Introduzione

È necessario che la produzione lattiero-casearia aumenti per riuscire a soddisfare la domanda di proteine animali da parte della popolazione mondiale in crescita. Secondo la FAO, la produzione mondiale di latte ha raggiunto le 827 milioni di tonnellate nel 2018, il che rappresenta un aumento della produzione del 2% rispetto al 2017 (FAO, IFAD, UNICEF, WFP e OMS, 2018). Questo costante aumento presenta sfide a lungo termine sia in termini di fattibilità economica che di sostenibilità ambientale. Il gas metano (CH4), generato come conseguenza della fermentazione enterica nei ruminanti, può compromettere la sostenibilità dei prodotti lattiero-caseari. Il gas metano prodotto dal bestiame rappresenta il 17% delle emissioni globali di gas serra (Knapp et al., 2014) e dal 2 al 12% delle perdite di energia dagli alimenti nei ruminanti (Johnson et al., 1994). Pertanto, la riduzione delle emissioni di CH4 nelle produzioni animali è una delle sfide di questo secolo ed i ricercatori di diverse discipline tra cui nutrizione, fisiologia e genetica hanno compiuto sforzi sostanziali per contribuire alla ricerca al fine di sviluppare strumenti che possano essere d’aiuto (Johnson e Johnson, 1995; Boadi et al., 2004; Amon et al., 2006; Knapp et al., 2014).

Nell’ultimo decennio, diversi studi (Lassen e Løvendahl, 2016; Pszczola et al., 2017; van Engelen, 2018; Breider et al., 2018; Difford et al., 2018) hanno dimostrato che i tratti legati alle emissioni di CH4 nei bovini da latte hanno un’ereditabilità da bassa a moderata (da 0.11 a 0.33). Di conseguenza, selezionare animali con basse emissioni di CH4 è un approccio possibile per ridurre il CH4, dato che il progresso genetico è permanente e cumulativo nel corso delle generazioni. La selezione genetica, tuttavia, richiede un gran numero di animali con registrazioni di dati per prevedere degli accurati breeding value. Attualmente, i dati disponibili sulle emissioni di CH4 sono scarsi o inesistenti nella maggior parte dei paesi, poiché misurare il CH4 è molto costoso e richiede molta manodopera; inoltre, l’obiettivo di ridurre il CH4 emesso ha guadagnato slancio soltanto nell’ultimo decennio. La combinazione di dati provenienti da diversi paesi è una soluzione interessante per aumentare le dimensioni del set di dati e successivamente migliorare l’accuratezza dei parametri genetici per MeP, rispetto all’utilizzo di dati provenienti da un solo paese. Inoltre, le correlazioni genetiche con i tratti importanti dal punto di vista economico possono essere stimate in modo più accurato, rendendo possibile includere i tratti relativi al CH4 nei futuri obiettivi di allevamento.

Nonostante l’importanza delle emissioni di CH4, manca ancora un consenso su quale sia il tratto più appropriato da includere negli obiettivi di selezione (de Haas et al., 2017). Dovrebbe essere la produzione giornaliera di CH4 in g/g (MeP) per vacca, indipendentemente dalla correlazione con tratti come MY, BW e DMI, che sono già inclusi negli obiettivi di allevamento? O, in alternativa, dovrebbe essere un tratto indicativo come la produzione di CH4 [MeY; CH4 (g/d)/DMI (kg/d)], o l’intensità del CH4 [MeI; CH4 (g/g)/ECM (kg/d)] o un tratto residuale del CH4, corretto per il peso corporeo metabolico (MBW), l’ECM o il DMI? Una distinzione importante ma piuttosto sottile deve essere fatta tra i tratti oggettivi di allevamento e i tratti dell’indice di selezione, poiché non sono sempre gli stessi. Ad esempio, l’obiettivo dell’allevamento potrebbe essere quello di migliorare la MeI, ma per raggiungere questo obiettivo, la MeP ed l’ECM vengono inclusi nell’indice di selezione e non nel MeI direttamente. Comunicare il merito relativo dei diversi obiettivi di allevamento e dei diversi tratti inclusi negli indici di selezione richiede la conoscenza dei loro parametri genetici. Pertanto, sono necessarie correlazioni genetiche tra tratti del CH4 ed i tratti dell’efficienza per aiutare a chiarire il background genetico dietro le perdite di energia e per aiutare ad identificare quale sia il tratto del CH4 più appropriato da includere nell’obiettivo di selezione.

