with the reduced When the reference population is small, effective
data set. When only bull genotypes were used, on av- implementation of genomic selection is challenging, and
the reliability of genomic predictions for young animals
Received February 6, 2021. is low. A typical case is a purebred population in a
Accepted August 4, 2021. particular region or country. For instance, in Danish
*Corresponding author: monchai@kku. ac. th Jersey, Thomasen et al. (2014a) illustrated that the
131
Buaban et al.: GENOMIC PREDICTION IN THAI DAIRY CATTLE
low reliability was a limiting factor in the intensive use to achieve more accurate and less biased predictions in
of the young, genotyped animals, and they suggested Nordic Red Dairy Cattle (Koivula et al., 2015) and in
a progeny-testing program with genomic preselection purebred Holstein (Baba et al., 2017; Kang et al., 2018;
of candidate bulls. The inclusion of cows in the refer- Oliveira et al., 2019). In Thai dairy cattle, Jattawa et
ence population was a practical way to achieve higher al. (2016) compared RR-TDM and SS-RR-TDM in
reliability in relatively small breeds (Buch et al., 2012; terms of the variance components and the individual
Thomasen et al., 2014b). Another case included a accuracy of GEBV for the genotyped parents, but not
smallholder system dominated by Bos indicus breeds for the young bulls. Wongpom et al. (2019) studied the
or crossbred between indigenous and exotic breeds. effect of a selected set of SNP markers on the individual
Mrode et al. (2019) reviewed some studies showing that accuracy of all pedigreed animals. The predictive abil-
young, prediction accuracy of genotyped animals can ity of ssGBLUP for young genotyped animals in the
be improved by using a limited number of genotyped Thai dairy population has not been reported.
animals. There were few reports to examine genomic
prediction for dairy traits in such populations (Brown The objective of this study was to evaluate the pre-
et al., 2016; Boison et al., 2017). dictive ability of SS-RR-TDM for young bulls in Thai
dairy cattle compared with the pedigree-based RR-
The Thai dairy population consists of more than TDM for longitudinal traits, milk-production traits,
283,000 crossbred cows in 2018, mostly raised by small- and SCS as an initial step toward the implementation
holders (Buaban et al., 2015, 2020). On average, to be of the routine genomic evaluation. We also wanted to
robust in the tropical environment, each cow has 87.50 investigate the effects of including genotyped cows on
to 93.75% Holstein-Friesian (HF) genes and 6.25 to individual accuracies of GEBV for the young bulls.
12.50% Bos indicus, including Sahiwal, Brahman, and
Thai native cattle. The central database system hosts MATERIALS AND METHODS
milk-production records, reproduction data, and pedi- Phenotypic, Pedigree, and Genomic Data
gree information. Random regression test-day model
(RR-TDM) is used to calculate the EBV of milk-pro- The monthly test-day records of first-lactation cross-
duction traits (Buaban et al., 2020). A progeny-testing bred cows calving between November 1993 and March
program is in operation, and the daughter-proven bulls 2017 were extracted from the centralized database of
breed more than 90% of dairy cows through AI. The the Bureau of Biotechnology in Livestock Production,
progeny-testing results in a positive genetic gain for Department of Livestock Development of Thailand. Af-
production traits over a decade (Buaban et al., 2020). ter extraction, we edited the data to satisfy the follow-
However, a potential issue is the small number of can- ing conditions. The age at first calving ranged from 18
didate bulls sampled from the Thai dairy population. to 48 mo. Days in milk were restricted to between 5 and
The issue limits the selection intensity and becomes a 305 d. The first test date was in the interval between
risk to miss elite candidates because of potentially inac- 5 and 60 d. Daily milk yield was between 1 and 45 kg.
curate predictions of young animals if the traditional Each cow had at least 5 test-day records, and a mini-
evaluation method (i.e., pedigree-based parental aver- mum of 5 records was defined for each herd-test date.
age) is used. In 2015, the Thai government’s bureau Moreover, all the cows must have had sire identified.
started collecting genotypes of daughter-proven bulls We refer to the edited data as the full data set, which
and phenotyped cows to enlarge the reference popu- contained the test-day records from 1993 to 2017.
lation. The genotypes were expected to give genomic
EBV (GEBV) with higher accuracy than the parental Each test-day record had at most 6 traits, includ-
average of EBV for young bulls. ing milk yield (MY; kg), fat yield (FY; kg), protein
yield (PY; kg), total solid (TS) yield (TY; kg), fat
Single-step genomic BLUP (ssGBLUP) is a genomic percentage (FP; %), protein percentage (PP; %), TS
prediction method that provides GEBV for genotyped percentage (TP; %), and SCC (1,000 cells/mL). As
and nongenotyped animals by combining all available the SCC had a highly skewed distribution, it was log-
phenotypes, genotypes, and pedigree information (Le- transformed to a SCS as log2 (SCC/100) + 3 (Ali and
garra et al., 2009; Misztal et al., 2009). This approach Shook, 1980). Because some traits were not available
has several advantages over “multistep” methods that on a test day, we classified the traits into 3 groups by
are generally implemented in dairy cattle breeding (Le- data-missing pattern as follows: MY, milk component
garra et al., 2014; Mäntysaari et al., 2020; Misztal et al., traits (FY, PY, TY, FP, PP, TP), and SCS. We split
2020). One merit of ssGBLUP is its flexibility, and its the full data into 3 files by trait group. In each data
extension to RR-TDM for longitudinal milk-production set, the pedigree was traced back to 3 generations from
traits is straightforward. Previous studies demonstrated the recorded cows.
that RR-TDM in ssGBLUP (SS-RR-TDM) is feasible
Journal of Dairy Science Vol. 104 No. 12, 2021
132
Buaban et al.: GENOMIC PREDICTION IN THAI DAIRY CATTLE
Table 1. Number of animals and records used in this study
Item Milk yield Milk component trait1 SCS
32,743
Animals in pedigree 51,128 48,834 13,737
Animals with records 24,858 23,201 5,556
Full data set 15,404 13,768 82,378
Reduced data set 170,666 160,526 29,376
Test-day records 97,970 88,000
Full data set 632
Reduced data set 876 868 142
Genotyped animals 152 152 490
Bulls 724 716 41,930
Cows 41,977 41,975
SNP information
1Fat yield, protein yield, TS yield, fat percentage, protein percentage, and TS percentage.
For the use of bull validation, we cut off the test- ity control steps, 876, 868, and 632 genotyped animals
day records in the last 6 yr (2012–2017). We referred with 41,977, 41,975, and 41,930 informative SNPs for
to the truncated file as the reduced data set with the MY, milk component traits, and SCS, respectively, were
test-day records up to 2011. The pedigree was traced 3 available for analysis. Tables 1 and 2 show a summary
generations back from the cows. The number of animals description of the data sets used in this study.
and number of test-day records in truncated data sets
ranged from 40 to 62% and 36 to 57%, respectively Reference bulls (with both genotypes and daughters’
(Table 1). phenotypes; n = 124 for MY) had 13 to 1,098 daugh-
ters with test-day records (mean = 187, SD = 226).
Some animals were genotyped with the Illumina Foreign purebred bulls had a great contribution to gene
BovineSNP50 BeadChip (Illumina Inc.) version 2 (con- flows in the studied population. About 15% of the refer-
taining 54,609 SNPs) and version 3 (containing 53,218 ence bulls were of foreign origin (purebred Holsteins),
SNPs). There were 50,908 common SNPs in both ver- whereas the rest were composed of various crosses be-
sions and 56,919 in total. All genotyped bulls were tween Bos indicus and HF (most with 87.50–93.75%
daughter-proven in the progeny-test program, and all HF). As the relationships within reference bulls and
genotyped cows had phenotypic records. Quality con- between reference and validation bulls were one of the
trol retained SNP with call rates >0.9 for both SNP and important factors influencing the accuracy of genomic
animals’ genotypes, minor allele frequency >0.05, and predictions (Pszczola et al., 2012), we also assessed
departure from the Hardy-Weinberg equilibrium (the pedigree and genomic relationships between genotyped
difference between expected and observed frequency) bulls in reference and validation populations.
<0.15. Parent-progeny pairs were tested for conflicts.
We excluded SNPs with unknown positions or located Statistical Model
on sex chromosomes from the subsequent analyses. The All traits were evaluated using the pedigree-based
PREGSF90 software was used for SNP and sample
quality control (Misztal et al., 2018). After the qual- BLUP (RR-TDM) and ssGBLUP (SS-RR-TDM). The
Table 2. A summary description of test-day milk-production traits and SCS, and their respective variances1 and heritability estimates based
on a 305-d basis
Trait2 Unit Mean SD σa2 σh2tm σp2 σe2 h2305d
305-d MY kg
305-d FY kg 13.89 4.53 353,825.40 169.34 368,823.60 565.34 0.49
305-d PY kg 0.49 0.20 517.05 0.95 671.55 2.97 0.43
305-d TY kg 0.44 0.14 394.36 0.30 332.59 0.93 0.54
Average FP % 1.69 0.55 3.39 11.25 0.52
Average PP % 3.56 0.96 5,675.20 40.11 5,112.85 0.31
Average TP % 3.13 0.39 6,500.22 6.12 1,4427.73 104.46 0.50
Average SCS unit 12.12 1.10 1,238.12 48.40 18.35 0.46
3.69 1.76 13,267.29 1,190.99 135.74 0.32
27,771.10 131.49 15,215.62 411.74
57,691.72
1 σa2, σh2tm, σp2, σe2, and h2305d = additive, herd-test month, permanent environmental, residual variances, and heritabilities based on a 305-d
basis, respectively.
2305-d MY = 305-d milk yield; 305-d FY = 305-d fat yield; 305-d PY = 305-d protein yield; 305-d TY = 305-d TS yield; average FP = average
fat percentage; average PP = average protein percentage; average TP = average TS percentage.
Journal of Dairy Science Vol. 104 No. 12, 2021
133
Buaban et al.: GENOMIC PREDICTION IN THAI DAIRY CATTLE
model was similar to that used in the national genetic ssGBLUP for RR-TDM. The single-step method
evaluation in Thailand (Department of Livestock De- has the same model as RR-TDM except for replacing A
velopment, 2018; Buaban et al., 2020). with H, a unified relationship matrix with the genomic
relationship matrix (G) as shown by Legarra et al.
Pedigree-Based RR-TDM. The matrix represen- (2009). The inverse is represented as follows:
tation of the linear model is denoted as follows:
y = X1b1 + X2b2 + Vh + Za + Wp + e, H−1 = A−1 + 00 G−1 0 ,
where y is the vector of test-day milk records (MY, FY, − ωA−221
PY, TY, FP, PP, TP, and SCS); b1 is the vector of sys-
tematic effects consisting of fixed effects of AI center- where A−221 is the inverse of the subset of pedigree rela-
year-season of calving effect (for MY and component tionship matrix for genotyped animals (Aguilar et al.,
traits), breed-age at calving, and year-season of calving 2010; Christensen and Lund, 2010), and ω is a constant
effect (for SCS); b2 is the vector of fixed regression coef- to avoid convergence problems in iterative solvers and
ficients on Legendre polynomials (LP) nested within the inflation of GEBV. We used ω = 0.50, which showed
breed-age at calving; h is the vector of random herd- minimal inflation in a preliminary analysis. Due to
year-month of testing effect; a and p are the vectors of some degree of pedigree incompleteness, inbreeding was
random regression coefficients on LP nested within the ignored in the A matrix. This could have some effects
additive genetic effect and permanent environmental on the results. In fact, the reference bulls and cows
effect, respectively; and e is the vector of the residu- [with both genotypes and daughters (for bulls), pheno-
als. The matrices X1, X2, V, Z, and W are the cor- types (for cows)] had, on average, 3.4 and 3.1 genera-
responding incidence matrices. The breed groups were tions of complete pedigrees, respectively. The genomic
defined based on the percentage of HF gene as follows: relationship matrix was constructed with VanRaden’s
<87.50%, 87.50 to 93.75%, and >93.75%. The order of first method (VanRaden, 2008). The matrix was blend-
LP, which are covariates of fixed and random effects, ed with the pedigree relationships as 0.95G + 0.05A22.
were calculated based on DIM as defined by Gengler et
al. (1999). We used the LP of order 3 (constant, linear, Variance Components and Breeding Values
quadratic, and cubic) for MY and content traits, and The variance components were estimated based on
order 2 (constant, linear, and quadratic) for SCS. The
same order LP were used for both fixed and random the pedigree RR-TDM for each trait using the full
regression effects. data. We used the estimated variance components
for breeding-value prediction both in RR-TDM and
The residual variable was assumed to be homogeneous SS-RR-TDM. We used the AIREMLF90 program to
throughout lactation to decrease the model complexity. estimate the variance components and the BLUPF90
Random effects were assumed to be normally distrib- program to solve the mixed model equations (Misztal
uted with zero means, and the covariance structure for et al., 2018). The prediction error variance (PEV) of
models was defined as follows: the random regression coefficient was calculated with
the inverse of the left-hand side matrix of the mixed
Var hpae = Iσ000h2tm 0 0 0 , model equations using BLUPF90.
