Die Zuchtauswahl in der modernen Milchviehhaltung hat sich von einem eindimensionalen Ansatz, der ausschließlich auf die Maximierung der gesamten Milchmenge ausgerichtet war, zu einer mehrdimensionalen und hochkomplexen biomathematischen Disziplin entwickelt, die genetisches Potenzial, metabolische Effizienz, ökologische Nachhaltigkeit, Tierwohl und bioökonomische Rentabilität zusammenführt. Der aggressive, einseitig auf Milchleistung fokussierte Selektionsdruck des späten 20. Jahrhunderts brachte Kühe an ihre physiologischen Grenzen und führte zu negativen genetischen Korrelationen wie einer geringeren Fruchtbarkeit, einer höheren Anfälligkeit für Stoffwechselstörungen und einer verkürzten Nutzungsdauer im Bestand. Heute erzwingen die klimabedingten Umweltbelastungen, die unvorhersehbaren Schwankungen der globalen Futterkosten und die Verpflichtung der Agrarwirtschaft, ihren CO₂-Fußabdruck zu verringern, eine grundlegende Neugestaltung der Selektionsindizes. Dieser umfassende Beitrag analysiert globale Veränderungen in der Standardisierung phänotypischer Daten, die Neustrukturierung wirtschaftlicher Indizes, Paradigmen der Futtereffizienz, Biomarker der Hitzetoleranz, Methoden zur Messung von Methanemissionen sowie den theoretischen Rahmen hinter ssGBLUP-Modellen.
Globaler Paradigmenwechsel
Mit der breiten Einführung der genomischen Selektion in den USA (ab 2009) hat sich die Geschwindigkeit des genetischen Fortschritts um das 2- bis 3-Fache erhöht. Im April 2025 stieg der Anteil des Milchfetts im Net-Merit-Index (NM$) von 24,7 % auf 31,8 %, während die Gewichtung des Proteins von 19,6 % auf 13,0 % sank. Die dem Body Weight Composite (BWC) zugewiesene „Gewichtssteuer“ von -57 US-Dollar pro Punkt spiegelt das neue Zeitalter metabolisch effizienter Kühe wider.
VetKriter-Rechner für das Zuchtpotenzial
Geben Sie die Leistungsdaten Ihres Tieres ein und berechnen Sie einen Zuchtpotenzial-Score (0-100), der mit wissenschaftlichen Korrekturfaktoren für Parität, Kalbealter, Jahreszeit und THI standardisiert ist.
Zuchtscore berechnen1. Einleitung: Die Entwicklung der Selektion und die heutigen Erfordernisse
Der genetische Fortschritt beim Milchvieh hat in den vergangenen hundert Jahren einen tiefgreifenden Wandel durchlaufen. Zu Beginn des 20. Jahrhunderts beruhten Selektionsentscheidungen weitgehend auf phänotypischer Beobachtung. Seit den 1930er-Jahren schufen systematische Milchleistungsprüfungen und die Übertragung der quantitativen Genetik von Jay L. Lush auf die Tierzucht eine wissenschaftliche Grundlage, auf der geschätzte Zuchtwerte (EBV) in die Praxis eingeführt wurden. In den 1970er-Jahren revolutionierte die von Charles R. Henderson entwickelte BLUP-Methode (Best Linear Unbiased Prediction) die Genauigkeit genetischer Bewertungen, weil sie eine systematische Trennung von Umwelteinflüssen ermöglichte.
Der intensive einseitige Selektionsdruck am Ende des 20. Jahrhunderts führte jedoch zu unerwarteten Nebeneffekten. Während sich die Milchleistung in Holstein-Populationen zwischen 1960 und 2020 ungefähr verdreifachte, gingen Fruchtbarkeitsindizes parallel zurück, die Häufigkeit metabolischer Erkrankungen stieg an, und die durchschnittliche Nutzungsdauer verkürzte sich. Diese negativen genetischen Korrelationen zwangen die Branche, zu balancierten, merkmalsübergreifenden Selektionsindizes überzugehen.
Mit der offiziellen Integration der genomischen Selektion in die nationalen Zuchtwertschätzungen der USA im Jahr 2009 begann eine neue Ära in der Rinderzucht. Dank hochdichter SNP-Genotypisierungspanels (Single Nucleotide Polymorphism) lässt sich das genetische Potenzial von Tieren bereits im Färsenalter mit hoher Genauigkeit vorhersagen. Das Generationenintervall bei Bullen sank von 6-7 Jahren auf etwa 2 Jahre, und die jährliche Geschwindigkeit des genetischen Fortschritts nahm um das 2- bis 3-Fache zu.
Heute umfasst Selektion nicht mehr nur Produktions- und Gesundheitsmerkmale, sondern auch Merkmale der nächsten Generation wie Futtereffizienz (Feed Saved — FSAV), Hitzetoleranz, Methaneffizienz (MEF) und Nachhaltigkeit.
2. Standardisierung phänotypischer Daten und Rekalibrierung der Laktationskurven
Die Qualität einer Zuchtwertschätzung hängt unmittelbar von der Genauigkeit der zugrunde liegenden phänotypischen Daten und von deren Standardisierbarkeit ab. Damit Tiere hinsichtlich ihres genetischen Potenzials fair verglichen werden können, müssen Umweltvarianzquellen wie Alter, Parität, Kalbezeitpunkt, Melkhäufigkeit und vorherige Zwischenkalbe- bzw. Open-Days-Informationen mathematisch isoliert werden.
