CC BY
08
,,„ „„„,„,„,„„,„„. Jj Ставрополья
научно-практическии журнал
УДК 636.32/.38.082.2
DOI: 10.31279/2222-9345-2019-8-34-8-14
К. А. Катков, Л. Н. Скорых, П. С. Остапчук, С. А. Емельянов, А. В. Паштецкая
Katkov K. A., Skorykh L. N., Ostapchuk P. S., Yemelyanov S. A., Pashtetskaya A. V.
ДВА ПОДХОДА К ФОРМИРОВАНИЮ СЕЛЕКЦИОННЫХ ИНДЕКСОВ В ОВЦЕВОДСТВЕ
TWO APPROACHES TO THE FORMATION OF SELECTION INDICES IN SHEEP BREEDING
Для успешной селекционно-племенной работы необходимо отбирать животных с наиболее значимыми хозяйственно полезными признаками. Если проводить отбор животных по одному признаку, то это не представляет особых сложностей. Однако в современной практике племенного дела селекцию ведут по ряду признаков. В этом случае можно использовать отбор по селекционным индексам, теоретически считающийся наиболее эффективным. Его сущность состоит в том, что из селекционного процесса не исключают животных, которые имеют низкий уровень развития одного признака при высокой ценности других. Индекс складывается из величин селекционируемых признаков, умноженных на соответствующие весовые коэффициенты, которые устанавливаются исходя из экономического значения, наследуемости и генетических корреляций признака.
Рассматриваются два подхода к формированию селекционных индексов. Один подход предполагает использование селекционного дифференциала, другой - селекционного отношения. Показано, что для более точной оценки животных недостаточно использование какого-либо одного селекционного индекса. В этом случае могут быть исключены из дальнейшего селекционного процесса животные, имеющие высокие показатели лишь по отдельным признакам. Применение же двух подходов к формированию индексов позволяет выявить таких животных и проанализировать их показатели более детально на предмет дальнейшего использования в селекционном процессе. При наличии большой численности поголовья животных применение индексной селекции может повысить эффективность селекционно-племенной работы. Приведены выражения, которые использовались при формировании селекционных индексов. Также статья снабжена столбцовыми диаграммами и таблицами, где размещены результаты расчетов селекционных индексов.
Ключевые слова: селекционный индекс, селекционное отношение, опорный индекс, частный коэффициент.
For successful selection and breeding work it is necessary to select animals with the most significant economically useful traits. If one selects animals for one feature, then this does not represent any particular difficulties. However, in the modern practice of breeding, selection is carried out on a number of traits. In this case, you can use the selection of breeding indices theoretically considered the most effective. Its essence lies in the fact that animals that have a low level of development of one trait at a high value of others are not excluded from the selection process. The index consists of the values of the selected traits multiplied by the respective weight coefficients, which are established on the basis of the economic value, heritability and genetic correlations of the trait.
The article discusses two approaches to the formation of selection indices. One approach involves the use of a selection differential, the other - a selection ratio. It is shown that for a more accurate evalution of the animals is not enough to use any one selection index. In this case, animals that have only high levels of individual characteristics can be excluded from the further selection process. The use of two approaches to the formation of indices allows us to identify such animals and analyze their indices in more detail for further use in the breeding process. In the presence of large animal inventory number, the use of index selection can improve the efficiency of selection and breeding work. The article contains expressions that were used in the formation of selection indices. The article is also provided with bar charts and tables, where the results of selection indices calculations are placed.
Key words: selection index, selection ratio, reference index, partial factor.