A ⊗ G0 0 0
I ⊗ P0 0 The individual breeding value was indicated as a
0 0 Iσe2 305-d production basis. The 305-d breeding value was
defined as the sum of the breeding values between 5
0 and 305 DIM for yield traits as described by Jamrozik
et al. (1997). For milk component traits and SCS, the
where G0 and P0 are 4 × 4 (for MY and component sum was replaced with the average of breeding values in
traits) or 3 × 3 (for SCS) (co)variance matrices of the a lactation. The heritability (h2) for 305-d production
random regression coefficients for the animal and per- was calculated as
manent environment effects respectively, A is the pedi-
gree relationship matrix, I is the identity matrix, ⊗ is h2 = 301σˆh2tm σˆa2(305) + 301σˆe2 ,
the Kronecker product operator, σh2tm is the variance of + σˆa2(305) + σˆp2(305)
the random herd-year month of testing effects, and σe2
is the residual variance.
Journal of Dairy Science Vol. 104 No. 12, 2021
134
Buaban et al.: GENOMIC PREDICTION IN THAI DAIRY CATTLETable 3. Average (SD) of individual accuracies of EBV and parental average (PA) in the pedigree-based model and genomic EBV (GEBV) with bull genotypes only (GEBVb) and Gain_bc 0.22 0.24 0.22 0.23 0.26 0.240.24 0.28 1MY = milk yield; FY = fat yield; PY = protein yield; TY = TS yield; FP = fat percentage; PP = protein percentage; TP = TS percentage; 305-d = the sum of breeding values
with genotypes for bulls and cows (GEBVbc) in the single-step model for genotyped young bulls in 305-d in a lactation; average = the average of breeding values in a lactation.
where σˆa2(305) and σˆp2(305) were the genetic and perma- GEBVbc 0.73 (0.04)0.72 (0.04)0.73 (0.04)0.73 (0.04)0.69 (0.05)0.72 (0.04)0.72 (0.04) 0.68 (0.05) 2Number of validation animals (young bulls).
nent environmental (co)variances aggregated from 5 to 3Average number of daughters of validation animals.
305 DIM, respectively (Jamrozik and Schaeffer, 1997; 4Predictions based on the full data set.
Jakobsen et al., 2002). The PEV of the 305-d breeding 5Predictions based on the reduced data set where daughters’ test-day records (from 2012–2017) of validation bulls were removed from the full data set. Gain_b = gain in individual
value was calculated as a function of the PEV of ran- accuracy of GEBVb over PA; Gain_bc = gain in individual accuracy of GEBVbc over PA.
dom regression coefficients and the orthogonal covari-
ates of LP (Mrode, 2014).
Validation of GEBV for Young Bulls Reduced5 Gain_b 0.20 0.22 0.20 0.21 0.25 0.22 0.22 0.27
We evaluated the predictive ability and inflation of
GEBVb 0.71 (0.04)0.70 (0.04)0.71 (0.04)0.71 (0.04)0.68 (0.05)0.70 (0.04)0.70 (0.04) 0.67 (0.05)
genetic and genomic predictions for young bulls using
cross-validation with truncated data. The validation PA 0.51 (0.11)0.48 (0.12)0.51 (0.11)0.50 (0.11)0.43 (0.15)0.48 (0.11)0.48 (0.11) 0.40 (0.16)
method had been used by other authors (VanRaden et
al., 2009). The prediction was parental average (PA) GEBVbc 0.93 (0.02)
in RR-TDM and GEBV in SS-RR-TDM. We defined 0.91 (0.02)
validation animals as young bulls in the reduced data 0.93 (0.01)
set but daughter-proven with more than 75% reliability 0.93 (0.01)
of EBV in the full data set. These domestic young bulls 0.90 (0.02)
were crossbred Holsteins with the amount of Holstein 0.91 (0.02)
blood, on average, ranging from 87.50 to 93.75%. These 0.91 (0.02)
validation bulls had no progeny records in the trun- 0.90 (0.02)
cated data. The number of validation bulls was up to
28, as shown in Table 3.
First, we calculated 305-d EBV for the validation
bulls based on RR-TDM using the full data. We ob-
tained the deregressed EBV (dEBV) for each bull us-
ing the following formula (VanRaden et al., 2009):
dEBV = PA + EBV − PA , 0.92 (0.02)
Rd2EBV 0.91 (0.02)
GEBVb 0.93 (0.02)
where Rd2EBV is the reliability of dEBV, excluding the Full4 0.93 (0.02)
contribution from PA (VanRaden et al., 2009). We used 0.89 (0.02)
dEBV as the benchmark in the validation. 0.91 (0.02)
0.91 (0.02)
Then, we calculated 305-d GEBV (and PA) for each 0.90 (0.02)
validation bull in SS-RR-TDM (and RR-TDM) using
the truncated data. We tested the predictions in the EBV 0.91 (0.02)
following 3 criteria: individual accuracy, validation 0.90 (0.02)
accuracy, and a regression coefficient as an inflation 0.92 (0.02)
indicator. The individual accuracy of 305-d GEBV (or 0.92 (0.02)
PA) for animal i (rindividuali) was calculated based on the 0.88 (0.02)
PEV (Misztal and Wiggans, 1988) as follows: 0.89 (0.02)
0.89 (0.02)
0.88 (0.02)
Daughter3 28 4423 45 28 44 28 44 9 59 Average PP 25 46Average TP 27 46Average SCS 13 54
rindividuali = 1 − PEVi . N2
σˆa2(305)
The validation accuracy was the Pearson correlation Trait1 305-d MY305-d FY 305-d PY305-d TYAverage FP
coefficient between dEBV and GEBV (or PA) corrected
with respect to the square root of the average accuracy
Journal of Dairy Science Vol. 104 No. 12, 2021
135
Buaban et al.: GENOMIC PREDICTION IN THAI DAIRY CATTLE
( )of dEBV Rd2EBV , as shown by Su et al. (2012) and predictions were expected given a sufficiently large
number of bulls’ daughters with test-day records.
Li et al. (2014) as follows:
When predictions were carried out using the reduced
rvalidation = corr (dEBV, GEBV, or PA) . data set, on average, GEBVb showed greater accura-
cies compared with PA by 0.22, and additional cow
Rd2EBV genotypes gave 0.02 of extra gain in accuracies (Table
3). The increase in accuracy in genomic predictions
The regression coefficient (b) was calculated using the over PA agreed with previous studies in dairy cattle
following linear regression model: (VanRaden et al., 2009; Ding et al., 2013). In Thai
dairy cattle, we observed greater individual accuracies
dEBV = μ + b(GEbV or PA) + e, of GEBVbc than the previous studies by Jattawa et al.
(2016) and Wongpom et al. (2019), who reported up to
where μ is the intercept, and e is the residual. A re- 0.40 for MY and 0.35 for FY using more cow genotypes
gression coefficient lower (higher) than 1 indicates that (2,572) but fewer genotypes of daughter-proven bulls
GEBV (or PA) is inflated (deflated), respectively (Wig- (89) than this study. The results suggest that the indi-
gans et al., 2011; Su et al., 2012). vidual accuracies are determined mainly by the number
of genotyped proven bulls. A small increase of indi-
We performed the single-step analysis twice for each vidual accuracies due to cow genotypes was reported in
data set with and without cow genotype to compare the dairy cattle with limited genotypes (Gao et al., 2015;
contribution of cows to genomic prediction. Boison et al., 2017).
RESULTS AND DISCUSSION Misztal et al. (2013) showed the factors to define the
Estimates of Variance Components individual accuracy of GEBV for a young, genotyped
animal in ssGBLUP as follows: (1) the accuracy of
Variance components and heritability estimates for pedigree-based PA, and (2) genomic contributions from
milk-production traits and SCS on a 305-d production genotyped animals. In theory, the genomic contribu-
basis for additive, herd-test month, permanent environ- tions can be approximated as a function of the genomic
mental, and residual variances are shown in Table 2. relationships with the other genotyped animals, indi-
It is worth mentioning that there were no issues in es- vidual accuracies of the genotyped animals, and the
timating variance components with random regression heritability of the trait (Misztal et al., 2013). In prac-
models, despite the small data set used in this study. tice, the genomic contribution is affected by the scale
The estimates of heritabilities were moderate to high
with values of 0.49, 0.43, 0.54, 0.52, 0.31, 0.50, 0.46, ( )and level of elements in G and A22 or G−1 and A−221 ,
and 0.32 for 305-d MY, 305-d FY, 305-d PY, 305-d TY,
average FP, average PP, average TP, and average SCS, as shown by Chen et al. (2011). We aligned G and A22
respectively. to have the same scale and level following Chen et al.
(2011) and Vitezica et al. (2011). However, we used a
Individual Accuracy constant of ω = 0.5 to obtain reasonable predictions,
Table 3 shows the average of individual accuracies of and the constant discounted the elements of A−221, or
equivalently, the contribution of G−1 was emphasized
PA, GEBV with bull genotypes only (GEBVb), and in the mixed model equations. Therefore, the individu-
GEBV with both bull and cow genotypes (GEBVbc) al accuracy might be increased compared with the
for 305-d MY, milk component, and SCS traits. For model with ω = 1. In this study, the difference in indi-
comparison purposes, the accuracies of predictions were vidual accuracies between GEBV and PA was most
obtained from the full and truncated data sets. Across likely attributed to the genomic contributions from
the traits analyzed, the average number of daughters genotyped proven bulls with more accurate GEBV and
of validated bulls ranged from 44 to 59. The average closer relationships with the young bulls than geno-
individual accuracies with full data set were high where typed cows with relatively lower accuracies and fewer
those of EBV (0.88–0.92) were slightly lower than that relationships. The individual accuracies of GEBVb and
of genomic predictions (0.89–0.93), depending on their GEBVbc were mostly constant across traits except for
respective heritabilities. These high accuracies across FP and SCS, which had slightly low accuracies due to
relatively lower heritability. The results of the present
study also showed an association between individual
accuracies and heritability of the trait; traits with low
heritability had EBV or GEBV with lower accuracy,
Journal of Dairy Science Vol. 104 No. 12, 2021
136
Buaban et al.: GENOMIC PREDICTION IN THAI DAIRY CATTLE
Table 4. Validation accuracy of parental average (PA) in the pedigree-based model and genomic EBV (GEBV)
with bull genotypes only (GEBVb) and with genotypes for bulls and cows (GEBVbc) in the single-step model
for genotyped young bulls in 305-d milk yield, milk component traits, and SCS
Trait1 N2 RdEBV3 PA GEBVb GEBVbc
305-d MY 28 0.87 0.24 0.31 0.37
305-d FY 23 0.87 0.15 0.18 0.33
305-d PY 28 0.87 0.22 0.28 0.31
305-d TY 28 0.87 0.11 0.18 0.27
Average FP 0.12 0.22
Average PP 9 0.88 0.06 0.39 0.40
Average TP 25 0.84 0.34 0.25 0.25
Average SCS 27 0.85 0.15 0.35 0.39
Mean 13 0.88 0.22 0.26 0.32
22.6 0.87 0.19
1MY = milk yield; FY = fat yield; PY = protein yield; TY = TS yield; FP = fat percentage; PP = protein
percentage; TP = TS percentage; 305-d = the sum of breeding values in a lactation; average = the average of
breeding values in a lactation.