2.1 Der Übergang von 305-ME zu 305-AA
Seit 1935 stützte sich die Milchviehbranche auf die Standardisierung nach 305-Tage Mature Equivalent (305-ME). Dieses Verfahren beruhte auf der Schätzung jener Leistung, die eine Kuh im reifen Alter von 61-86 Monaten erbracht hätte. Drei Jahrzehnte intensiver genomischer Selektion haben die Reifungskurven von Milchkühen jedoch deutlich verändert. Moderne Milchkühe erreichen ihre physiologische Reife wesentlich früher, und der Leistungsabstand zwischen der ersten und der dritten bzw. vierten Laktation ist zunehmend kleiner geworden.
Umstellung auf den 305-AA-Standard (August 2024)
USDA AGIL und CDCB analysierten 101,5 Millionen Milch-, 100,5 Millionen Fett- und 81,2 Millionen Proteinkontrollen aus den Jahren 1960-2022 erneut. Seit August 2024 wurde das 305-ME-System aufgegeben und durch das 305-AA-System (Average Age) ersetzt.
Verschiebung des Referenzpunkts
Laktationsdaten werden nun auf ein durchschnittliches Alter von 36 Monaten (Beginn der zweiten Laktation) standardisiert, nicht mehr auf ein theoretisches Reifealter. Das frühere ME-System überschätzte die tatsächliche Leistung um etwa 10 %.
Erweiterte Klimaregionen
Anstelle der früheren drei geografischen Regionen definiert das neue Modell fünf spezifische Klimaregionen auf Basis mittlerer Klimascores. Durch moderne Haltungssysteme ist der Anteil saisonaler Varianz an der Gesamtvarianz geringer geworden.
Rassespezifische Koeffizienten
Statt allgemeiner, Holstein-dominierter Koeffizienten werden nun rassespezifische Koeffizienten entsprechend der Entwicklungsbiologie von Jersey, Brown Swiss, Ayrshire und anderen Rassen berechnet.
2.2 Auswirkungen des 305-AA-Übergangs auf PTA und ökonomische Indizes
| Rasse | Veränderung PTA Milch | PTA Fett/Protein | Auswirkung auf NM$ |
|---|---|---|---|
| Holstein | Aufwärtskalibrierung | Nach oben | +10 bis +15 US-Dollar |
| Jersey | Rückgang um etwa 100 lb | Rückgang um etwa 6 lb (Fett + Protein) | -50 bis -70 US-Dollar |
| Brown Swiss | Minimale Veränderung | Nahe null | Stabil |
| Ayrshire / Guernsey | Minimale Veränderung | Geringe Schwankung | Stabil |
Wichtiger Hinweis
Diese Ergebnisse zeigen, dass die Aktualisierung phänotypischer Standardisierungsmodelle einen seismischen Effekt auf genetische Rangfolgen haben kann. Für Züchter ist es daher entscheidend zu wissen, welches Standardisierungssystem verwendet wurde, wenn sie Werte aus Bullenkatalogen interpretieren.
3. Aktualisierung der genetischen Basis und Integration neuer phänotypischer Merkmale
Die genetische Basis, also der Referenzpunkt genetischer Bewertungen, wird in regelmäßigen Abständen aktualisiert. Sie ist die Ausgangslinie, bei der die durchschnittlichen PTA-Werte der in einem bestimmten Jahr geborenen Kühe auf null gesetzt werden. In den meisten Populationen wird diese Basis alle fünf Jahre fortgeschrieben.
3.1 Aktualisierung der genetischen Basis im April 2025
Warum wird die Basis aktualisiert?
- Der genetische Fortschritt ist kontinuierlich, sodass der Abstand zwischen alter Basis und neuen Tieren stetig wächst
- PTA-Werte „blasen sich“ mit der Zeit auf; eine neue Basis korrigiert diese Inflation
- Sie stellt einen sinnvollen Vergleich mit der aktuellen Population wieder her
- Standardabweichungen für Milch, Fett, Protein und SCS werden rassespezifisch neu berechnet
Worauf geachtet werden muss
- Die PTA desselben Bullen sinkt nach einer Basisumstellung rechnerisch; das ist kein genetischer Verlust
- Selektionsschwellen aus älteren Referenzsystemen werden inkompatibel
- Verschiedene Länder arbeiten mit unterschiedlichen Basisjahren; internationale Vergleiche erfordern deshalb Vorsicht
- Holstein PTA Milch: etwa -750 lb; PTA Fett: etwa -45 lb (mathematischer Effekt)
3.2 Neues phänotypisches Merkmal: Melkgeschwindigkeit (MSPD)
Fortschritte in der Datenerfassung ermöglichen es, neue Phänotypen in die Zuchtauswahl einzubeziehen. Seit August 2025 wurde das Merkmal Melkgeschwindigkeit (Milking Speed — MSPD) für Holsteins grundlegend überarbeitet. Das neue MSPD stützt sich auf objektive Daten aus Inline-Sensortechnologien in Melksystemen und nicht mehr auf subjektive Bewertungen durch Klassifizierer. Auf Grundlage einer durchschnittlichen Flussrate von 7 lb (3,18 kg) pro Minute ist dieses Merkmal zu einem wichtigen Kriterium für die Effizienz moderner Melkstände und für die Auswahl von Kühen geworden, die für automatische Melksysteme (AMS) geeignet sind.
4. Einfluss lokaler Umweltfaktoren und morphologischer Merkmale auf die Milchleistung
Neben globalen Standardisierungsmodellen ist das Verständnis der lokalen Dynamik von Genotyp-Umwelt-Interaktionen (GxE) für regionale Anpassung und Produktivität von zentraler Bedeutung. Regionale Studien, die untersuchen, wie Umweltvarianz auf lokaler Ebene wirkt und wie spezifische Konformationsmerkmale mit der Produktion zusammenhängen, liefern wichtige Rückmeldungen für die Anwendung globaler Indizes in lokalen Populationen.