Катков Константин Александрович -
кандидат технических наук, доцент, ведущий научный сотрудник лаборатории информационных технологий
ФГБНУ «Северо-Кавказский федеральный научный
аграрный центр»
г. Михайловск
РИНЦ SPIN-код: 3553-1513
Тел.: 8(8652)71-81-55
E-mail: kkatkoff@mail.ru
Скорых Лариса Николаевна -
доктор биологических наук, доцент,
ведущий научный сотрудник отдела овцеводства
ФГБНУ «Северо-Кавказский федеральный научный
аграрный центр»
г. Михайловск
РИНЦ SPIN-код: 8979-4755
Тел.: 8(8652)71-81-55
E-mail: smu.sniizhk@yandex.ru
Остапчук Павел Сергеевич -
кандидат сельскохозяйственных наук, ведущий научный сотрудник лаборатории исследований технологических приемов в животноводстве и растениеводстве
Katkov Konstantin Aleksandrovich -
Ph.D of Technical Sciences,
Leading Researcher of the Laboratory
of Information Technologies
FSBSI «North Caucasus Federal Agrarian Research
Center»
Mikhailovsk
RSCI SPIN-code: 3553-1513 Tеl.: 8(8652)71-81-55 E-mail: kkatkoff@mail.ru
Skorykh Larisa Nikolayevna -
Doctor of Biological Sciences, Associate Professor, Leading Researcher of the Department of Sheep Breeding
FSBSI «North Caucasus Federal Agrarian Research Center» Mikhailovsk
RSCI SPIN-code: 8979-4755 Tеl.: 8(8652)71-81-55 E-mail: smu.sniizhk@yandex.ru
Ostapchuk Pavel Sergeevich -
Ph.D of Agricultural Sciences, Leading Researcher of the Laboratory for Research of Technological Method in Animal Husbandry and Plant Growing
№ 2(34), 2019
ФГБУН «Научно-исследовательский институт
сельского хозяйства Крыма»
г. Симферополь
РИНЦ SPIN-код: 8889-4708
Тел.: 8(3652)56-00-07
E-mail: ostapchuk_p@niishk.ru
Емельянов Сергей Анатольевич -
кандидат биологических наук, научный сотрудник
лаборатории исследований технологических приемов
в животноводстве и растениеводстве
ФГБУН «Научно-исследовательский институт
сельского хозяйства Крыма»
г. Симферополь
РИНЦ SPIN-код: 6074-9254
Тел.: 8(3652)56-00-07
E-mail: emelyanow.rus@yandex.ru
Паштецкая Александра Владимировна -
научный сотрудник сектора стандартизации отдела
информации, стандартизации
и патентно-лицензионной работы
ФГБУН «Научно-исследовательский институт
сельского хозяйства Крыма»
г. Симферополь
РИНЦ SPIN-код: 4635-8453
Тел.: 8(978)715-24-79
E-mail: pashtetskaia@gmail.com
FSBIS «Research Institute of Agriculture of Crimea» Simferopol
RSCI SPIN-code: 8889-4708 Tel.: 8(3652)56-00-07 E-mail: ostapchuk_p@niishk.ru
Yemelyanov Sergey Anatolyevich -
Ph.D of Biology Sciences,
Researcher of the Laboratory
for Research of Techniques
in Animal Husbandry and Plant Growing
FSBIS «Research Institute of Agriculture of Crimea»
Simferopol
RSCI SPIN-code: 6074-9254
Tel.: 8(3652)56-00-07
E-mail: emelyanow.rus@yandex.ru
Pashtetskaya Alexandra Vladimirovna -
Researcher of the Standardization
Sector of the Department of Information,
Standardization and Patent and Licensing Works
FSBIS «Research Institute
of Agriculture of Crimea»
Simferopol
RSCI SPIN-code: 4635-8453 Tel.: 8(978)715-24-79 E-mail: pashtetskaia@gmail.com
Успех племенной работы в значительной степени зависит от возможности наиболее объективно определить племенную ценность животных [1]. Эффективность селекции животных определяется рядом факторов, важным среди которых является степень наследуемости признаков, точность их оценки, выбор наиболее приоритетных признаков отбора [2, 3]. Если проводить отбор животных по одному хозяйственно полезному признаку (ХПП), то это не представляет особых сложностей [4]. Однако в современной практике племенного дела селекцию ведут по ряду признаков. Сделать это без определенного рода вычислений, «на глазок», не получится. В этом случае можно использовать отбор по селекционным индексам, теоретически считающийся наиболее эффективным [5]. Его сущность состоит в том, что из селекционного процесса не исключают животных, которые имеют низкий уровень развития одного признака при высокой ценности других. Индекс складывается из величин селекционируемых признаков, умноженных на соответствующие весовые коэффициенты, которые устанавливаются исходя из экономического значения, наследуемости и генетических корреляций признака. Преимущество такого подхода к оценке животных заключается в том, что недостаточное развитие какого-то одного признака может компенсироваться преимуществами другого. При этом основная трудность заключается в определении вклада каждого признака в числовое значение рассчитанного индекса. Все это позволяет сделать вывод об актуальности задачи построения корректного селекционного индекса.
Следует учесть, что количество ХПП, участвующих в построении селекционного индекса, не должно быть большим. Это обусловлено
тем, что, согласно [5, 6], ответ на селекцию по каждому из ХПП (&), включенному в состав индекса, определяется выражением
&(1>
где N - количество ХПП, используемых при формировании индекса.