2Number of validation animals (young bulls).
3Accuracy of deregressed EBV.
congruent with Luan et al. (2009) in Norwegian Red ogy with a multiple-lactation random regression test-
Cattle. Our results suggest that a low-heritability trait day model for genomic predictions in Nordic Red Dairy
(e.g., FP and SCS) tends to have more accuracy gain Cattle (Koivula et al., 2015) and Japanese Holstein
by genomic data compared with high-heritability traits cattle (Baba et al., 2017), and with 2-step genomic
(Table 3). prediction in Canadian Holstein (Oliveira et al., 2019).
The previous studies showed greater validation accu-
Validation Accuracy and Inflation racy than our study because they used more genotypes
Table 4 shows the validation accuracies of PA, GE- of daughter-proven bulls, contributing to stable predic-
tions for young animals, as seen in individual accuracy.
BVb, and GEBVbc for young genotyped animals in
305-d MY, milk component traits, and SCS. It should An average relationship within reference genotyped
be noted that the difference in the accuracy in each bulls and between reference and validation bulls were
trait between the 2 methods (i.e., PA and ssGBLUP) relatively low, although the latter was slightly higher
was small to moderate because of the small size of the than the former (Table 5). The average genomic rela-
reference population, as experienced by the other re- tionship was 0.0018 (SD = 0.0482) and 0.0021 (SD =
searchers with limited genotypes (Brown et al., 2016; 0.0506) within reference bulls and between reference
Silva et al., 2016). This study is the first attempt to se- and validation bulls, respectively. The increase in reli-
lect young dairy bulls using a combination of pedigree ability with genomic information depended on animals’
and genomic information in a tropical environment, relationships within and to the reference population
where a progeny-testing program mainly consists of (Pszczola et al., 2012). Thus, the observed level of
small-scale dairy farms, and it is essential to identify increase in accuracy of genomic predictions compared
candidate animals to express high performance in this with PA could be partially attributed to the level of
population. The subsequent discussion is based on the relationship in the studied population. The majority of
average accuracy. additive relationships (95.7%) between validation and
reference bulls was less than 0.05. About 38% (57%) of
The validation accuracy of GEBV was greater than validation-reference bull pairs had pedigree (genomic)
PA on average (0.07), and a slightly greater accuracy relationship coefficients equal to or near zero. Only a
was obtained for GEBVbc (additional 0.06) compared relatively small fraction of animal relationships (0.6%)
with GEBVb. The results suggest that the genomic was as high as 0.50 or above. The maximum additive
predictions account for the Mendelian sampling term relationship values of 0.50 to 0.517 were obtained from
through H−1, which connects genotyped animals 12 reference bulls with 21 validation animals. Therefore,
without phenotypes to ungenotyped animals with apart from the limited number of genotypes, a limited
phenotypes if they are connected through the pedigree improvement of prediction accuracy with genomic in-
(Garcia et al., 2018). Therefore, GEBV in ssGBLUP is formation observed in this study could be partly attrib-
useful to predict the genetic merit of a young animal uted to a low level of relationships between reference
compared with the PA. The findings agreed with those and validation bulls, although there exist high rela-
reported in the studies using the ssGBLUP methodol- tionships among some reference and validation bulls.
Journal of Dairy Science Vol. 104 No. 12, 2021
137
Buaban et al.: GENOMIC PREDICTION IN THAI DAIRY CATTLE
Table 5. Pedigree and genomic relationships within the reference population (124 genotyped bulls) and to
validation population (28 genotyped young bulls)
Method1 Relationship2 Mean Median SD Minimum Maximum
Pedigree Within reference 0.0104 0 0.0394 0 0.508
Genomic To validation 0.0111 0.0010 0.0454 0 0.517
Within reference 0.0018 −0.0036 0.0482 −0.141 0.573
To validation 0.0021 −0.0050 0.0506 −0.080 0.514
1Pedigree = pedigree relationship; genomic = genomic relationship.
2Within reference = relationship within reference population; to validation = relationships between reference
and validation populations.
Notably, a small fraction of genomic relationships was accuracy obtained for MY (0.31 for GEBVb and 0.37 for
slightly negative (Table 5). This may be due to negative GEBVbc) was slightly smaller than those predictions
covariances between animals from our crossbred popu- for crossbred cows with GBLUP or BayesC models us-
lation because the genomic relationship is interpreted ing high-density SNP genotypes and a small crossbred
as standardized correlations. Animals carrying differ- reference population in African dairy cattle (Brown et
ent genotypes (e.g., from different breeds) will show al., 2016). Using the deterministic prediction equation
negative covariances. In addition, the negative genomic given by Daetwyler et al. (2013), genomic prediction
relationships may arise when allele frequencies are es- accuracy could likely be lower in crossbred populations
timated from current genotyped population instead of because of a larger number of independent chromosome
the base population (Lourenco et al., 2016). segments compared with specialized dairy breeds in
developed countries. In Thailand, most dairy cattle are
The average validation accuracy for GEBVbc (0.32) crossbred animals reared in smallholder systems with
was comparable with previous studies using multistep a likely higher effective population size compared with
methods, where validation accuracies were defined as a purebred dairy cattle in developed countries, leading
correlation between genomic predictions and adjusted to increased independent chromosome segments and
phenotypes for genotyped cows. Jenko et al. (2017) consequently decreased accuracy.
obtained 0.38 of the validation accuracy for MY in
Guernsey with 185 bulls and 1,176 cows in a reference The regression coefficients (b) of PA ranged from 0.19
population. Calus et al. (2013) showed up to 0.36 for to 0.54, whereas those of genomic predictions ranged
FY and 0.22 for PY in Holstein using 296 bulls and from 0.32 to 1.02 for GEBVb and from 0.35 to 1.05 for
at most 1,510 cows as reference animals. In multistep GEBVbc, as shown in Table 6. The average coefficient
methods, reliable “pseudophenotypes” (e.g., deregressed across traits was 0.30 for PA, 0.52 for GEBVb, and 0.57
EBV or adjusted phenotypes) in the training popula- for GEBVbc. The regression coefficient in each trait
tion are required to estimate GEBV accurately. In a had a large standard error; therefore, we discuss the
small, genotyped population, the use of cow genotypes inflation with the average regression coefficient.
is challenging because the pseudophenotypes of cows
are much less reliable than those of bulls (Uemoto et The regression coefficients of both GEBV and PA
al., 2017), and the pseudophenotypes should be weight- were lower than the expected value of 1, indicating
ed to account for the different reliability appropriately that the predictions were inflated, and the differences
(Calus et al., 2013). In addition, the pseudophenotypes in estimated genetic merit of young individuals were
of cows could be adjusted to be the same scale as bulls exaggerated compared with their future performances.
to reduce the bias in genomic predictions (Wiggans et The genomic predictions could be less inflated than
al., 2012). The single-step approach can avoid using the PA, and added cow genotypes would provide more
pseudophenotypes, support various genetic-evaluation comparable GEBV with the traditional evaluations.
models flexibly, and give as high or higher accuracy However, the regression coefficients in this study were
in GEBV than the multistep methods (Misztal et al., much smaller than 1, unlike the other studies using
2020). Thus, SS-RR-TDM is a possible method to SS-RR-TDM (Koivula et al., 2015; Baba et al., 2017).
replace the existing national evaluation model for ge- Possible reasons for inflated GEBV include nonran-
nomic prediction in Thailand. dom sampling of genotyped bulls (Mäntysaari et al.,
2010), less data (Legarra and Reverter, 2018), and
This study examined genomic prediction accuracy for “incompatibility” between G and A22 (i.e., the average
young crossbred bulls using reference population with a difference in elements between the matrices; Misztal
mixture of genotypes from purebred foreign sires, cross- et al., 2017). The incompatibility could be caused by
bred domestic sires, and crossbred cows. The prediction incomplete A22 due to missing pedigrees (Misztal et
Journal of Dairy Science Vol. 104 No. 12, 2021
138
Buaban et al.: GENOMIC PREDICTION IN THAI DAIRY CATTLE
Table 6. Regression coefficients (b) of parent average (PA) from the pedigree-based model and genomic EBV
(GEBV) with bull genotypes only (GEBVb) and with genotypes for bulls and cows (GEBVbc) in the single-
step model for genotyped young bulls in 305-d milk yield, milk component traits, and SCS
PA GEBVb GEBVbc
Trait1 N2 b SE b SE b SE
305-d MY 28 0.23 0.21 0.45 0.31 0.47 0.27
305-d FY 23 0.19 0.31 0.33 0.45 0.58 0.42
305-d PY 28 0.18 0.18 0.32 0.26 0.35 0.24
305-d TY 28 0.21 0.21 0.43 0.31 0.45 0.27
Average FP 9 0.19 1.36 0.48 1.36 0.48 1.66
Average PP 25 0.54 0.38 0.67 0.39 0.75 0.43
Average TP 27 0.30 0.38 0.44 0.42 0.39 0.46
Average SCS 13 0.52 0.94 1.02 1.09 1.05 0.95
Mean 0.52 0.57
0.30
1305-d MY = 305-d milk yield; 305-d FY = 305-d fat yield; 305-d PY = 305-d protein yield; 305-d TY = 305-
d TS yield; average FP = average fat percentage; average PP = average protein percentage; average TP =
average TS percentage.
2Number of validation animals (young bulls).
al., 2017). A metafounder model as a generalization implemented in the routine genetic evaluation of the
of unknown-parent groups (Legarra et al., 2015) can Thai dairy cattle population.
compensate for the incompleteness of pedigree relation-
ships regarding various genetic origins. Overall, with ACKNOWLEDGMENTS
the inflation, we could still rank the young genotyped This study was a part of the project “Genomic Evalu-
animals as selection candidates based on GEBV, al- ation for Genetic Improvement of Tropical Holstein
though we can neither predict a future genetic trend Dairy Cattle in Thailand” initially established by the
for bulls accurately nor compare the young candidate Bureau of Animal Biotechnology (BBLP), Department
bulls with daughter-proven sires. With inflated GEBV, of Livestock Development (DLD, Pathum Thani, Thai-
appropriate use of young genomic bulls should be ad- land), and Khon Kean University (KKU, Khon Kaen,
vised to breeders. One option is to use a larger group of Thailand), which was supported by the budget from
young bulls to mitigate risk associated with their lower Agricultural Research Development Agency (ARDA,
reliability of GEBV compared with progeny-proven Bangkok, Thailand). The authors also acknowledge
bulls as suggested by Schefers and Weigel (2012). The BBLP for providing the genotype and test-day data.
inflation would be reduced as more validation animals The authors have not stated any conflicts of interest.
are included in the genomic prediction.
CONCLUSIONS REFERENCES
In ssGBLUP, phenotypic records are combined di-
rectly with genomic information, and thus the resulting Aguilar, I., I. Misztal, D. Johnson, A. Legarra, S. Tsuruta, and T.