4.1 Studien des Bahri-Dagdas-Instituts für internationale Agrarforschung
In der Türkei liefern langfristige Untersuchungen an Brown-Swiss-Rindern, die von Mehmet Colak und seinem Forschungsteam am Bahri Dagdas International Agricultural Research Institute durchgeführt wurden, bemerkenswerte Befunde. Bei der Auswertung von Laktationsdaten aus den Jahren 1987 bis 1999 wurde die Heritabilität der 305-Tage-Milchleistung bei unter Institutsbedingungen gehaltenen Brown-Swiss-Kühen auf 0,23 in der ersten Laktation und auf 0,19 über alle Laktationen hinweg geschätzt (Tilki, Colak & Sari, 2009).
Forschungsergebnisse aus Bahri Dagdas
Die Feststellung, dass die Heritabilität der 305-Tage-Milchleistung bei Brown-Swiss-Kühen in der ersten Laktation h² = 0,23 und über alle Laktationen hinweg h² = 0,19 beträgt, bestätigt den dominierenden Einfluss von Umweltfaktoren auf die Milchleistung. Diese mittleren Heritabilitäten erklären wissenschaftlich, warum phänotypische Korrekturfaktoren in der Zuchtwertschätzung unverzichtbar sind.
4.2 Zusammenhang zwischen Eutermorphologie und Milchproduktion
Dieselbe Arbeitsgruppe untersuchte außerdem detailliert die Beziehungen zwischen Eutermorphologie und phänotypischer Milchproduktion. In Studien zum Einfluss der Zitzenform auf Milchleistung und Melkeigenschaften wurden Zitzen als zylindrisch, trichterförmig oder flaschenförmig klassifiziert (Tilki, Inal, Colak & Garip, 2005).
| Zitzenform | Mittlere 305-Tage-Milchleistung (kg) | Statistische Bewertung |
|---|---|---|
| Zylindrisch | 3.156 | Statistisch signifikant höher (P < 0,05) |
| Trichterförmig | 3.169 | |
| Flaschenförmig | 2.377 | Signifikant niedrigere Leistung |
In einer weiteren Studie wurden 400 Zitzenkanäle ultrasonographisch untersucht; 20 % verliefen gekrümmt, 80 % linear. Diese anatomische Variation führte nicht zu einem statistisch signifikanten Unterschied in der endgültigen Milchleistung. Maße wie vordere und hintere Zitzenlänge, Zitzendurchmesser und Euterhöhe nach dem Melken zeigten dagegen je nach Laktationsnummer statistisch signifikante Veränderungen (P < 0,001).
Beitrag morphologischer Studien zu Selektionsindizes
Solche lokalen morphologischen Untersuchungen liefern die biologische Begründung dafür, funktionale Exterieurmerkmale wie den Udder Composite (UDC) mit hohem wirtschaftlichem Gewicht in moderne Selektionsindizes zu integrieren. Die Euterstruktur beeinflusst nicht nur die Melkgeschwindigkeit, sondern auch die Mastitisresistenz und die Nutzungsdauer im Bestand.
4.3 Umweltkorrekturfaktoren: Vergleich zwischen der Türkei und der globalen Literatur
Die aus den Bahri-Dagdas-Studien abgeleiteten Umweltkorrekturfaktoren stimmen in hohem Maße (über 90 %) mit der aktuellen internationalen Literatur überein, darunter CDCB 305-AA, ICAR 2024 und JDS 2025:
Paritätskoeffizient (Basis = 3.-4. Laktation = 1,00)
| Laktation | Koeffizient | Türkei (DSYMB) | Global (CDCB/ICAR) |
|---|---|---|---|
| 1. Laktation | ×1,13 (1,12-1,15) | Ø ×1,13 | ×1,12-1,15 ✓ |
| 2. Laktation | ×1,06 (1,05-1,08) | Übereinstimmend | ×1,05-1,08 ✓ |
| 3.-4. Laktation | ×1,00 | Basis | Basis ✓ |
| 5.+ Laktation | ×0,94 (0,92-0,96) | ×0,93-0,96 | ×0,92-0,95 ✓ |
Koeffizient für das Kalbealter (Basis = 37-48 Monate = 1,00)
| Altersgruppe | Koeffizient | Bewertung | Globale Übereinstimmung |
|---|---|---|---|
| <30 Monate | ×1,18 (1,15-1,20) | Stärkste Korrektur | USDA: ×1,17-1,20 ✓ |
| 31-36 Monate | ×1,10 (1,08-1,12) | Mittlere Korrektur | ✓ |
| 37-48 Monate | ×1,00 | Referenz | CDCB-Basis bei 36 Monaten ✓ |
| 49-60 Monate | ×0,97 | Leichter Rückgang | ✓ |
| >60 Monate | ×0,93 (0,92-0,95) | Langlebigkeitseffekt | ×0,92-0,95 ✓ |
Saisonkoeffizient (Basis = Frühjahr = 1,00)
| Saison | Koeffizient | Bewertung | Globale Übereinstimmung |
|---|---|---|---|
| Winter (Dez-Feb) | ×1,08 (1,05-1,10) | Höchste Leistung | ×1,07-1,10 ✓ |
| Frühjahr (Mär-Mai) | ×1,00 | Referenz | Basis ✓ |
| Sommer (Jun-Aug) | ×0,93 (0,90-0,95) | Hitzestress | 7-10 % Rückgang ✓ |
| Herbst (Sep-Nov) | ×1,01 (0,98-1,02) | Nahe am Frühjahr | ×1,00-1,02 ✓ |
Formel für die korrigierte 305-Tage-Milchleistung
Multiplikative Korrekturformel zur Standardisierung der Rohleistung eines Tieres:
Korrigierte 305-AA-Milch (kg) = Rohmilch × Parität × Kalbealter × Jahreszeit × THI-Korrektur
Der VetKriter-Rechner für das Zuchtpotenzial wendet diese Korrektur automatisch an.