Обычно рекомендуют использование не более 5-8 признаков для формирования селекционного индекса [5].
При формировании селекционного индекса в качестве исходных данных выступают следующие величины:
- состав признаков, выбранных для формирования индекса;
- значения выбранных ХПП по всей анализируемой группе животных;
- значения целевых показателей для каждого из выбранных ХПП;
- значения коэффициентов наследования к2 по каждому ХПП.
В работах [5, 6] предлагается строить селекционный индекс на основе селекционного дифференциала
SD = XU-X,
(2)
Ц
где Х_- целевые показатели ХПП;
X - среднее значение ХПП в анализируемой выборке животных. Обозначим селекционный индекс, построенный на основе селекционного дифференциала, как I°. Алгоритм формирования такого индекса
следующий. _
Определяются средние значения (X,) и средние квадратичные отклонения (СКО) (а,) по каждому из / ХПП (X,), выбранных для формирования индекса.
Определяется согласно (2) селекционный дифференциал ) по каждому ХПП.
Ежеквартальный
научно-практический
журнал
В
естник ЛПК
Ставрополья
Определяется селекционный вес каждого признака как отношение селекционного дифференциала к генотипической изменчивости:
Ж.
Ж? =
(3)
Определяется доля каждого селекционного веса в общей сумме весов:
к? = . (4)
Коэффициент к? определяет долю каждого признака, вошедшего в селекционный индекс. При этом должно выполняться условие:
я=хц/х.
(7)
а долю этого СКО в диапазоне изменения значений ХПП каждого /-того признака. В этом случае выражение (3) примет вид
* ( - Х™ )
У '-, (8)
Ж* =■
4н2
где
Хшах тлш1п
, , X , - максимальные и минимальные значения /-того ХПП в выборке. Индекс Я означает, что коэффициенты рассчитаны на основе селекционного отношения (7). Доля каждого селекционного веса в общей сумме весов определяется аналогично (4), как
X к?=1.
,=\
Рассчитываются частные коэффициенты для ХПП, вошедших в селекционный индекс,
к?=к ¡$В1. (5)
Тогда селекционный индекс для каждого у-того животного будет определяться выражением
N ( \
1°, =ТЩХ11-Х). (6)
,=1 V У
В выражениях (3) - (6) верхний индекс В означает, что данные коэффициенты рассчитаны на основе селекционного дифференциала (2).
При таком подходе к построению селекционного индекса за нулевую отметку приняты значения ХПП, совпадающие со средними значениями по выборке. Если индекс IВ имеет отрицательное значение, то это означает, что у данного животного значения ХПП ниже, чем средние по выборке. Если индекс равен или больше единицы, то это говорит о том, что значения ХПП данного животного близки или превышают целевые показатели.
На самом деле это не совсем так. Так как селекционный индекс является комплексным показателем, то возможна ситуация, когда в отрицательные значения попадают индексы тех животных, отдельные ХПП которых могут достигать целевых значений, но «проваливаться» в остальных. Таких животных также целесообразно включать в дальнейший селекционный процесс, а не подвергать выбраковке. Кроме этого, оперирование отрицательными индексами не всегда удобно в дальнейшей работе.
Для более качественного отбора животных предлагается рассчитывать селекционные индексы несколькими способами. В дополнение к описанному способу формирования индекса IВ предлагается строить индексы на основе селекционного отношения
к* = Ж*
(9)
Частные коэффициенты для ХПП, вошедших в селекционный индекс, определяются выражением
К* = к*/я,. (10)
Тогда выражение для селекционного индекса (I* ), построенного на основании селекционно-
го отношения, имеет вид
N
I*=Х к
ях ,,
я ,
(11)
1=1
X.
Все индексы, рассчитанные согласно выражению (11), будут иметь положительное значение. При
этом если все показатели ХПП животного равны
г л
средним значениям ХПП по выборке
X, = X,,
то выражение (11) сводится к выражению
N
I* =Х к,.
(12)
,=1
Величину I назовем опорным индексом. Она является аналогом нулевого индекса 1В.
Таким образом, используя выражения (2) - (12), для каждого у-того животного из анализируемой выборки можно получить два селекционных индекса (11 и I* Теперь все полученные индексы нужно проверить на соответствие ряду условий:
/;< о
1, > К
Iв > о
I* > \
I, >\'
или
/;>о.