GEBV can directly combine both sources of information Lawlor. 2010. Hot topic: A unified approach to utilize phenotypic,
in a test-day random regression model. The method is full pedigree, and genomic information for genetic evaluation of
easy to implement, and it is expected to increase both Holstein final score. J. Dairy Sci. 93:743–752. https://doi.org/10
individual and validation accuracy of prediction for .3168/j ds.2009-2730.
young bulls compared with pedigree-based evaluations.
The cow genotypes can increase accuract; therefore, it Ali, A., and G. Shook. 1980. An optimum transformation for somatic
is useful to use both bull and cow genotypes for rou- cell concentration in milk. J. Dairy Sci. 63:487–490. https:/ / doi
tine genomic evaluation for young bulls in the Thai .org/10. 3168/j ds. S0022- 0302(80)82959- 6.
dairy population where the number of progeny-tested
bulls is small. The number of genotyped cows should Baba, T., Y. Gotoh, S. Yamaguchi, S. Nakagawa, H. Abe, Y. Ma-
be increased to ensure greater accuracies of GEBV for suda, and T. Kawahara. 2017. Application of single-step genomic
selection candidates; therefor, it is worth considering best linear unbiased prediction with a multiple-lactation random
genotypes of both sires and cows in Thai dairy cattle regression test-day model for Japanese Holsteins. Anim. Sci. J.
genetic evaluation. A genomic selection method based 88:1226–1231. https:/ /doi. org/1 0. 1111/a sj. 12760.
on single-step models for longitudinal traits can be
Boison, S. A., A. Utsunomiya, D. Santos, H. Neves, R. Carvalheiro, G.
Mészáros, Y. Utsunomiya, A. do Carmo, R. Verneque, M. Mach-
ado, J. Panetto, J. Garcia, J. Sölkner, and M. da Silva. 2017. Ac-
curacy of genomic predictions in Gyr (Bos indicus) dairy cattle. J.
Dairy Sci. 100:5479–5490. https:/ / d oi. org/1 0. 3168/jds. 2016-11811.
Brown, A., J. Ojango, J. Gibson, M. Coffey, M. Okeyo, and R. Mrode.
2016. Genomic selection in a crossbred cattle population using
data from the Dairy Genetics East Africa Project. J. Dairy Sci.
99:7308–7312. https:// doi. org/1 0.3168/j ds. 2016- 11083.
Journal of Dairy Science Vol. 104 No. 12, 2021
139
Buaban et al.: GENOMIC PREDICTION IN THAI DAIRY CATTLE
Buaban, S., M. Duangjinda, M. Suzuki, Y. Masuda, J. Sanpote, and J. Dairy Sci. 80:1217–1226. https:// d oi.org/1 0.3168/jds. S0022
K. Kuchida. 2015. Genetic analysis for fertility traits of heifers and -0302(97)76050- 8.
cows from smallholder dairy farms in a tropical environment. J. Jattawa, D., M. A. Elzo, S. Koonawootrittriron, and T. Suwanasopee.
Dairy Sci. 98:4990–4998. https:// d oi. org/1 0. 3168/j ds.2014-8866. 2016. Genomic-polygenic and polygenic evaluations for milk yield
and fat percentage using random regression models with Legendre
Buaban, S., S. Puangdee, M. Duangjinda, and W. Boonkum. 2020. polynomials in a Thai multibreed dairy population. Livest. Sci.
Estimation of genetic parameters and trends for production traits 188:133–141. https:/ / doi. org/1 0.1016/j . livsci.2016.04. 019.
of dairy cattle in Thailand using a multiple-trait multiple-lacta- Jenko, J., G. Wiggans, T. Cooper, S. Eaglen, W. G. L. Luff, M. Bich-
tion test day model. Asian-Australas. J. Anim. Sci. 33:1387–1399. ard, R. Pong-Wong, and J. A. Woolliams. 2017. Cow genotyping
https://doi. org/10. 5713/a jas.19.0141. strategies for genomic selection in a small dairy cattle popula-
tion. J. Dairy Sci. 100:439–452. https:// d oi. org/1 0. 3168/jds. 2016
Buch, L. H., M. Kargo, P. Berg, J. Lassen, and A. C. Sørensen. 2012. -11479.
The value of cows in reference populations for genomic selection of Kang, H., C. Ning, L. Zhou, S. Zhang, Q. Yan, and J.-F. Liu. 2018.
new functional traits. Animal 6:880–886. https:// doi. org/1 0.1017/ Single-step genomic evaluation of milk production traits using
S1751731111002205. multiple-trait random regression model in Chinese Holsteins. J.
Dairy Sci. 101:11143–11149. https://d oi. org/10. 3168/jds.2018
Calus, M. P., Y. De Haas, and R. Veerkamp. 2013. Combining cow and -15090.
bull reference populations to increase accuracy of genomic predic- Koivula, M., I. Strandén, J. Pösö, G. Aamand, and E. Mäntysaari.
tion and genome-wide association studies. J. Dairy Sci. 96:6703– 2015. Single-step genomic evaluation using multitrait random
6715. https:/ / d oi.org/10.3168/jds.2012- 6013. regression model and test-day data. J. Dairy Sci. 98:2775–2784.
https:// d oi.org/1 0. 3168/j ds. 2014- 8975.
Chen, C. Y., I. Misztal, I. Aguilar, A. Legarra, and B. Muir. 2011. Legarra, A., I. Aguilar, and I. Misztal. 2009. A relationship matrix
Effect of different genomic relationship matrix on accuracy and including full pedigree and genomic information. J. Dairy Sci.
scale. J. Anim. Sci. 89:2673–2679. https:/ /doi. org/1 0.2527/j as 92:4656–4663. https://d oi. org/10. 3168/jds. 2009-2061.
.2010-3555. Legarra, A., O. F. Christensen, I. Aguilar, and I. Misztal. 2014. Single
step, a general approach for genomic selection. Livest. Sci. 166:54–
Christensen, O. F., and M. S. Lund. 2010. Genomic prediction when 65. https:// d oi. org/10.1016/j.livsci. 2014. 04. 029.
some animals are not genotyped. Genet. Sel. Evol. 42:2. https:/ / Legarra, A., O. F. Christensen, Z. G. Vitezica, I. Aguilar, and I. Misz-
doi.org/10.1186/1 297-9686-42- 2. tal. 2015. Ancestral relationships using metafounders: Finite an-
cestral populations and across population relationships. Genetics
Daetwyler, H. D., M. P. L. Calus, R. Pong-Wong, G. de Los Campos, 200:455–468. https:// d oi. org/1 0.1534/g enetics. 115. 177014.
and J. M. Hickey. 2013. Genomic prediction in animals and plants: Legarra, A., and A. Reverter. 2018. Semi-parametric estimates of pop-
Simulation of data, validation, reporting, and benchmarking. Ge- ulation accuracy and bias of predictions of breeding values and
netics 193:347–365. https:// doi. org/1 0. 1534/g enetics.112.147983. future phenotypes using the LR method. Genet. Sel. Evol. 50:53.
https://d oi.org/1 0.1186/s 12711- 018- 0426- 6.
Department of Livestock Development. 2018. Sire summary 2018. Li, X., S. Wang, J. Huang, L. Li, Q. Zhang, and X. Ding. 2014. Im-
Bangkok. Accessed Feb. 1, 2020. https:/ /b iotech.dld.go.th/ proving the accuracy of genomic prediction in Chinese Holstein
webnew/images/S ire_Summary/2 561/Sire_ Summary2561.pdf. (In cattle by using one-step blending. Genet. Sel. Evol. 46:66. https:/
Thai). /d oi.org/1 0. 1186/s12711-014-0066-4.
Lourenco, D. A., S. Tsuruta, B. O. Fragomeni, C. Y. Chen, W. O.
Ding, X., Z. Zhang, X. Li, S. Wang, X. Wu, D. Sun, Y. Yu, J. Liu, Herring, and I. Misztal. 2016. Crossbreed evaluations in single-
Y. Wang, Y. Zhang, S. Zhang, Y. Zhang, and Q. Zhang. 2013. step genomic best linear unbiased predictor using adjusted realized
Accuracy of genomic prediction for milk production traits in the relationship matrices. J. Anim. Sci. 94:909–919. https:/ / doi. org/10
Chinese Holstein population using a reference population consist- .2527/j as.2015- 9748.
ing of cows. J. Dairy Sci. 96:5315–5323. https:// doi.org/10. 3168/ Luan, T., J. A. Woolliams, S. Lien, M. Kent, M. Svendsen, and T. H.
jds. 2012-6194. Meuwissen. 2009. The accuracy of genomic selection in Norwegian
Red cattle assessed by cross-validation. Genetics 183:1119–1126.
Doublet, A.-C., P. Croiseau, S. Fritz, A. Michenet, C. Hozé, C. https:/ /d oi. org/1 0. 1534/genetics.109. 107391.
Danchin-Burge, D. Laloë, and G. Restoux. 2019. The impact of Mäntysaari, E. A., M. Koivula, and I. Strandén. 2020. Symposium re-
genomic selection on genetic diversity and genetic gain in three view: Single-step genomic evaluations in dairy cattle. J. Dairy Sci.
French dairy cattle breeds. Genet. Sel. Evol. 51:52. https:// d oi 103:5314–5326. https:/ /doi.org/1 0. 3168/jds. 2019- 17754.
.org/10.1186/s12711- 019-0495-1. Mäntysaari, E., Z. Liu, and P. VanRaden. 2010. Interbull validation
test for genomic evaluations. Interbull Bull. 41:17–22.
Gao, H., P. Madsen, U. Nielsen, G. Aamand, G. Su, K. Byskov, and Meuwissen, T., B. Hayes, and M. Goddard. 2016. Genomic selection:
J. Jensen. 2015. Including different groups of genotyped females A paradigm shift in animal breeding. Anim. Front. 6:6–14. https:/
for genomic prediction in a Nordic jersey population. J. Dairy Sci. /d oi.org/1 0. 2527/a f.2016- 0002.
98:9051–9059. https:// d oi.org/10. 3168/jds.2015- 9947. Misztal, I., H. L. Bradford, D. A. L. Lourenco, S. Tsuruta, Y. Masuda,
A. Legarra, and T. J. Lawlor. 2017. Studies on inflation of GEBV
Garcia, A. L., B. Bosworth, G. Waldbieser, I. Misztal, S. Tsuruta, in single-step GBLUP for type. Interbull Bull. 51:38–42.
and D. A. Lourenco. 2018. Development of genomic predictions Misztal, I., A. Legarra, and I. Aguilar. 2009. Computing procedures
for harvest and carcass weight in channel catfish. Genet. Sel. Evol. for genetic evaluation including phenotypic, full pedigree, and ge-
50:66. https://doi.org/10. 1186/s12711- 018- 0435-5. nomic information. J. Dairy Sci. 92:4648–4655. https:/ / d oi.org/10
.3168/j ds. 2009- 2064.
García-Ruiz, A., J. B. Cole, P. M. VanRaden, G. R. Wiggans, F. J. Misztal, I., D. Lourenco, and A. Legarra. 2020. Current status of ge-
Ruiz-López, and C. P. Van Tassell. 2016. Changes in genetic se- nomic evaluation. J. Anim. Sci. 98:skaa101. https://doi.org/10
lection differentials and generation intervals in us Holstein dairy .1093/jas/s kaa101.
cattle as a result of genomic selection. Proc. Natl. Acad. Sci. USA Misztal, I., S. Tsuruta, I. Aguilar, A. Legarra, P. VanRaden, and T.
113:E3995–E4004. https:// doi. org/1 0. 1073/pnas.1519061113. Lawlor. 2013. Methods to approximate reliabilities in single-step
genomic evaluation. J. Dairy Sci. 96:647–654. https:/ /d oi.org/1 0
Gengler, N., A. Tijani, G. R. Wiggans, C. P. Van Tassell, and J. C. .3168/jds.2012- 5656.