5. Neustrukturierung ökonomischer Selektionsindizes: Die Revision von NM$ 2025
Der wichtigste Mechanismus, über den genotypische Daten in der Praxis nutzbar werden, sind ökonomische Selektionsindizes. In den USA ist der wichtigste nationale Index der Lifetime Net Merit Index (NM$), der den Nettogewinn in US-Dollar schätzt, den die durchschnittliche Tochter eines Milchrindes über ihre Lebenszeit erwirtschaftet. Die NM$-Formel umfasst ungefähr 40 ökonomisch relevante Merkmale:
Grundformel von NM$
NM$ = a' × u
a = Vektor der ökonomischen Werte der einzelnen Merkmale (marginaler Gewinnbeitrag); u = PTA-Vektor des Tieres. Einige Merkmale, etwa SCS, werden nach einer Normierung einbezogen.
5.1 Der Aufstieg des Butterfettwerts und der relative Rückgang des Proteins
Im ökonomischen Modell 2025 wurde der Fettpreis pro Pfund in Class-III-Milch von 2,10 auf 2,80 US-Dollar angehoben, während der Proteinpreis bei 2,60 US-Dollar konstant blieb:
Butterfett
24,7 % → 31,8 %
Am stärksten gewichtetes Merkmal
Protein
19,6 % → 13,0 %
Deutlich geringere Gewichtung
5.2 Überlebensfähigkeit versus Nutzungsdauer
| Ökonomischer Parameter | Früherer Wert | Wert 2025 | Veränderung |
|---|---|---|---|
| Schlachtkuhpreis (lb) | 0,60 US-Dollar | 0,90 US-Dollar | +50 % |
| Wert eines weiblichen Kalbs | 200 US-Dollar | 400 US-Dollar | +100 % |
| Kosten eines Kuhverlusts durch Tod | 1.800 US-Dollar | 2.038 US-Dollar | +13 % |
Weil sich die finanzielle Differenz zwischen dem Abgang zur Schlachtung (ökonomische Rückgewinnung) und dem Verenden auf dem Betrieb (Totalverlust) vergrößert hat, erhalten Cow Livability (LIV) und Heifer Livability (HLIV) ein deutlich höheres Gewicht. Die Gesamtgewichtung der Nutzungsdauer (Productive Life — PL) wurde dagegen von 11,0 % auf 8,0 % gesenkt.
5.3 Die Gewichtssteuer
Die alte Annahme „größere Kühe geben mehr Milch“ ist im genomischen Zeitalter dem Konzept der metabolischen Effizienz gewichen. Die Anhebung der Futterkosten von 0,11 auf 0,12 US-Dollar je Pfund, des Erhaltungsbedarfs an Trockenmasse pro Laktation von 4,50 auf 5,50 lb und der Färsenaufzuchtkosten von 0,75 auf 0,85 US-Dollar/lb hat große Kühe teurer im Unterhalt gemacht. Ein Anstieg des BWC um +1,0 Punkte entspricht -57 US-Dollar im lebenslangen NM$ und wird ökonomisch als „Gewichtssteuer“ sichtbar.
5.4 Innovationen in den Fertilitätsalgorithmen
Die zunehmende Verbreitung von sexiertem Sperma und Beef-on-Dairy-Kreuzungen hat die Reproduktionsökonomie grundlegend verändert. Das Modell 2025 verlässt die frühere Annahme von 100 % konventionellem Milchviehsperma und integriert stattdessen den Einsatz von 60 % sexiertem Milchviehsperma (25 US-Dollar je Dosis) und 40 % konventionellem Fleischrindersperma (10 US-Dollar je Dosis).
Rentabilität je Laktation
1. Laktation
-120 US-Dollar
Verlust aufgrund hoher Aufzuchtkosten
2. Laktation
+151 US-Dollar
Beginn der Rentabilität
3. Laktation
+209 US-Dollar
Höchste Rentabilität
Diese Zahlen erklären mathematisch, warum Fruchtbarkeit und Gesundheit für die Wirtschaftlichkeit unverzichtbar sind.
5.5 Relative ökonomische Gewichte im NM$ nach Rassen (April 2025)
| Merkmal / Kategorie | Holstein (%) | Jersey (%) | Brown Swiss (%) | Ayrshire (%) |
|---|---|---|---|---|
| Fett | 24,7 | 29,9 | 26,9 | 30,2 |
| Protein | 11,4 | 15,2 | 14,3 | 15,2 |
| Milchmenge | 2,9 | 3,4 | 3,3 | 3,7 |
| Nutzungsdauer (PL) | 12,3 | 15,8 | 18,0 | 16,9 |
| Residual Feed Intake (RFI) | -14,2 | 0 | 0 | 0 |
| Body Weight Composite (BWC) | -11,2 | -13,0 | -13,0 | -14,4 |
| Cow Livability (LIV) | 5,9 | 6,0 | 6,6 | 5,1 |
| Udder Composite (UDC) | 1,2 | 1,0 | 1,3 | 2,0 |
| Somatic Cell Score (SCS) | -2,6 | -2,6 | -3,3 | -3,6 |
| Daughter Pregnancy Rate (DPR) | 2,6 | 3,6 | 3,4 | 3,5 |
Tabellendaten: USDA ARR NM$9, Revision 2025. RFI-Daten liegen derzeit nur für Holsteins vor; da sie bei anderen Rassen nicht gemessen werden, steigt die Gewichtung anderer Merkmale proportional an.