(13)
(14)
(15)
Значение Я показывает, во сколько раз целевое значение ХПП превышает или не превышает среднее значение этого признака в анализируемой группе животных. Тогда для определения селекционного веса каждого признака необходимо использовать не просто СКО (а /) /-того признака,
Животных, индексы которых удовлетворяют условию (13), отнесем к первой категории. У них показатели ХПП близки или превышают целевые показатели Хц. Животных, индексы которых удовлетворяют условию (14), отнесем ко второй категории. У них показатели ХПП близки или превышают средние показатели по выборке X .
в
естник АПК
Ставрополья
№ 2(34), 2019
Интерес также представляют животные, индекс которых удовлетворяет условию (15). Отнесем их к третьей категории. Эти животные могут иметь низкий индекс I°, но высокий индекс I , и наоборот. Если отбирать животных только по одному из этих индексов, то можно пропустить и не заметить животное с высокими показателями ХПП. Использование двух различных индексов снижает вероятность такой ошибки.
В качестве примера рассмотрим выборку из 41 барана-производителя цигайской породы, разводимой на территории Республики Крым [7]. Для формирования селекционных индексов выбраны следующие селекционируемые признаки: живая масса (ЖМ), длина шерсти (ДШ), настриг чистой шерсти (НЧШ). Значения этих признаков показаны на рисунке 1.
ЖМ, кг
ДШ, см 20-
НЧШ, кг 8
20 25
в
Номер барана
35 40
Номер барана
Номер барана
Рисунок 1 - Значения признаков отбора выборки баранов-производителей
Очевидно (рис. 1), что даже для такой небольшой выборки животных однозначно выстроить рейтинг по нескольким признакам без использования какого-либо общего показателя (индекса) весьма затруднительно.
Значения целевых показателей, коэффициентов наследования, средних значений и СКО по выборке представлены в таблице 1.
Расчет селекционных индексов будем проводить с использованием интегрированного математического пакета МаНаЬ [8, 9]. Результаты расчета
индексов I и I представлены на рисунке 2.
Таблица 1 - Показатели признаков отбора анализируемой выборки баранов
Показатель ЖМ, кг ДШ, см НЧШ, кг
Целевые показатели (Хя) 110 14 5,0
Коэффициенты к2 0,37 0,34 0,39
Средние значения (X) 91,317 15,39 4,215
СКО (о ) 14,789 1,883 1,232
!ь
1.4 1.2 1 0.8 0.6 -0.4 0.2 -
00
а
I
40 45
Номер барана
- I
lillllll.il
"Г Г '1111"1
I
б Номер барана
ТЯ ТВ
Рисунок 2 - Рассчитанные селекционные индексы 1 и 1
10
15
20
25
30
35
О
10
15
20
25
30
35
40
45
12
Ежеквартальный
научно-практический
журнал
В
Значения частных коэффициентов К. и К. , полученных согласно (5) и (10), представлены в таблице 2. Очевидно, что различные подходы к формированию селекционных индексов обусловливают разные значения частных коэффициентов. Кроме этого, коэффициенты Кй являются безразмерными величинами.
Таблица 2 - Частные коэффициенты для индексов 1 и 1
Частный коэффициент ЖМ ДШ НЧШ
к? 0,061 кг-1 0,498 см-1 0,710 кг-1
кя 1 0,329 0,295 0,283
Опорное значение индекса 1 , рассчитанное в соответствии с (12), равно I^ = 0,907. Из общей массы баранов (рис. 2) выделим только тех особей, индексы которых превышают опорное и нулевое значения для I и I соответственно. При расчете селекционных индексов I таковых оказалось 20 голов, при расчете индексов I -21 голова (рис. 3).
Теперь из этой массы выделим только тех у-тых баранов, индексы которых удовлетворяют условию (14). Другими словами, выделим баранов, данные о которых есть одновременно и на рисунке 3а, и на рисунке 3б. Таковых оказалось 19 голов. Результаты представлены в таблице 3. Рейтинг баранов в этой таблице выстроен в соответствии со значением индекса Iй.