Philpot. 1999. Estimation of (co)variances of test day yields for
first lactation Holsteins in the United States. J. Dairy Sci. 82:225.
e1.
Jakobsen, J. H., P. Madsen, J. Jensen, J. Pedersen, L. Christensen,
and D. Sorensen. 2002. Genetic parameters for milk production
and persistency for Danish Holsteins estimated in random regres-
sion models using REML. J. Dairy Sci. 85:1607–1616. https://d oi
.org/10. 3168/j ds. S0022-0302(02)74231-8.
Jamrozik, J., and L. Schaeffer. 1997. Estimates of genetic parameters
for a test day model with random regressions for yield traits of
first lactation Holsteins. J. Dairy Sci. 80:762–770. https:/ /doi. org/
10.3168/j ds. S0022- 0302(97)75996-4.
Jamrozik, J., L. Schaeffer, and J. Dekkers. 1997. Genetic evaluation
of dairy cattle using test day yields and random regression model.
Journal of Dairy Science Vol. 104 No. 12, 2021
140
Buaban et al.: GENOMIC PREDICTION IN THAI DAIRY CATTLE
Misztal, I., S. Tsuruta, D. Lourenco, Y. Masuda, I. Aguilar, A. Le- Uemoto, Y., T. Osawa, and J. Saburi. 2017. Effect of genotyped
garra, and Z. Vitezica. 2018. Manual for BLUPF90 family of pro- cows in the reference population on the genomic evaluation of
grams. University of Georgia. Holstein cattle. Animal 11:382–393. https://doi. org/10. 1017/
S1751731116001762.
Misztal, I., and G. Wiggans. 1988. Approximation of prediction er-
ror variance in large-scale animal models. J. Dairy Sci. 71:27–32. VanRaden, P. M. 2020. Symposium review: How to implement ge-
https://d oi. org/10.1016/S 0022-0302(88)79976-2. nomic selection. J. Dairy Sci. 103:P5291–5301. https:// d oi.org/10
.3168/j ds. 2019- 17684.
Mrode, R. 2014. Linear Models for the Prediction of Animal Breeding
Values. 3rd ed. CAB International. VanRaden, P. M., C. Van Tassell, G. Wiggans, T. Sonstegard, R. Sch-
nabel, J. Taylor, and F. Schenkel. 2009. Invited review: Reliability
Mrode, R., J. M. Ojango, A. Okeyo, and J. M. Mwacharo. 2019. Ge- of genomic predictions for North American Holstein bulls. J. Dairy
nomic selection and use of molecular tools in breeding programs Sci. 92:16–24. https:// doi. org/1 0.3168/jds. 2008- 1514.
for indigenous and crossbred cattle in developing countries: Cur-
rent status and future prospects. Front. Genet. 9:694. https:// d oi VanRaden, P. M. 2008. Efficient methods to compute genomic pre-
.org/1 0.3389/fgene.2018.00694. dictions. J. Dairy Sci. 91:4414–4423. https:/ / d oi.org/1 0. 3168/j ds
.2007- 0980.
Oliveira, H. R., L. Brito, F. Silva, D. Lourenco, J. Jamrozik, and F.
Schenkel. 2019. Genomic prediction of lactation curves for milk, Vitezica, Z. G., I. Aguilar, I. Misztal, and A. Legarra. 2011. Bias
fat, protein, and somatic cell score in Holstein cattle. J. Dairy Sci. in genomic predictions for populations under selection.
102:452–463. https:/ / d oi. org/1 0.3168/jds. 2018- 15159. Genet. Res. (Camb.) 93:357–366. https:/ / d oi. org/10. 1017/
S001667231100022X.
Pszczola, M., T. Strabel, H. A. Mulder, and M. P. L. Calus. 2012.
Reliability of direct genomic values for animals with different re- Wiggans, G. R., P. VanRaden, and T. Cooper. 2011. The genomic
lationships within and to the reference population. J. Dairy Sci. evaluation system in the United States: Past, present, future. J.
95:389–400. https://doi.org/10.3168/jds.2011-4338. Dairy Sci. 94:3202–3211. https:/ /doi.org/1 0. 3168/j ds.2010- 3866.
Schefers, J. M., and K. A. Weigel. 2012. Genomic selection in dairy Wiggans, G. R., P. VanRaden, and T. Cooper. 2012. Adjustment of
cattle: Integration of DNA testing into breeding programs. Anim. all cow evaluations for yield traits to be comparable with bull
Front. 2:4–9. https:/ /d oi. org/10.2527/af. 2011-0032. evaluations. J. Dairy Sci. 95:3444–3447. https:/ / d oi.org/1 0.3168/
jds. 2011- 5000.
Silva, R. M., B. Fragomeni, D. Lourenco, A. Magalhães, N. Irano, R.
Carvalheiro, R. Canesin, M. Mercadante, A. Boligon, F. Baldi, I. Wongpom, B., S. Koonawootrittriron, M. A. Elzo, T. Suwanasopee,
Misztal, and L. G. Albuquerque. 2016. Accuracies of genomic pre- and D. Jattawa. 2019. Accuracy of genomic-polygenic estimated
diction of feed efficiency traits using different prediction and vali- breeding value for milk yield and fat yield in the Thai multibreed
dation methods in an experimental Nellore cattle population. J. dairy population with five single nucleotide polymorphism sets.
Anim. Sci. 94:3613–3623. https:/ / doi. org/10.2527/j as. 2016-0401. Asian-Australas J Anim Sci. 32:1340–1348. https:// d oi.org/10
.5713/a jas. 18.0816.
Su, G., P. Madsen, U. S. Nielsen, E. A. Mäntysaari, G. P. Aamand,
O. F. Christensen, and M. S. Lund. 2012. Genomic prediction for ORCIDS
Nordic red cattle using one-step and selection index blending. J.
Dairy Sci. 95:909–917. https://d oi.org/10.3168/jds.2011-4804. S. Buaban https://orcid. org/0000- 0002-2239-2151
S. Prempree https:/ /o rcid.org/0000- 0002- 8768-8658
Thomasen, J. R., C. Egger-Danner, A. Willam, B. Guldbrandtsen, M. M. Duangjinda https://o rcid.org/0000-0001- 7044- 8271
S. Lund, and A. C. Sørensen. 2014a. Genomic selection strategies Y. Masuda https://o rcid. org/0000-0002- 3428-6284
in a small dairy cattle population evaluated for genetic gain and
profit. J. Dairy Sci. 97:458–470. https:/ /doi. org/1 0. 3168/jds. 2013
-6599.
Thomasen, J. R., A. C. Sørensen, M. S. Lund, and B. Guldbrandtsen.
2014b. Adding cows to the reference population makes a small
dairy population competitive. J. Dairy Sci. 97:5822–5832. https:/ /
doi. org/1 0. 3168/j ds. 2014- 7906.
Journal of Dairy Science Vol. 104 No. 12, 2021
141
ผลของการใช้ใบมนั สาปะหลงั หมกั ในสตู รอาหารผสมครบสว่ นตอ่ สมรรถนะการผลติ ของโครดี นม
ธนวงศ์ วงศเ์ นียม1/ จริ ายุส เขม็ สวัสด์ิ2/ อศั วนิ สายเชื้อ1/
บทคดั ย่อ
การศึกษาครั้งน้ีเป็นการศึกษาผลของการใช้ใบมันสาปะหลังหมักในสูตรอาหารผสมครบส่วน (TMR) ที่มีผลต่อ
ประสิทธิภาพการผลิตน้านม และผลตอบแทนทางเศรษฐกิจภายในฟาร์มโคนมของเกษตรกรในพื้นท่ีอาเภอวังม่วง จังหวัด
สระบุรี โดยวางแผนการทดลองแบบ Randomized complete block design (RCBD) ใช้แม่โครีดนมพันธ์ุลูกผสม
โฮลสไตน์ฟรเี ชย่ี น ท่มี ีระดับสายเลอื ดไม่ต่ากวา่ 75 เปอร์เซ็นต์ อายุเฉลี่ย 4.2 ปี จานวน 15 ตัว น้าหนักตัวเฉล่ีย 505.87 ±
17.91 กิโลกรมั และจานวนวนั การให้นา้ นมเฉล่ยี 151.60 ± 15.16 วัน อยู่ในระยะกลาง (Mid-Lactation) แบ่งโคออกเป็น
3 กลุ่มๆ ละ 5 ตัว ตามรูปแบบการให้อาหาร กลุ่มที่ 1 ได้รับอาหารแบบแยกส่วน ซ่ึงประกอบด้วย ข้าวโพดพร้อมฝักหมัก
ฟางข้าว กากเบียร์สด ร่วมกับการเสริมด้วยอาหารข้น กลุ่มท่ี 2 ได้รับอาหารผสมครบส่วนท่ีมีใบมันสาปะหลังหมักเป็น
ส่วนประกอบ โดยให้กินเต็มท่ี และกลุ่มที่ 3 ได้รับอาหารผสมครบส่วนที่มีใบมันสาปะหลังและหัวหมักเป็นส่วนประกอบ