NM$-Varianten
Cheese Merit (CM$): Negative Gewichtung der Milchmenge, hohe Gewichtung des Proteins. Fluid Merit (FM$): Protein wird mit null bewertet; es zählen nur Menge und Fett. Grazing Merit (GM$): Gewichtet Fruchtbarkeitsmerkmale wie DPR und CCR mit etwa dem 2,5-Fachen der Standardindizes.
6. Paradigmen der Futtereffizienz: Feed Saved (FSAV) und RFI
In Milchviehbetrieben entfallen mehr als die Hälfte der gesamten Betriebskosten direkt auf das Futter. Das Merkmal Feed Saved (FSAV), das CDCB im Dezember 2020 in die genetischen Bewertungen aufgenommen hat, ist einer der wichtigsten Bausteine des Optimierungsparadigmas „Income Over Feed Cost (IOFC)“.
6.1 Definitionen von FSAV und RFI
FSAV ist ein zusammengesetzter Index aus zwei Komponenten: Body Weight Composite (BWC) und Residual Feed Intake (RFI).
Was ist RFI?
RFI ist die Differenz zwischen der tatsächlichen Futteraufnahme einer Kuh und der erwarteten Futteraufnahme, die aus Körpergröße, Wachstum, Milchleistung und Körperkondition berechnet wird. Negatives RFI kennzeichnet ein metabolisch überlegenes Tier, das weniger frisst als erwartet. Die Heritabilität liegt bei h² ≈ 0,19 und damit höher als bei somatischem Zellscore oder Trächtigkeitsrate.
Beispiel für einen FSAV-PTA
Die Töchter eines Holsteinbullen mit einem FSAV-PTA von +200 verbrauchen pro Laktation im Mittel 200 lb (~90 kg) weniger Trockenmasse als ihre Vergleichstiere. Per Definition ist die genetische Korrelation von RFI mit Leistungsmerkmalen nahe null, sodass metabolisch effiziente Kühe ohne Leistungseinbußen selektiert werden können.
Verknüpfung mit ökologischer Nachhaltigkeit
Wissenschaftlich ist belegt, dass Kühe mit geringerem Futterverbrauch auch weniger Exkremente und damit geringere Methanemissionen erzeugen. Futtereffizienz ist damit zu einem Schlüsselfaktor ökologischer Nachhaltigkeit geworden. Um Doppelzählungen in der NM$-Formel zu vermeiden, werden die ökonomischen Gewichte von BWC und RFI ausbalanciert in das System integriert (2025: BWC -11,0 %, RFI -6,8 %).
7. Genomische Anpassung an die Klimakrise: Hitzetoleranz
Steigende Umgebungstemperaturen infolge des globalen Klimawandels gehören zu den größten biologischen Risiken für die Milchviehhaltung. Modellrechnungen gehen davon aus, dass unkontrollierter Hitzestress der weltweiten Milchindustrie bis 2050 eine jährliche wirtschaftliche Belastung von 30 Milliarden US-Dollar auferlegen könnte.
7.1 Die physiologische Kaskade des Hitzestresses
THI-Formel (Temperatur-Feuchte-Index)
THI = (1.8 × Tdb + 32) − [(0.55 − 0.0055 × RH%) × (1.8 × Tdb − 26)]
Tdb = Trockentemperatur (°C); RH% = relative Luftfeuchtigkeit. Hitzestress beginnt ungefähr bei einem THI von 68-72.
Überschreitet der THI diesen Schwellenwert, leiten Kühe den Blutfluss von inneren Organen zu peripheren Geweben um, um Wärme über den Körper abzugeben. Daraus ergibt sich folgendes Muster:
| THI-Bereich | Stressniveau | Verlust an TM-Aufnahme | Auswirkung auf die Milchleistung | Korrekturfaktor |
|---|---|---|---|---|
| ≤67 | Kein Stress | — | Normal | ×1,00 |
| 68-72 | Leicht | 0,5-1,0 kg/Tag | 3-5 % Rückgang | ×0,97 |
| 73-77 | Mittel | 1,5-2,5 kg/Tag | 5-10 % Rückgang; SCC ↑ | ×0,93 |
| 78+ | Schwer | 2,5-3,75 kg/Tag | 10-25 % Rückgang; embryonale Verluste ↑ | ×0,88 |
7.2 Reaktionsnorm-Modelle und GEBV für Hitzetoleranz
Zoetis und andere genetische Forschungskonsortien haben durch die Verknüpfung von Millionen Testtagsdaten mit Wetterinformationen spezifische genomische Zuchtwerte für Hitzetoleranz (GEBV) entwickelt. Diese Auswertungen konzentrieren sich auf zwei Merkmale: Resistenz gegen den Rückgang der Trächtigkeitsrate bei steigendem THI (CFS_THI) und Resistenz gegen den Rückgang der Milchleistung (MILK_THI). Validierungsstudien haben klinisch bestätigt, dass Kühe mit hohen CFS_THI- und MILK_THI-Zuchtwerten selbst während starker Hitzewellen (≥25 °C) Rektaltemperaturen unter 39 °C halten können.
7.3 Molekulare Biomarker und die SLICK-Variante
Genome-wide Association Studies (GWAS) haben gezeigt, dass QTL auf den Chromosomen BTA 3, 6, 14 und 17 direkt mit Hitzetoleranz verbunden sind. Transkriptomische Analysen ergaben, dass unter Hitzestress die Expression laktationsrelevanter Gene im Eutergewebe (α-Kasein, β-Laktoglobulin) um 30-40 % abnimmt, während mitochondriale Fusionsgene wie Mfn2 herunterreguliert werden.