1.05 1
0.95-
20 25
б
35 40
Номер барана
Рисунок 3 - Бараны с индексами Iй и I0, превышающими опорное и нулевое значения
соответственно
Таблица 3 - Показатели признаков отбора и индексы баранов первой и второй категории
№ п/п
Номер барана
Показатели ХПП
ЖМ, кг
ДШ, см
НЧШ, кг
Индекс I
Индекс I
31
112
16
6,5
1,1461
3,1819
34
106
17
6,2
1,1235
3,1022
29
96
19
6,07
1,1171
3,3980
10
96
19
6,07
1,1171
3,3980
35
105
18
5,5
1,0922
3,0421
33
96
17
5,64
1,0500
2,0973
38
110
15
5,3
1,0393
1,7107
26
110
15
5,3
1,0393
1,7107
27
96
15
5,9
1,0291
1,2866
10
41
110
14
5,3
1,0201
1,2130
11
14
103
16
5,08
1,0185
1,6271
12
19
100
18
4,5
1,0071
2,0284
13
23
100
12
5,9
0,9860
0,0365
14
22
100
12
5,9
0,9860
0,0365
15
36
94
18
4,5
0,9855
1,6640
16
24
98
15
4,46
0,9397
0,3855
17
103
15
3,9
0,9202
0,2915
18
103
16
3,6
0,9192
0,5761
19
37
94
18
3,48
0,9171
0,9397
1
2
3
4
5
6
7
8
9
6
7
№ 2(34), 2019
Данные таблицы 3 позволяют выделить баранов, относящихся к первой категории, т. е. удовлетворяющих условию (13). Это бараны с 1-го по 12-й с номерами: 31, 34, 29, 10, 35, 33, 38, 26, 27, 41, 14, 19. Показатели данных особей близки или превосходят целевые показатели (см. табл. 1). При этом небольшой «провал» по одному из признаков компенсируется значениями другого. Бараны, показатели которых находятся с 13 по 19 строку таблицы 3, относятся ко второй категории. Значения их индексов удовлетворяют условию (14).
Анализ графиков на рисунке 3 показывает, что выявлено несколько баранов, данные о которых представлены на рисунке 3а, но отсутствуют на рисунке 3б, и наоборот. Это бараны, индексы которых удовлетворяют условию (15). Эти бараны были отнесены нами к третьей категории. В рассматриваемом нами примере таковых животных оказалось 3 головы. Результаты представлены в таблице 4.
Таблица 4 - Показатели признаков отбора и индексы баранов третьей категории
№ п/п Номер барана Показатели ХПП Индекс IR Индекс ID
ЖМ, кг ДШ, см НЧШ, кг
1 18 106 13 4,2 0,9128 -0,3087
2 5 94 17 3,35 0,8892 0,3497
3 17 94 18 3,0 0,8849 0,5988
Животные, представленные в таблице 4, им е-ют низкий индекс Iй, но высокий индекс I и наоборот. Имеет смысл более детально изучить значения показателей ХПП данных особей для принятия взвешенного решения об участии их в дальнейшем селекционном процессе.
Данные, представленные в таблицах 3 и 4, иллюстрируют преимущества одновременного расчета селекционных индексов на основе двух представленных подходов. Так, если бы исполь-
зовался только расчет индексов на основе селекционного дифференциала, то в первую категорию «попал бы» баран № 36 (15-я строка таблицы 3). В то же время мы видим, что значения живой массы и настрига шерсти у него значительно ниже целевых показателей. Одновременно с этим баран № 18 (1-я строка таблицы 4) мог быть исключен из селекционного процесса в силу отрицательного индекса I , хотя значения живой массы и настрига шерсти у него близки к средним по выборке. То же самое можно утверждать и относительно использования только индекса I . В этом случае из селекционного процесса могли быть исключены бараны № 5 и 17 (см. табл. 4). При этом их показатели по живой массе и длине шерсти выше средних по выборке.
Анализ результатов, полученных при индексной оценке с использованием индексов I и I , позволяет сделать следующие выводы.
Использование селекционных индексов позволяет оценить животное сразу по нескольким селекционируемым признакам.
Одновременное использование двух подходов к формированию селекционных индексов позволяет более точно выявить особей, использование которых в дальнейшей селекционной работе может привести к положительным результатам.
К наивысшей категории необходимо относить только тех животных, индексы которых удовлетворяют условию (13).
Сравнительный анализ индексов I и I позволяет выделить животных третьей категории, отдельные показатели признаков отбора которых близки или превышают целевые показатели. Эти животные также могут быть использованы в селекционном процессе. Использование только одного подхода к формированию индексов может не выявить таких животных.
Таким образом, использование при индексной оценке двух подходов к формированию селекционных индексов позволяет более точно определить особей, представляющих наибольший интерес для селекции.
Литература
1. Селионова М. И., Бобрышова Г. Т. Овцеводство Ставропольского края, настоящее и будущее // Овцы, козы, шерстяное дело. 2016. № 1. С. 4-7.