โดยให้กินเต็มท่ี ท้ังนี้อาหารที่ใช้ในการทดลองทั้ง 3 กลุ่มต้องมีโปรตีนไม่น้อยกว่า 14% และ โภชนะที่ย่อยได้รวมไม่น้อย
กว่า 68% จากนน้ั ทาการปรับสตั วท์ ดลองเปน็ ระยะเวลา 14 วนั และทาการทดลองและเกบ็ ข้อมูลเป็นระยะเวลา 90 วัน
โดยดาเนินการทดลองระหว่างเดอื นกมุ ภาพนั ธ์ 2562 ถึงเดือนพฤษภาคม 2562
จากผลการทดลอง พบว่า โคกลุ่มท่ี 2 และ 3 มีปริมาณการกินได้ของอาหารคิดเป็นวัตถุแห้ง (DM) โปรตีน (CP)
และโภชนะที่ย่อยได้รวม (TDN) สูงกว่ากลุ่มท่ี 1 อย่างมีนัยสาคัญทางสถิติ (P<0.05) เม่ือพิจารณาปริมาณผลผลิต
นา้ นมดบิ (MY) และปริมาณของแข็งรวมในน้านม (TS) พบว่า โคกลุ่มท่ี 2 (MY = 14.85 กิโลกรัม/ตัว/วัน ; TS = 12.37%)
และโคกลมุ่ ท่ี 3 (MY = 15.01 กิโลกรัม/ตวั /วัน ; TS = 12.52%) ใหผ้ ลผลิตและปริมาณของแข็งรวมในน้านมสูงกว่าโคกลุ่ม
ท่ี 1 (MY = 14.11กิโลกรัม/ตวั /วนั ; TS = 11.94%) อย่างมีนัยสาคัญทางสถิติ (P<0.05) นอกจากน้ีการใช้ใบมันสาปะหลัง
หมักเป็นส่วนประกอบในอาหารของโคกลุ่มท่ี 2 และการใช้ใบมันสาปะหลังและหัวหมักในโคกลุ่มท่ี 3 มีผลให้เกิดการ
สะสมปริมาณสารไธโอไซยาเนตในน้านมเพิ่มขึ้นอย่างไม่มีนัยสาคัญทางสถิติ (P = 0.07) เมื่อเปรียบเทียบกับโคในกลุ่มที่ 1
แต่ส่งผลต่อการลดลงของจานวนโซมาติกเซลล์ในน้านม (SCC) ของโคกลุ่มท่ี 2 (190,400 เซลล์/มิลลิลิตร) และโคกลุ่มที่ 3
(148,000 เซลล์/มิลลลิ ติ ร) เมอ่ื เปรยี บเทียบกับโคกลุ่ม ท่ี 1 (577,000 เซลล์/มิลลิลิตร) อย่างมีนัยสาคัญทางสถิติ (P<0.05)
ในการศึกษาผลตอบแทนทางเศรษฐกิจ พบว่า ต้นทุนค่าอาหารต่อการให้ผลผลิตน้านม โคกลุ่มท่ี 1, 2 และ 3 มีต้นทุน
คา่ อาหารต่อนา้ นม 1 กโิ ลกรัมไมแ่ ตกต่างกันทางสถิติ (P>0.05) มีค่าเฉลี่ยเท่ากับ 8.87, 8.69 และ 8.55 บาท/กิโลกรัม
ตามลาดับ อย่างไรกต็ ามเม่ือพิจารณาผลตอบแทนหลังหักต้นทุนค่าอาหาร พบว่าโคกลุ่มท่ี 2 และ 3 ให้ผลตอบแทนสูงกว่า
โคกลุ่มที่ 1 อย่างมีนัยสาคัญทางสถิติ (P<0.05) เฉลี่ย 145.66, 149.40 และ 116.05 บาท/ตัว/วัน ตามลาดับ จากผลของ
การศึกษาครั้งน้ีจึงสรุปได้ว่า การใช้ใบมันสาปะหลังหมัก เพื่อเป็นวัตถุดิบในอาหารผสมครบส่วนสาหรับโครีดนมในระยะ
กลางสามารถเพ่ิมประสิทธิภาพการผลิตน้านม และสามารถช่วยลดปริมาณโซมาติกเซลล์ในน้านม ส่งผลให้เกษตรกรมี
ผลตอบแทนทางเศรษฐกิจภายในฟาร์มเพ่มิ ขน้ึ
คาสาคัญ : ใบมันสาปะหลงั หมกั อาหารผสมครบส่วน โครีดนม
เลขทะเบียนวิชาการ : 62(2)-0214-081
1/ ศูนย์วจิ ัยและพัฒนาอาหารสตั ว์จงั หวัดนครราชสีมา ตาบลปากชอ่ ง อาเภอปากช่อง จังหวดั นครราชสีมา
รหัสไปรษณยี ์ 30130
2/ สานักพัฒนาอาหารสตั ว์ กรมปศสุ ัตว์ ตาบลบางกะดี อาเภอเมอื ง จังหวดั ปทุมธานี รหัสไปรษณีย์ 12000
142
Effect of using cassava leaf silage in total mixed ration on milking
performance of milking cows
Thanawong Wongniam1/ Jirayut Khemsawat2/ Autsawin Saichuer1/
Abstract
This study determined the effect of using cassava leaf silage in formula of total mix ration
(TMR) on performance and economic returns of dairy farm in Wang Muang District, Saraburi
Province. Plan a trial Randomized complete block design (RCBD) By using the Holstein
Friesian hybrid cow milking cows Bloodline not less than 75 percent age 4.2 years 15 milking
cows, average milk quantity 15 kg./cow/day In the lactation period 2-4 and the number of
mid-lactation days 151.60 ± 15.16 days average body weight 505.87 ± 17.91 kg. There were
divided into three treatments, treatment 1 (T1) was treated with separated feeding, consisting of
corn silage, rice straw ,brewer’s grain and concentrate , treatment 2 (T2) was treated with TMR
feeding, which has component of cassava leaves silage ad libitum, treatment 3 (T3) was treated
with TMR feeding, which has component of cassava leaves and root silage ad libitum. Feeds
used in all three groups must contain at least 14% protein and not less than 68% of total
digestible nutrients (TDN). Then conducting all cows to adjust period for 14 days and
collected data for 90 days (February 2019 - May 2019)
The result revealed that the total dry matter (DM), crude protein (CP) and total digestible
nutrients (TDN) intake of the cows fed by TMR feeding, in T3 and T2 were significantly higher
(P<0.05) than cows in T1. Milk yield (MY) and total solid in milk (TS) of cows in T3 (MY = 15.01
kg./cow/day; TS = 12.52 %) and T2 (MY = 14.85 kg./cow/day;TS = 12.37 %) were significantly
higher (P<0.05) than cows in T1 (MY = 14.11 kg./cow/day; TS = 11.94 %). In addition, the using of
cassava leaves silage or cassava leaves and root silage in feed for dairy cows possibly increase
the amount of thiocyanate in milk compared to dairy cows in T1 (P = 0.07), which affected to the
significantly decreasing (P < 0.05) in number of somatic cells count (SCC) in T3 (148,000 cells/ml)
and T2 (190,400 cells/ml) groups compared to dairy cows in T1 (577,000 cells/ml). All treatments
were showed
non-significantly different (P>0.05) in overall daily feed cost. However, the income over feed cost
(IOFC) in T2 (145.66 baht/cow/day) and T3 (149.40 baht/cow/day) were higher
(P<0.05) than dairy cows in T1. These results showed the possibility of using the cassava leaves
silage as a component in TMR feed for dairy cows to increase the productivity, performance of
milk production and profitability of mid-lactation cows.
Keywords: cassava leaf silage, total mixed ration, milking cows
Registered No.: 62(2)-0214-081
1/ Nakhon Ratchasima Animal Nutrition research and development center, Pak Chong Subdistrict,
Pak Chong District, Nakhon Ratchasima Province. Zip code 30130
2/ Bureau of animal nutrition research, Department of Livestock, Bang Kadi Subdistrict, Mueang
District, Pathum Thani Province. Zip code 12000
143
คานา
ปัจจุบันการเลี้ยงโคนมของเกษตรกรมักประสบป8ัญ0หาคุณภาพน้านมดิบไม่ผ่านเกณฑ์มาตรฐาน ทั้งในด้าน
องค์ประกอบน้านมและปริมาณเซลล์โซมาติก เนื่องจากแม่โคมีการอักเสบของเน้ือเย่ือเต้านมทาให้เกษตรกรไม่
สามารถส่งจาหน่ายในโครงการอาหารเสริม (นม) โรงเรียนได้ เพราะมีคุณภาพต่ากว่าเกณฑ์มาตรฐานที่
คณะกรรมการอาหารนมเพื่อเด็กและเยาวชนได้ประกาศหลักเกณฑ์และวิธีการดาเนินงานโครงการอาหารเสริม
(นม) โรงเรียน ประจาปกี ารศกึ ษา 2562 ได้กาหนดมาตรฐานค่าของแข็งในน้านมดิบ (TS) ต้องไม่ต่ากว่า 12.25 %
จานวนโซมาติกเซลล์ (SCC) ในน้านมดิบต้องไม่เกิน 500,000 เซลล์/มิลลิลิตร ซึ่งส่งผลโดยตรงต่อราคาจาหน่าย
น้านมดิบของเกษตรกร เกษตรกรจงึ จาเปน็ ตอ้ งพฒั นาการเลี้ยงโคนมของตนเองให้มีประสิทธิภาพมากย่ิงข้ึนเพ่ือให้
การผลติ น้านมดิบเป็นไปตามมาตรฐาน รวมท้งั หาแนวทางในการเพ่ิมรายได้จากการจาหน่ายน้านมดิบ และการลด
ต้นทุนโดยเฉพาะต้นทุนด้านอาหารจากการใช้วัตถุดิบที่มีในท้องถิ่นมาปรับใช้ในระบบการเลี้ยงโคนมของตนให้ได้
อยา่ งเหมาะสม
มันสาปะหลัง (cassava) เป็นพืชเศรษฐกิจท่ีสาคัญชนิดหนึ่งของประเทศไทย นิยมปลูกกันท่ัวทุกภาคของ
ประเทศไทย โดยภาคที่มีการปลูกมากที่สุด คือ ภาคตะวันออกเฉียงเหนือ (ร้อยละ 53.90) รองลงมา คือ ภาค
กลาง (รอ้ ยละ 23.84) และภาคเหนือ (ร้อยละ 22.26) คิดเป็นเนื้อท่ีเพาะปลูกทั้งสิ้นประมาณ 8.9 ล้านไร่ ผลผลิต