Das SLICK-Gen: die radikalste genomische Entdeckung
Der SLICK-Haplotyp, ursprünglich in karibischen Senepol-Rindern identifiziert, beruht auf einer dominanten Mutation im Prolaktinrezeptor-Gen (PRLR). Er verleiht den Tieren ein charakteristisch kurzes, dünnes Haarkleid und maximiert dadurch die Aktivität der Schweißdrüsen sowie die Wärmeabgabe über die Haut. Durch Introgressionsprogramme wurde das Merkmal erfolgreich in hochleistende Holstein- und Jersey-Populationen übertragen. SLICK-tragende Kühe zeigen bei Hitzewellen deutlich geringere Einbrüche der Milchleistung und eine erweiterte thermoneutrale Zone.
8. Ökologische Nachhaltigkeit: genomische Bewertung von Methanemissionen
Die Wiederkäuerhaltung ist für etwa 14,5 % der globalen Treibhausgasemissionen verantwortlich, die auf menschliche Aktivitäten zurückzuführen sind. Einen großen Anteil daran hat Methan (CH₄), dessen Treibhauspotenzial 28-mal höher ist als das von CO₂. Methanogene Archaeen im Pansen verbinden metabolischen Wasserstoff mit CO₂ aus der Fermentation und synthetisieren so Methan. Dieses enterische Methan stellt für das Tier einen irreversiblen Verlust von 4-7 % der aufgenommenen Bruttoenergie dar.
8.1 ICAR Section 20: Rahmen für die genetische Bewertung von Methan
Mit den Leitlinien der Section 20 hat das International Committee for Animal Recording (ICAR) den globalen technischen Rahmen für die standardisierte genetische Bewertung von Methanemissionen beim Milchvieh festgelegt. Wissenschaftliche Arbeiten zeigen, dass Methanproduktion (MeP — g/Tag), Methanintensität (MeI — g CH₄/kg Milch) und Methanertrag (MeY — g CH₄/kg TM-Aufnahme) messbare Merkmale mit Heritabilitäten von h² = 0,12 bis 0,35 sind.
8.2 Methoden zur Methanmessung
| Methode | Genauigkeit | Kosten | Datenvolumen | Einsatzbereich |
|---|---|---|---|---|
| Respirationskammern (RC) | Goldstandard | Sehr hoch | Sehr niedrig | Forschung |
| SF₆-Tracermethode | Hoch | Mittel | Niedrig | Forschung / Praxis |
| GreenFeed-Systeme | Hoch | Mittel | Mittel | Feldforschung |
| Sniffer-Systeme (AMS) | Mittel | Niedrig | Sehr hoch | Robotische Melksysteme |
| Laser-Methandetektoren | Variabel | Niedrig | Hoch | Feldscreening |
8.3 Milch-MIR-Spektroskopie: ein transformativer phänotypischer Proxy
Da es unmöglich ist, Millionen Kühe auf nationaler Ebene direkt mit Messgeräten zu testen, ist die Mid-Infrared-Spektroskopie (MIR) der Milch zum wichtigsten phänotypischen Proxy geworden. Bei der routinemäßigen Milchanalyse erfassen MIR-Geräte die Absorptionsmuster von Infrarotlicht, das durch die Milchprobe geleitet wird, und erzeugen detaillierte Spektraldaten. Modelle der partiellen kleinsten Quadrate (PLS) und Algorithmen der künstlichen Intelligenz kombinieren diese MIR-Spektren mit Milchleistung, DIM und Parität und können so die tägliche enterische Methanproduktion einer Kuh mit einer Genauigkeit von R² = 0,60-0,70 schätzen.
8.4 Kanadas Vorreiterrolle: das GEBV-Modell für Methaneffizienz (MEF)
Das erste Land, das diese Technologie in ein nationales Zuchtprogramm integriert hat, war Kanada (das Lactanet-Konsortium). Nach der Auswertung von mehr als 13 Millionen MIR-Milchdatensätzen veröffentlichte Lactanet im April 2023 offiziell einen GEBV für die Methaneffizienz (MEF) bei Holsteins.
Technische Details des MEF-Modells
- Software: MiX99 — ein Single-Step-Tiermodell mit vier Merkmalen (Milch, Fett, Protein, CH₄MIR)
- Entscheidende Innovation: Rekursive genetische lineare Regressionskoeffizienten machen die Methanproduktion genetisch unabhängig von Milch- und Inhaltsstoffleistung (Residual Methane)
- Darstellung: Populationsmittel = 100, Standardabweichung = 5. Werte über 100 kennzeichnen eine genetische Ausstattung mit geringeren Methanemissionen
- Ziel: Eine genetische Senkung der Methanemissionen pro Kuh um 20-30 % bis 2050, ohne Einbußen bei der Milchleistung
- Weitere Länder: Australien, Spanien, Dänemark und die Niederlande arbeiten daran, vergleichbare Indizes kommerziell einzusetzen
9. Nachhaltigkeitsmerkmale auf Herdenebene (ICAR Section 22)
ICAR veröffentlichte im Juli 2023 die Section 22 „Sustainability Recording Traits“. Dieser Leitfaden definiert 43 standardisierte Merkmale, mit denen Organisationen eigene Nachhaltigkeitsindizes aufbauen können. Um klimatische und saisonale Verzerrungen statistisch zu eliminieren, werden fast alle diese Merkmale über ein 365-Tage-Rolling-Window berechnet.