Infine, al momento non c’è consenso su quale sia il metodo più pratico ed economico per misurare le emissioni di CH4. Le camere di respirazione sono considerate il gold standard; tuttavia, l’elevato costo legato all’investimento di capitale e la limitazione dovuta all’avere un solo animale per camera contemporaneamente rendono le valutazioni genetiche estremamente impegnative. Più di recente, altri metodi hanno guadagnato popolarità, ad esempio gli sniffer (Garnsworthy et al., 2012a; Lassen et al., 2012), il gas tracciante SF6 (Grainger et al., 2007; Deighton et al., 2014) e l’Head-Camera Automated System (GreenFeed, C-lock Inc.), che consente misurazioni su un numero maggiore di animali al giorno in condizioni di allevamentio differenti come pascolo o stalle al chiuso. Fortunatamente, è stato visto che le emissioni di CH4 misurate dagli sniffer, dalla tecnica del gas tracciante SF6 e dall’Head-Camera Automated System sono altamente correlate con quelle effettuate tramite la camera di respirazione (~ 0.80, Garnsworthy et al., 2012b; Deighton et al., 2014; Difford et al., 2019).

In questo studio, un’importante sforzo a livello internazionale che ha coinvolto 4 diversi paesi ha permesso di creare un database internazionale molto vasto, con oltre 15.000 registrazioni di MeP appartenenti a circa 3.000 vacche. L’obiettivo primario di questo studio era quello di stimare i parametri genetici di 7 potenziali tratti legati al CH4 mentre quello secondario era di determinare le correlazioni genetiche tra tratti del CH4 ed i tratti di produzione, mantenimento ed efficienza utilizzando un database multinazionale. Il terzo obiettivo era quello di determinare come queste correlazioni possano cambiare durante le diverse fasi della lattazione e con un diverso numero dei parti. Un quarto obiettivo era quello di valutare la risposta attesa dei tratti importanti dal punto di vista economico in seguito all’inclusione dei tratti del CH4 negli obiettivi di allevamento.

Abstract

La selezione di animali, in grado di emettere quantitativi inferiori di metano (CH4), è uno dei migliori approcci per ridurne le emissioni, dato che il progresso genetico è permanente e cumulativo nel corso delle generazioni. Poiché la selezione genetica richiede un gran numero di animali e di dati, e pochi paesi registrano attivamente le emissioni di CH4, la combinazione dei dati provenienti da paesi diversi potrebbe aiutare ad accelerare la messa a punto di parametri genetici accurati per i tratti legati al CH4 ed a costruire una futura popolazione genomica di riferimento. Inoltre, se vogliamo includere il CH4 negli obiettivi dell’allevamento, è importante conoscere le correlazioni genetiche tra i tratti del CH4 e gli altri tratti importanti dal punto di vista economico. Pertanto, lo scopo di questo studio è stato innanzitutto quello di stimare i parametri genetici di 7 tratti legati alle emissioni di metano, nonché le correlazioni genetiche tra i tratti legati alle emissioni di metano ed i tratti di produzione, manutenzione ed efficienza utilizzando un database multinazionale. Il secondo obiettivo era quello di stimare le correlazioni genetiche tra il numero dei parti e gli stadi della lattazione e il CH4. Il terzo obiettivo era quello di valutare la risposta attesa dei tratti importanti dal punto di vista economico, dopo l’inclusione dei tratti legati al CH4 negli obiettivi di allevamento.