2. Ефимова Н. И., Скорых Л. Н., Копылов И. А. Шерстная продуктивность потомков от производителей импортной селекции // Сборник научных трудов Всероссийского научно-исследовательского института овцеводства и козоводства. 2015. Т. 2. № 8. С. 17-21.
3. Копылов И. А., Скорых Л. Н., Ефимова Н. И. Мясность молодняка овец породы советский меринос и их помесей с австралийскими баранами // Овцы, козы, шерстяное дело. 2017. № 2. С. 26-27.
References
1. Selionova M. I., Bobryshova G. T. Sheep breeding of the Stavropol region, present and future // Sheeps, goats, wool business. 2016. № 1. P. 4-7.
2. Efimova N. I., Skorykh L. N., Kopylov I. A. Wool productivity of descendants from breeding rams of import selection // Collection of scientific works of the All -Russian Scientific Research Institute of Sheep Breeding and Goat Breeding. 2015. Vol. 2. № 8. P. 17-21.
3. Kopylov I. A., Skorykh L. N., Efimova N. I. Meatiness in young sheep of the Soviet merino breed and their hybrids with Australian rams // Sheep, goats, wool business. 2017. № 2. P. 26-27.
14
,,„ „„„,„,„,„„,„„. Jj Ставрополья
научно-практическии журнал
4. Алгоритм проверки статистической значимости различий хозяйственно полезных признаков между различными генеалогическими группами животных / К. А. Катков, Г. Т. Бобрышова, Л. Н. Скорых, О. С. Ко-пылова, М. А. Афанасьев // Вестник АПК Ставрополья. 2018. № 2 (30). С. 86-90.
5. Интенсификация племенного отбора в свиноводстве / Н. В. Михайлов, Г. А. Карату-нов, О. Л. Третьякова, Э. В. Костылев. Пос. Персияновский : ДонГАУ, 1999. 100 с.
6. Михайлов Н. В., Кабанов В. Д., Карату-нов Г. А. Селекционно-генетические аспекты оценки наследственных качеств животных. Новочеркасск : ДонГАУ, 1996. 63 с.
7. Model of tsigai breed' meat quality improvement in pure breeding / P. S. Ostapchuk, S. А. Yemelianov, L. N. Skorykh, N. V. Konik, N. A. Kolotova // Research Journal of Pharmaceutical, Biological and Chemical Sciences. 2018. Т. 9. № 3. С. 756-764.
8. Панкратова О. П., Конопко Е. А., Катков К. А. Опыт применения облачных технологий в создании информационной образовательной среды ВУЗа // Проблемы современного педагогического образования. 2016. № 53-2. С. 143-149.
9. Катков К. А., Пашинцев В. П., Катков Е. К. Влияние параметров возмущенной ионосферы на ошибку слежения за фазой навигационного радиосигнала // Современная наука и инновации. 2016. № 2 (14). С. 52-64.
4. Algorithm to test the statistical significance of differences in economically useful traits between various genealogical groups of animals / K. A. Katkov, G. T. Bobryshova, L. N. Skorykh, O. S. Kopylova, M. A. Afa-nasyev // Agricultural Bulletin of Stavropol Region. 2018. № 2 (30). P. 86-90.
5. Intensification of breeding selection in pig breeding / N. V. Mikhaylov, G. A. Karatunov, O. L. Tretyakova, E. V. Kostylev. Vil. Persiano-vka : DonSAU, 1999. 100 p.
6. Mikhaylov N. V., Kabanov V. D., Karatu-nov G. A. Selection and genetic aspects of evaluation of hereditary qualities in animals. Novocherkassk : DonSAU, 1996. 63 p.
7. Model of tsigai breed' meat quality improvement in pure breeding / P. S. Ostapchuk, S. A. Yemelianov, L. N. Skorykh, N. V. Konik, N. A. Kolotova // Research Journal of Pharmaceutical, Biological and Chemical Sciences. 2018. T. 9. № 3. C. 756-764.
8. Pankratova O. P., Konopko E. A., Katkov K. A. Experience in the use of cloud technologies in the creation of information educational environment of the University // Problems of modern pedagogical education. 2016. № 53-2. P. 143-149.
9. Katkov K. A., Pashintsev V. P., Katkov Y. K. Influence of the parameters of the perturbed ionosphere on the error tracking the phase of navigation radio signal // Modern science and innovation. 2016. № 2 (14). P. 52-64.