| Kategorie | Hauptmerkmale |
|---|---|
| Fütterung und Produktion | Energie-korrigierte Milch (ECM), funktioneller BCS-Anteil, Methanemissionen, MUN-Kennzahlen, Trockenmasseaufnahme |
| Fertilität | Zwischenkalbezeit, 56-Tage-Nicht-Rückkehr-Rate (NR56), Konzeptionsrate beim ersten Besamungsversuch, Open Days, sichtbarer Trächtigkeitsverlust |
| Gesundheit | Mittlerer SCS, Anteil chronischer Infektionen, Erfolg der Trockenstehtherapie, Infektionen bei Frischkühen, Anteil erster FPR-Tests < 1 oder > 1,3 |
| Langlebigkeit | Mittlere Zahl an Laktationen, Abgangsalter, lebenslange Durchschnittsleistung, Kuhverluste in den ersten 60 Tagen |
| Jungtieraufzucht | Alter bei der ersten Kalbung, Totgeburtenrate, unfreiwillige Abgänge bei Jungtieren, Verluste durch Atemwegs- oder Durchfallerkrankungen |
9.1 Schätzgleichungen für Trockenmasseaufnahme und Methan
Für Situationen, in denen eine direkte Erfassung der tatsächlichen Futteraufnahme oder Methanemission auf Betriebsebene nicht möglich ist, stellt ICAR umfassende biomathematische Schätzgleichungen bereit. Die auf dem NASEM-Modell (früher NRC) basierende Schätzung der Trockenmasseaufnahme lautet:
NASEM-Formel zur Schätzung der TM-Aufnahme
DMI (kg/Tag) = [(0.372 × ECM + 0.0968 × CA0.75) × (1 − e−0.192 × (DIM/7 + 3.67))] × Paritätskorrektur
CA = Körpergewicht (kg); ECM = energie-korrigierte Milch; DIM = Laktationstag; Parität = 0 (erstkalbend) oder 1 (mehrkalbig).
In stark grundfutterbasierten Szenarien werden für enterisches Methan (eCH₄) komplexere Regressionsgleichungen auf Grundlage des Faser- und Fettgehalts der Ration verwendet, beispielsweise das Escobar-Bahamondes-Modell. Diese Formelsätze ermöglichen die Integration genetischer Selektion in Herdenmanagement-Software und machen Nachhaltigkeitsziele statistisch nachvollziehbar.
10. Fortgeschrittene genomische Modellierung: die Architektur von Single-Step Genomic BLUP (ssGBLUP)
In der modernen Milchviehzucht sind Single-Step Genomic BLUP (ssGBLUP)-Modelle zum Industriestandard geworden, wenn phänotypische Daten in genetische Werte (GEBV) überführt werden. Der revolutionäre Charakter dieser Methodik liegt in ihrer Fähigkeit, Pedigree-Daten, Phänotypen und SNP-Profile sowohl genotypisierter als auch nicht genotypisierter Tiere in einem einzigen großen Gleichungssystem zu vereinen.
10.1 Die H-Matrix: Verknüpfung von Pedigree- und Genominformation
Im klassischen BLUP wird die genetische Varianz-Kovarianz-Struktur ausschließlich über die pedigreebasierte Numerator Relationship Matrix (A) modelliert. Dieser Ansatz kann jedoch nicht abbilden, dass Vollgeschwister aufgrund mendelscher Stichproben verschiedene Genkombinationen erhalten. ssGBLUP verschmilzt die Pedigree-Matrix (A) mit der genomischen Matrix (G) zu einer zusammengesetzten kombinierten Verwandtschaftsmatrix (H):
Die H⁻¹-Matrix (Henderson-Formulierung)
H⁻¹ = A⁻¹ + [0, 0; 0, Gw⁻¹ − A22⁻¹]
A⁻¹ = inverse Pedigree-Matrix der Gesamtpopulation; A22⁻¹ = inverse Pedigree-Matrix der genotypisierten Teilpopulation; Gw = geblendete genomische Matrix. Über das Pedigree-Netzwerk wird genomische Information sowohl rückwärts als auch vorwärts auf verwandte, nicht genotypisierte Tiere übertragen.
10.2 Blending und Skalierung
Die Inkompatibilität zwischen A und G entsteht, weil Pedigrees meist nur wenige Generationen abdecken, während SNP-Marker Mutationsgeschichte über Tausende Jahre abbilden. Diese Unterschiede in der Basispopulation können zu einer Überschätzung der genomischen Werte junger Bullen führen. Das Blending erfolgt nach folgender Formel:
Blending-Formel
Gw = (1 − β) × G + β × A22
β, der Blending-Parameter, wird üblicherweise im Bereich von 0,30-0,40 gewählt. Dieses Verfahren stellt sowohl die positive Definitheit der Matrix sicher als auch die Einbeziehung residualer polygenetischer Variation, die vom SNP-Panel nicht erfasst wird. Optimierungsstudien zeigen, dass β = 0,30-0,40 und ω = 0,60 die GEBV-Genauigkeit um 6-7 % netto steigern können.
10.3 Unknown Parent Groups (UPG) und Metafounder
Um Probleme unvollständiger Pedigrees zu adressieren, werden Unknown Parent Groups (UPG) und das weiterentwickelte Konzept der Metafounder (MF) in die H⁻¹-Matrix integriert. Diese Konzepte berücksichtigen das genetische Niveau der Generation, zu der fehlende Vorfahren gehören, und verhindern so, dass Tiere mit unbekannten Eltern im Modell auf null gesetzt werden und den genetischen Trend verzerren. Moderne Rechensoftware löst über diese Matrixstrukturen mehrere Merkmale und Daten von zig Millionen Tieren und bildet damit das statistische Fundament des genomischen Zeitalters.