Sono stati analizzati un totale di 15.320 dati raccolti relativi alla produzione di metano (MeP, g/g) provenienti da 2.990 vacche appartenenti a 4 paesi (Canada, Australia, Svizzera e Danimarca). Erano disponibili anche dati sull’assunzione di sostanza secca (DMI), sul peso corporeo (PC), sul BCS e sulla produzione di latte (MY). Sono state calcolate anche caratteristiche aggiuntive come la produzione di metano (MeY; g/kg DMI), l’intensità delle emissioni di metano (MeI; g/kg di latte corretto per l’energia), una produzione genetica di metano standardizzata, e 3 definizioni di produzione residua di metano (g/g), di assunzione di alimento residua, di peso corporeo metabolico (MBW), di variazione del BW e di latte corretto per l’energia. L’ereditabilità stimata di MeP era 0.21, mentre le stime di ereditabilità per MeY e MeI erano 0.30 e 0.38. L’ereditabilità per i tratti residui del metano variava da 0.13 a 0.16. Le correlazioni genetiche tra i diversi tratti legati al metano erano da moderate ad alte (da 0.41 a 0.97). Le correlazioni genetiche tra MeP ed i tratti importanti dal punto di vista economico variavano da 0.29 (MY) a 0.65 (BW e MBW), con 0.41 per DMI. I calcoli dell’indice di selezione hanno mostrato che il metano residuo aveva un potenziale maggiore per essere inserito nell’obiettivo di allevamento rispetto a MeP, MeY e MeI, poiché il metano residuo consente la selezione di animali a bassa emissione di metano senza compromettere altri tratti economicamente importanti. L’inserimento dell’assunzione alimentare residua nell’obiettivo dell’allevamento potrebbe ridurre ulteriormente la produzione di metano, poiché la correlazione con il metano residuo è moderata e suscita una risposta correlata favorevole. L’aggiunta di una valenza economica negativo per le emissioni di metano potrebbe favorire una sostanziale riduzione di queste stesse emissioni pur mantenendo un incremento della produzione di latte.

 

Breeding for reduced methane emission and feed-efficient Holstein cows: An international response

C. I. V. Manzanilla-Pech1*, P. Løvendahl1, D. Mansan Gordo1, G. F. Difford1, J. E. Pryce2,3 F. Schenkel4, S. Wegmann5, F. Miglior4, T. C. Chud4, P. J. Moate6,7, S. R. O. Williams7, C. M. Richardson2,3, P. Stothard8 and J. Lassen9

  1. Center for Quantitative Genetics and Genomics, Aarhus University, PO Box 50, DK-8830 Tjele, Denmark.
  2. Agriculture Victoria, AgriBio, Centre for AgriBioscience, Bundoora, Victoria 3083, Australia.
  3. School of Applied Systems Biology, La Trobe University, Bundoora, Victoria 3083, Australia.
  4. Centre for Genomic Improvement of Livestock, Department of Animal Biosciences, University of Guelph, Guelph, ON, N1G 2W1, Canada.
  5. Qualitas AG, 6300 Zug, Switzerland.
  6. Centre for Agricultural Innovation, School of Agriculture and Food, Faculty of Veterinary and Agricultural Sciences, The University of Melbourne, Victoria 3083, Australia.
  7. Agriculture Victoria Research, Ellinbank, Victoria 3820, Australia.
  8. Faculty of Agricultural, Life and Environmental Science, Agriculture, Food and Nutrition Sciences Department, University of Alberta, Edmonton, AB, T6G 2C8, Canada.
  9. Viking Genetics, Ebeltoftvej 16, Assenstoft, 8960 Randers, Denmark.

*Corresponding author: coralia.manzanilla@qgg.au.dk

J. Dairy Sci. 104:8983–9001 – DOI: https://doi.org/10.3168/jds.2020-19889

© 2021, The Authors. Published by Elsevier Inc. and Fass Inc. on behalf of the American Dairy Science Association®.

This is an open access article under the CC BY-NC-ND license (http://creativecommons.org/licenses/by-nc-nd/4.0/).