基于人工智能的混合模型在奶牛耐热表型精准选育中的创新应用

本研究针对极端天气下奶牛热应激严重影响生产与福利的问题，开发了一种融合人工智能与统计遗传学的混合模型（HAIM）。通过整合20年气候数据与300万条奶牛生产记录，该模型实现了对个体耐热性（随机斜率）与基础产奶量（随机截距）的精准评估。结果显示HAIM残差标准差（3.25 L/牛/测试日）低于传统统计模型（3.37 L/牛/测试日），且高生产性能个体更易受热应激影响。该研究为在不牺牲整体生产水平的前提下提升耐热性选育提供了创新方案。

　　

随着全球气候变暖加剧，极端高温天气正对畜牧业构成严峻挑战。在奶牛养殖领域，热应激（Heat Stress）已成为破坏生产性能和动物福利的主要因素。当温度湿度指数（Temperature-Humidity Index, THI）超过特定阈值时，奶牛会出现采食量下降、代谢紊乱以及产奶量显著降低等问题。目前奶牛耐热性选育主要依赖传统统计模型，但这些模型在精准度和效率上存在局限，难以同时兼顾耐热性与高产性状的平衡选择。

针对这一难题，由A. Chlingaryan、P.C. Thomson、S.C. Garcia和C.E.F. Clark组成的研究团队在《Smart Agricultural Technology》上发表了一项突破性研究。他们开发了一种新型混合人工智能模型（Hybrid AI-based Method, HAIM），将人工智能技术与统计遗传学模型相结合，旨在更精确地识别耐热表型，为育种实践提供可靠工具。

该研究整合了长达20年的气候数据与澳大利亚新南威尔士州荷斯坦奶牛的生产记录（共300万条数据），构建了能够同时评估群体与个体水平的产奶量随THI变化的回归模型。其中，随机截距反映基础产奶能力，随机斜率表征个体产奶量随THI上升（超过60时）的下降速率，即耐热性指标。

关键技术方法包括：基于长期气候与生产数据构建THI-产奶量响应模型；使用随机回归模型估计个体随机斜率和截距；应用人工智能算法优化参数估计；通过残差分析和相关性验证模型精度。所有数据均来自新南威尔士州荷斯坦奶牛群体。

研究结果

模型精度比较

HAIM模型的残差标准差为3.25 L/牛/测试日，低于传统统计模型的3.37 L/牛/测试日，表明人工智能模型的预测更精确。

耐热性估计一致性

两种模型估计的随机斜率具有高度相关性（R2＝0.93），说明HAIM在保持与传统方法一致性的同时，提供了更稳定的估计结果。

生产性能与耐热性关联

随机截距（基础产奶量）与随机斜率（耐热性）呈负相关，证实高产奶牛对热应激更敏感，揭示了高产与耐热性之间的权衡关系。

研究结论与讨论

该研究成功开发了HAIM模型，有效整合了人工智能与统计遗传学方法的优势，实现了对奶牛耐热性的精准评估。结果表明，通过同时考虑随机截距（生产水平）和随机斜率（耐热性），可在不牺牲整体生产性能的前提下选育耐热性更佳的个体。这一方法为解决热应激带来的畜牧业损失提供了科学依据，对提升气候适应性育种策略、保障动物福利及可持续奶业发展具有重要实践意义。该模型的应用可扩展到其他物种与环境挑战相关的表型选育中，代表了智慧农业技术在精准畜牧业中的前沿进展。