รวมกว่า 30.50 ล้านตัน (สานักงานเศรษฐกิจการเกษตร, 2560) ผลผลิตหัวมันสาปะหลังสดส่วนใหญ่ถูกนาไปใช้
ในอุตสาหกรรมการผลิตแป้งสาหรับอาหารมนุษย์ นอกจากน้ันนาไปผลิตเป็นมันเส้นหรือมันอัดเม็ดสาหรับใช้เป็น
อาหารสัตว์ ในระบบการผลิตหัวมันสาปะหลังของเกษตรกร จะมีวัสดุเศษเหลือท่ีไม่ได้ใช้ประโยชน์ คือ ใบและลา
ต้นของมันสาปะหลัง ซึ่งเกษตรกรสามารถนามาใช้ประโยชน์ในเชิงของอาหารสัตว์โดยเฉพาะอย่างยิ่งสาหรับโคนม
(สุรีย์วรรณ และคณะ, 2551 และ อภินันท์, 2560) นอกจากนี้ยังมีโครงการปลูกพืชหลังนาของกระทรวงเกษตร
และสหกรณ์ท่ีมีนโยบายลดพื้นที่การปลูกข้าวนาปรังปี 2561/2562 โดยสนับสนุนให้เกษตรกรปรับเปลี่ยนพ้ืนท่ี
การปลูกข้าวเป็นการปลูกพืชชนิดอื่นท่ีสามารถให้ผลผลิตในระยะเวลาส้ัน เป็นที่ต้องการของตลาด สอดคล้องกับ
แนวทางการใช้ประโยชน์จากมันสาปะหลังท่ีอายุ 4-5 เดือน โดยนาใบ ลาต้น และหัวมันสาปะหลังมาใช้ในการ
เล้ียงสัตว์โดยเฉพาะสัตว์เคี้ยวเอื้อง ใบมันสาปะหลังเป็นแหล่งโปรตีนคุณภาพดีที่สามารถเป็นอาหารของโค
เน่ืองจากมีคุณสมบัติเป็นโปรตีนไหลผ่าน (By-pass protein) แต่ใบและยอดมันสาปะหลังสดมีระดับการสะสม
ของสารไซยาไนด์ตั้งแต่ 200 - 800 มก./กิโลกรัม ซ่ึงเป็นสารพิษร้ายแรงต่อสัตว์เล้ียง จึงต้องนาไปผ่าน
กระบวนการแปรรูปก่อนนามาใช้เป็นวัตถุดิบอาหารสัตว์ เช่น การตากแห้ง (Dry out) การอัดเม็ด (Pelletize)
หรือการหมัก (Fermentation) เพื่อลดปริมาณการสะสมสารไซยาไนด์ให้อยู่ในระดับท่ีไม่เป็นอันตรายต่อสัตว์
(Ravindran, 1991) กรรมวิธีการลดปริมาณสารไซยาไนด์ที่สะสมในใบและลาต้นมันสาปะหลังสด ท่ีได้รับความ
นยิ มจากเกษตรกรในปัจจุบนั คือ การหมักในภาชนะหรือถุงพลาสติกภายใต้สภาพไร้อากาศเพ่ือกระตุ้นการทางาน
ของจุลินทรีย์ที่ไม่ใช้ออกซิเจนให้ทางานโดยเปล่ียนน้าตาลเป็นกรดแลคติก กรดอะซิติก เอทานอล และ
คาร์บอนไดออกไซด์ พร้อมท้ังลดปริมาณสารพิษลงจนไม่เป็นอันตรายต่อสัตว์ (สุกัญญา และวราพันธุ์, 2552)
ดังนั้น การศึกษาครั้งน้ีจึงมีวัตถุประสงค์เพื่อศึกษาผลของการใช้ใบสาปะหลังหมัก และใบมันสาปะหลังรวมหัว
หมักมาเป็นวัตถุดิบในอาหารผสมครบส่วน (TMR) ต่อประสิทธิภาพการใช้อาหาร ปริมาณการกินได้ ผลผลิตและ
คณุ ภาพของนา้ นมดบิ ตลอดจนตน้ ทนุ และผลตอบแทนของโครีดนมในฟาร์มของเกษตรกร เพ่ือเป็นต้นแบบในการ
พัฒนารูปแบบการจัดการด้านอาหารและการให้อาหารโคนม เพื่อลดต้นทุนและเพิ่มประสิทธิภาพการผลิตให้กับ
เกษตรกรตอ่ ไป
144
อุปกรณแ์ ละวธิ กี ารทดลอง
สถานทที่ าการทดลอง
ดาเนินการทดลองท่ีฟาร์มโคนมของเกษตรกรในพ้ืนที่ ตาบลวังม่วง อาเภอวังม่วง จังหวัดสระบุรี
ระหว่าง เดือน กุมภาพันธ์ ถึง พฤษภาคม พ.ศ. 2562
แผนการทดลองและการเตรยี มสัตว์ทดลอง
ใช้แมโ่ ครีดนมพันธ์ุลูกผสมโฮลสไตน์ฟรีเช่ียนที่มีระดับสายเลือดไม่ต่ากว่า75 เปอร์เซ็นต์ อายุเฉลี่ย 4.2 ปี
จานวน 15 ตัว ปริมาณน้านมเฉล่ีย 15 กิโลกรัม/ตัว/วัน อยู่ในช่วงอายุการให้นม (Lactation) ที่ 2 – 4 มีระยะ
การให้น้านมระยะกลาง (Mid Lactation) จานวนวันการให้น้านมเฉลี่ย (Day in milk) 151.60 ± 15.16 วัน
น้าหนักตัวเฉลี่ย 505.87 ± 17.91 กิโลกรัม และมีคะแนนร่างกาย (Body condition score) อยู่ในช่วง 2.5-2.75
วางแผนการทดลองแบบ Randomized complete block design (RCBD) โดยแบ่งโคออกเป็น 3 กลุ่มๆละ 5
ตัว ได้รับอาหารทดลองแตกต่างกัน ได้แก่ กลุ่มท่ี 1 ได้รับอาหารแบบแยกส่วนประกอบด้วย ข้าวโพดพร้อมฝัก
หมัก ฟางข้าว กากเบียร์สด ร่วมกับการเสริมด้วยอาหารข้น กลุ่มท่ี 2 ได้รับอาหารผสมครบส่วนที่มีใบมัน
สาปะหลงั หมักเป็นสว่ นประกอบ โดยให้กินเต็มที่ และกลุ่มที่ 3 ได้รับอาหารผสมครบส่วนที่มีใบสาปะหลังและหัว
หมักเปน็ ส่วนประกอบ โดยให้กนิ เตม็ ท่ี
หลังจากนั้นสุ่มโคนมเข้าเลี้ยงในคอกขังเด่ียวแล้ว ดาเนินการปรับสัตว์เป็นระยะเวลา 14 วัน เพ่ือให้สัตว์
ปรับตวั เข้ากับสภาพแวดล้อมของคอกทดลองและอาหารทดลอง จากนั้นเริ่มเก็บข้อมูลเป็นระยะเวลา 90 วัน (รวม
ระยะเวลาปรับสัตวแ์ ละทดลอง 104 วัน)
การเตรียมอาหารทดลอง
เกษตรกรจะเป็นผู้ดาเนินการผลิตอาหารผสมครบส่วนและใบมันสาปะหลังหมัก โดยตัดใบจากส่วนยอด
ลงมาประมาณ 30 เซนติเมตร พร้อมทั้งขุดหัวมันสาปะหลังท่ีอายุ 5 เดือน ท่ีผลิตจากแปลงทดสอบการปลูกมัน
สาปะหลังดว้ ยระบบน้าหยดของเกษตรกรในจังหวัดสระบุรี นามาสับเป็นช้ินขนาด 1-3 เซนติเมตร จากนั้นทาการ
หมักใบมันสาปะหลังในถงั พลาสติกสาหรบั ผสมสตู รอาหารทดลองของโคกลุ่มที่ 2 และทาการหมักใบมันสาปะหลัง
และหัวในถังพลาสติกสาหรับผสมสูตรอาหารทดลองของโคกลุ่มท่ี 3 โดยหลังจากหมักเป็นเวลา 21 วัน จึงนามา
ผลิตอาหารผสมครบส่วน ท่ีมีโปรตีนไม่น้อยกว่า 14% โภชนะที่ย่อยได้รวม (TDN) ไม่น้อยกว่า 68% ตามความ
ต้องการทางโภชนะของโครีดนมท่ีให้น้านมเฉลี่ย 15 กิโลกรัม/ตัว/วัน (NRC, 2001) ศูนย์วิจัยและพัฒนาอาหาร
สตั วน์ ครราชสีมาใหก้ ารสนับสนนุ เครื่องผสมอาหารทีเอม็ อาร์ ตลอดระยะเวลาการทดลอง
การให้อาหารสัตว์ทดลองกลุ่มท่ี 1 (กลุ่มควบคุม) ได้รับการจัดสัดส่วนอาหารท่ีมีโปรตีนรวมไม่น้อยกว่า
14% โภชนะท่ีย่อยได้รวม (TDN) ไม่น้อยกว่า 68% ตามวิธีการเดิมของเกษตรกรซึ่งให้อาหารแบบแยกส่วน
ระหวา่ งอาหารขน้ และอาหารหยาบ โดยแบ่งการให้อาหารข้นเป็น 2 ม้ือต่อวันขณะรีดนมจะให้อาหารข้นสาเร็จรูป
โปรตีน 20% 4 กโิ ลกรัม/ตวั /มื้อ กากเบียร์สด 4 กิโลกรัม/ตัว/มื้อ ให้ข้าวโพดพร้อมฝักหมักหลังจากรีดนมเสร็จใน
ปรมิ าณ 6 กโิ ลกรัม/ตวั /มือ้ และมีฟางขา้ วใหก้ นิ เต็มทใี่ นคอกตลอดเวลา
การให้อาหารผสมครบส่วนกับสัตว์ทดลองกลุ่มที่ 2 และ 3 ให้กินเต็มที่ (ad libitum) วันละ 2 ม้ือ ใน
เวลา 8.00 น. และ 16.00 น. โดยจะช่ังปริมาณอาหารที่ให้ในแต่ละครั้ง และช่ังอาหารที่เหลือแต่ละวันในเช้าวัน
ถัดไป เพอ่ื เกบ็ ข้อมูลปรมิ าณอาหารทีก่ ินในแต่ละวนั โดยมีสตู รอาหารทดลองท้งั 3 กล่มุ ดงั แสดงในตารางที่ 1
145
ตารางที่ 1 สูตรอาหารของสัตวท์ ดลองและองค์ประกอบทางเคมโี ดยการคานวณ
อาหารทดลอง สูตรอาหารสตั วท์ ดลอง (น้าหนกั สด)
กลุ่มที่ 1 กลมุ่ ที่ 2 กลมุ่ ท่ี 3
วัตถุดบิ อาหาร
ข้าวโพดหมกั 40.16 73.10 74.14
ฟางขา้ ว
อาหารข้นสาเรจ็ รปู (โปรตีน 20%) 12.30 2.15 2.18
กากถั่วเหลือง
มนั เส้น 22.11 6.75 7.85
กากเบยี รส์ ด
ใบมันสาปะหลังหมัก - 5.29 5.05
ใบมันสาปะหลงั และหัวหมัก
แร่ธาตุรวม - 1.74 -
รวม
24.63 - -
ราคาวัตถดุ ิบรวม (บาท/กโิ ลกรัม)
ปริมาณการให้อาหาร (กโิ ลกรัม/ตวั /วนั ) - 10.21 -
องคป์ ระกอบทางเคมี (จากการคานวณ)
- - 10.02
วตั ถแุ หง้ (DM)
โปรตีน (CP) 0.80 0.77 0.77
โภชนะทยี่ ่อยไดร้ วม (TDN)
ผนงั เซลล์ (Neutral Detergent Fiber, NDF) 100 100 100
ลิกโนเซลลโู ลส (Acid Detergent Fiber, ADF)
4.10 3.29 3.41
33 ad libitum ad libitum
43.09 39.20 39.70
14.10 14.10 14.10
69.66 68.24 69.73
42.26 40.07 40.17
22.99 23.10 23.28
การเกบ็ ขอ้ มลู และการเก็บตัวอย่าง
สุ่มเก็บตัวอย่างอาหารท่ีใช้ในการทดลองทั้ง 3 สูตร เพื่อนาตัวอย่างไปวิเคราะห์หาปริมาณวัตถุแห้ง
(Dry Matter, DM) โปรตีน (Crude Protein, CP) ไขมัน (Ether Extract, EE) เถ้า (Ash) ตามวิธีของ AOAC
(2000) วิเคราะห์หาผนังเซลล์ (Neutral Detergent Fiber, NDF) ลิกโนเซลลูโลส (Acid Detergent Fiber,
ADF) และลิกนนิ (Acid Detergent Lignin, ADL) ตามวธิ ีของ Van Soest et al. (1991)
บนั ทกึ ปริมาณการกินได้ ปริมาณอาหารทใี่ หแ้ ละอาหารท่เี หลือในแต่ละวัน เพ่ือดูการกินได้เฉลี่ยต่อวัน
นามาคานวณหาปริมาณการกินได้ในหน่วยเปอร์เซ็นต์น้าหนักตัว (%BW) และข้อมูลต้นทุนด้านอาหารสัตว์
สาหรบั การเลีย้ งโครดี นมดว้ ยอาหารทใ่ี ชใ้ นการทดลอง
บันทึกข้อมูลผลผลิตน้านมดิบทุกวัน โดยเก็บน้านมจากช่วงเช้าและบ่าย นามารวมกันเพ่ือบันทึก
ปริมาณน้านมรายวัน และคานวณปริมาณน้านมปรับมาตรฐานที่ 4%fat-3.3%milk protein (Fat-Protein
corrected milk, FPCM) ตามสมการ FAO (2010) ดงั น้ี
FPCM (kg.) = raw milk (kg.) x [0.337+(0.116 x %fat) + (0.06 x %protein)]
เก็บตัวอย่างน้านมโคทุก 14 วัน เพื่อวิเคราะห์องค์ประกอบทางเคมีของน้านมท่ีสาคัญ ได้แก่ โปรตีน
(Protein), ไขมัน (Fat), แลคโตส (Lactose), ของแข็งทั้งหมด (Total solid), ของแข็งไม่รวมไขมัน
(Solid-not fat) และ จานวนโซมาติกเซลล์ (Somatic cell) และเก็บตัวอย่างน้านมในวันท่ี 1, 30, 60 และ
90 ของการทดลองเพ่ือทาการวัดปรมิ าณสารไธโอไซยาเนตในน้านม
146
การวิเคราะห์ขอ้ มูลทางสถิติ
วิเคราะห์ข้อมูลเบ้ืองต้นด้วยสถิติเชิงพรรณนาแต่ละลักษณะท่ีสนใจ ได้แก่ ปริมาณน้านม
องค์ประกอบน้านมและปริมาณสารไธโอไซยาเนตในน้านม ในภาพรวมของประชากรโคนมที่ศึกษาและ
วิเคราะห์เปรียบเทียบความแตกต่างระหว่างค่าเฉลี่ยในแต่ละทรีทเมนต์โดยวิธี Duncan’s new multiple
range test (Steel and Torrie, 1980) ตามแผนการทดลองแบบ Randomized complete block design
(RCBD) ด้วยโปรแกรมสาเร็จรปู SAS
ผลการทดลองและวิจารณ์
องค์ประกอบทางเคมขี องอาหารทดลอง
ผลการวเิ คราะหอ์ งคป์ ระกอบทางเคมีของอาหารทดลองทั้ง 3 สูตร พบว่าอาหารสูตรท่ี 1, 2 และ 3 มี
ค่าวัตถุแห้ง (DM) เท่ากับ 44.50, 37.26 และ 39.33 เปอร์เซ็นต์ตามลาดับ ปริมาณโปรตีนรวมมีค่าเท่ากับ
14.05, 14.21 และ 14.09 เปอร์เซ็นต์ตามลาดับ โภชนะที่ย่อยได้รวม (TDN) มีค่าเท่ากับ 64.31, 65.44 และ
66.70 เปอร์เซ็นต์ตามลาดับ ปริมาณผนังเซลล์ (NDF) มีค่าเท่ากับ 43.15, 40.52 และ 38.77 เปอร์เซ็นต์
ตามลาดับ และปริมาณลิกโนเซลลูโลส (ADF) มีค่าเท่ากับ 28.37, 27.33 และ 26.03 เปอร์เซ็นต์ตามลาดับ
(ตารางท่ี 2) ซ่ึงอาหารทั้ง 3 สูตร มีองค์ประกอบทางเคมีใกล้เคียงกับค่าที่คานวณไว้ตามความต้องการทาง
โภชนะของโครดี นมท่ใี ห้น้านมเฉล่ยี 15 กิโลกรัมต่อตวั ต่อวนั (NRC, 2001)
สอดคล้องกับ วิโรจน์ (2559) กล่าวว่า คุณภาพอาหารผสมครบส่วนท่ีเหมาะสมสาหรับโคท่ีให้นม
15-20 กิโลกรัม/ตัว/วัน จะต้องมีวัตถุแห้ง 35-50 เปอร์เซ็นต์ โปรตีน 14-15 เปอร์เซ็นต์ TDN 66-68
เปอร์เซน็ ต์ NDF 38-42 เปอร์เซ็นต์ และ ADF 20-25 เปอรเ์ ซน็ ต์ จากผลการวิเคราะห์ ค่าโภชนะท่ีย่อยได้รวม
(TDN) ในอาหารทดลองของโคกลุ่มที่ 1 และ 2 ต่ากว่าปริมาณที่แนะนาเล็กน้อย ซ่ึงอาจทาให้ไม่เพียงพอกับ
ความต้องการของโค ทงั้ น้ีต้องพิจารณาปริมาณการกินได้ของโคประกอบด้วย ส่วนค่า NDF ของอาหารโคกลุ่ม
ที่ 1 มปี ริมาณสูงกว่าค่าที่แนะนา ซึ่งจะส่งผลต่อการกินได้ของโค โดยค่า NDF ที่เพ่ิมข้ึน 1 เปอร์เซ็นต์ จะมีผล
ทาใหน้ า้ นมลดลง 0.5 กิโลกรัม/ตัว/วัน และค่า ADF ของอาหารทดลองท้ัง 3 สูตรมีค่าสูงเกินไป จะมีผลทาให้
การย่อยได้และการใช้ประโยชน์ของอาหารลดลง โดยทุกค่าของ ADF ในอาหารผสมครบส่วนท่ีเพิ่มขึ้น 1
เปอรเ์ ซน็ ต์จะมีผลทาให้ปรมิ าณผลผลิตนา้ นมลดลง 0.3 กโิ ลกรมั ท้ังนผี้ ลการวิเคราะห์ค่า NDF และ ADF ท่ีสูง
เกนิ ไปนน้ั นา่ จะมาจากคุณภาพอาหารหยาบที่ใช้ในการทดลอง ได้แก่ ฟางข้าว ผู้วิจัยพิจารณานามาใช้เพื่อลด
ความช้นื ในอาหาร ซงึ่ เปน็ วัตถุดิบทีม่ ีคณุ ภาพต่า ทาใหค้ ่า NDF และ ADF ของอาหารทดลองมคี ่าสงู ข้นึ
ตารางท่ี 2 แสดงองค์ประกอบทางเคมขี องอาหารทดลอง
องคป์ ระกอบทางเคมี (% on Dry matter basis) กล่มุ ท่ี 1 กลมุ่ ท่ี 2 กลุม่ ท่ี 3
วตั ถุแหง้ (DM) 44.50 37.26 39.33
14.09
โปรตีน (CP) 14.05 14.21 66.72
38.77
โภชนะทีย่ อ่ ยไดร้ วม (TDN) * 64.31 65.38 26.03
ผนงั เซลล์ (Neutral Detergent Fiber, NDF) 43.15 40.52
ลิกโนเซลลูโลส (Acid Detergent Fiber, ADF) 28.37 27.33
ท่ีมา : หอ้ งปฏบิ ัติการวเิ คราะห์อาหารสตั ว์ ศนู ยว์ จิ ยั และพฒั นาอาหารสตั วน์ ครราชสมี า
* ประเมนิ คา่ โภชนะทยี่ ่อยได้รวม (TDN) ดว้ ยวธิ กี ารของ R. S. Adams (1994)
147
ปรมิ าณอาหารทีก่ ินได้
จากผลการทดลองพบว่า โคท้ัง 3 กลุ่มมีปริมาณอาหารที่กินได้คิดเป็นน้าหนักสดแตกต่างกันอย่างมี
นัยสาคัญย่ิงทางสถิติ (P<0.01) โดยโคกลุ่มท่ี 1, 2 และ 3 มีปริมาณอาหารที่กินได้คิดเป็นน้าหนักสดเฉลี่ย
เท่ากับ 30.20, 39.20 และ 37.62 กิโลกรัม/ตัว/วัน ตามลาดับ แต่เมื่อคิดเป็นน้าหนักแห้งพบว่าโคกลุ่มที่ 2
และ 3 มีปริมาณอาหารที่กินได้ไม่แตกต่างกันโดยมีค่าเฉล่ียเท่ากับ 14.62 และ 14.78 กิโลกรัม/ตัว/วัน
ตามลาดบั แต่มีความแตกต่างอย่างมีนัยสาคญั ยง่ิ ทางสถิติ (P<0.01) กับโคกลุ่มที่ 1 ท่ีมีปริมาณอาหารที่กินได้
คิดเป็นนา้ หนักแห้งเฉลี่ยเทา่ กบั 13.44 กโิ ลกรัม/ตวั /วนั เน่อื งจากโคกลุ่มท่ี 1 ได้รับอาหารท่ีมีค่า NDF สูง ทา
ให้โคมีการกินได้น้อยลง (วิโรจน์, 2559) เมื่อคานวณปริมาณโภชนะที่ได้รับจากองค์ประกอบทางเคมีของ
อาหารทดลองและปริมาณอาหารที่กินได้ของโคทดลองพบว่า โคกลุ่มท่ี 1 จะได้รับโปรตีนเฉล่ียเท่ากับ 1,888
กรัม/ตัว/วัน แตกต่างอย่างมีนัยสาคัญยิ่งทางสถิติ (P<0.01) กับโคกลุ่มท่ี 2 และ 3 ซึ่งมีค่ามากกว่าเฉล่ีย
เท่ากับ 2,078 และ 2,083 กรัม/ตัว/วัน ตามลาดับ เช่นเดียวกับปริมาณโภชนะท่ีย่อยได้รวมที่ได้รับ (TDN)
โดยโคกลุ่มท่ี 1 ได้รับเฉล่ียเท่ากับ 8,641 กรัม/ตัว/วัน น้อยกว่า โคกลุ่มที่ 2 และ 3 มีความแตกต่างอย่างมี
นยั สาคัญย่งิ ทางสถิติ (P<0.01) โดยมคี ่าเฉลี่ยเท่ากับ 9,563 และ 9,861 กรัม/ตัว/วัน ตามลาดับ (ตารางที่ 3)
ซง่ึ โคทดลองทั้ง 3 กลุม่ มีปริมาณโภชนะท่ีได้รับเพียงพอสาหรับแม่โครีดนม (NRC, 2001) ซ่ึงแนะนาให้โคนม
ทม่ี ีนา้ หนกั 500 กิโลกรัม ปริมาณน้านม 15 กิโลกรัม/ตัว/วัน ไขมันนม 4.00 เปอร์เซ็นต์ จะต้องได้รับโปรตีน
วนั ละ 1,714 กรมั และโภชนะทยี่ อ่ ยไดร้ วมวนั ละ 8,530 กรมั
ตารางที่ 3 แสดงปรมิ าณอาหารทีก่ ินได้และโภชนะทีไ่ ด้รบั
ข้อมลู ท่ีศกึ ษา กลมุ่ ที่ 1 กลุ่มที่ 2 กลมุ่ ท่ี 3 SEM P-Value
ปริมาณอาหารท่ีกินได้ เฉลี่ย (กโิ ลกรมั /ตวั /วนั ) 30.20c 39.20a 37.62b 0.321 0.0001
- นน.สด 13.44b 14.62a 14.78a 0.133 0.0002
- นน.แห้ง 2.69b 2.92a 2.96a 0.026 0.0002
ปรมิ าณการกินไดต้ อ่ นา้ หนักตัว (%นา้ หนักตวั ) 1,888b 2,078a 2,083a 0.019 0.0001
ปริมาณโปรตีนที่ไดร้ บั (กรัม/ตวั /วัน) 8,641c 9,563b 9,861a 0.086 0.0001
ปรมิ าณโภชนะทย่ี อ่ ยได้รวม (TDN) ท่ีไดร้ บั (กรมั /ตวั /วัน)
หมายเหตุ ab หมายถึง ในแถวเดยี วกนั แตกต่างกันอย่างมนี ยั สาคัญยง่ิ ทางสถิติ (P<0.01)
ปริมาณและคุณภาพนานม
ผลการทดลองพบว่า ปริมาณนา้ นมเฉล่ียของโคแตล่ ะกลุม่ มคี วามแตกต่างกันอย่างมีนัยสาคัญทางสถิติ
(P<0.05) โดย โคกลุ่มที่ 3 (15.01 กโิ ลกรัม/ตวั /วัน) มปี รมิ าณน้าเฉลี่ยสูงท่ีสุด รองลงมาคือโคกลุ่มที่ 2 (14.85
กิโลกรัม/ตัว/วัน) และโคกลุ่มที่ 1 (14.11 กิโลกรัม/ตัว/วัน) ตามลาดับ ท้ังน้ีเม่ือเปรียบเทียบปริมาณน้านมท่ี
ปรับ 4% fat - 3.3% milk protein (FPCM) จะพบว่า ปริมาณน้านม (FPCM) ของโคกลุ่มท่ี 1 มีความ
แตกต่างอย่างมีนัยสาคัญย่ิงทางสถิติ (P<0.01) กับโคกลุ่มท่ี 2 และ 3 ซ่ึงมีค่าเฉลี่ยเท่ากับ 12.74, 14.13 และ
14.61 กิโลกรัม/ตวั /วนั ตามลาดบั เมือ่ พิจารณาองคป์ ระกอบทางเคมีของน้านม พบว่า โปรตีนในน้านมของโค
กลุ่มที่ 1 และ 2 มีความแตกต่างกันอย่างมีนัยสาคัญทางสถิติ (P<0.05) กับ โคกลุ่มที่ 3 โดยมีโปรตีนเฉล่ีย
เท่ากับ 3.11 , 3.17, 3.37 เปอรเ์ ซน็ ต์ตามลาดับ สาหรับปริมาณของแข็งรวมไม่รวมไขมัน (SNF) ของโคกลุ่มท่ี
1, 2 และ 3 มีค่าเฉล่ียเท่ากับ 8.26, 8.41 และ 8.75 เปอร์เซ็นต์ ตามลาดับ โดยโคกลุ่มท่ี 1 มีความแตกต่าง
อยา่ งมนี ยั สาคัญทางสถติ ิ (P<0.05) กับโคกล่มุ ท่ี 3 (ตารางท่ี 4)
The words you are searching are inside this book. To get more targeted content, please make full-text search by clicking here.
ผลงานวิจัย นวัตกรรมดีเด่น ประจำปีงบประมาณ
Discover the best professional documents and content resources in AnyFlip Document Base.
Search