11. Praktische Kriterien der Zuchtauswahl und Merkmale der nächsten Generation
Nach der Betrachtung des theoretischen Hintergrunds und der globalen Indizes ist es erforderlich, die konkreten Kriterien, die das Zuchtpotenzial einer Kuh auf Betriebsebene bestimmen, in einer hierarchischen Reihenfolge darzustellen. Die folgende Tabelle fasst die wichtigsten Kriterien zusammen, die in der modernen Milchviehzucht bei der Zuchtauswahl berücksichtigt werden sollten:
| # | Kriterium | Unterkomponenten | Gewichtungsbereich | Erläuterung |
|---|---|---|---|---|
| 1 | Gesundheit und genetische Grundlage | SCS, Mastitisresistenz, EBV für Stoffwechselerkrankungen, Ergebnis genomischer Tests (GTPI/gRZG/NM$) | 25-30 % | Eine ungesunde Kuh bedeutet keine nachhaltige Produktion. Liegt ein genomischer Test vor, steigt die Sicherheit der Bewertung deutlich. |
| 2 | Korrigierte Milchleistung + Inhaltsstoffe | 305-AA-Milch (kg), Fett %, Protein %, Gesamtmenge aus Fett + Protein (kg) | 30-35 % | Standardisierte Leistung nach Anwendung der Korrekturfaktoren. Die Summe aus Fett und Protein ist wertvoller als die reine Milchmenge. |
| 3 | Reproduktionsleistung | Zwischenkalbezeit, DPR/CCR, Erfolg der Erstbesamung, Open Days | 10-15 % | Regelmäßige Kalbungen bedeuten regelmäßiges Einkommen. Fruchtbarkeitsprobleme wirken sich direkt auf die Herdenökonomie aus. |
| 4 | Exterieur und Langlebigkeit | UDC, FLC, PL/LIV, BWC | 10-15 % | Euterstruktur, Fundament und Verbleibsdauer im Bestand. BWC wird inzwischen bewusst in negativer Richtung selektiert. |
| 5 | Nachhaltigkeit und neue Merkmale | FSAV/RFI, Methan-EBV, Hitzetoleranz, A2A2, κ-Kasein BB | 5-10 % | Zukunftsorientierter Wert. Die Datenbasis ist noch begrenzt, die wirtschaftliche Bedeutung nimmt jedoch zu. |
11.1 Genetische Varianten der Milchproteine: A2A2 und κ-Kasein BB
Der Beta-Kasein-A2A2-Genotyp bedeutet, dass das β-Kasein in der Milch ausschließlich die A2-Variante enthält. Epidemiologische Studien legen nahe, dass die A1-Variante bei der Verdauung das bioaktive Peptid Beta-Casomorphin-7 (BCM-7) freisetzt und bei manchen Individuen mit gastrointestinalen Beschwerden in Verbindung stehen kann. Der globale Markt für A2-Milch wächst schnell, und Kühe mit dem A2A2-Genotyp können für Erzeuger einen Preisaufschlag ermöglichen.
Der Kappa-Kasein-Genotyp (κ-CN) BB ist dagegen für die Käseherstellung von besonderer Bedeutung. Im Vergleich zu Milch von AA-Kühen weist Milch von BB-Kühen bessere Gerinnungseigenschaften auf und erhöht die Käseausbeute um 5-10 %. Angesichts des Anteils der Käseproduktion an der gesamten Milchverwertung in der Türkei ist die Selektion auf κ-CN BB von klarer strategischer Relevanz.
11.2 Integration genomischer Tests
GTPI (USA)
Total Performance Index. Der am weitesten verbreitete Gesamtindex für Holsteins. Er kombiniert Milchleistung, Gesundheit, Fertilität und Exterieurmerkmale. GTPI > 3000 steht für genetisches Spitzenpotenzial.
gRZG (Deutschland)
Genomischer Relativzuchtwert Gesamt. Mittelwert = 100, SD = 12. gRZG > 130 kennzeichnet Elitegenetik. Gesundheit und funktionale Merkmale werden stärker gewichtet.
NM$ (USA)
Net Merit Dollar. Lebenslanger ökonomischer Nettowert. NM$ > 1000 steht für ein hohes Rentabilitätspotenzial. Seit April 2025 liegt die Gewichtung des Fetts bei 31,8 %.
12. Praxis der Zuchtauswahl und institutionelle Infrastruktur in der Türkei
Die Zucht von Milchrindern in der Türkei wird von der Zentralunion der Rinderzüchter der Türkei (DSYMB) und den regionalen Verbänden koordiniert. Das Milchkontrollsystem erfasst Milchleistung, Fett- und Proteingehalte mit den Verfahren A4 (monatliche Kontrolle) und AT (alternierende Kontrolle). Herdbuchdaten werden gemäß den ICAR-Standards geführt.
12.1 Aktuelle Situation und Herausforderungen in der Türkei
Stärken
- Die Milchkontrollinfrastruktur der DSYMB ist aktiv und wird weiter ausgebaut
- Starke Forschungsinstitute wie Bahri Dagdas und Lalahan
- Die Größe der Holstein-Population ist für genomische Bewertungen ausreichend
- Die jüngere Generation von Züchtern ist offen für Technologie
- Die Zahl der Betriebe mit genomischen Tests steigt rasch
Bereiche mit Entwicklungsbedarf
- Das nationale System der genomischen Bewertung ist noch nicht vollständig operativ
- Der Aufbau einer Referenzpopulation ist noch im Gange
- Die Infrastruktur zur Erfassung von Futtereffizienz (RFI) und Methandaten ist unzureichend
- In kleinen und mittleren Betrieben ist die Aufzeichnungsrate weiterhin niedrig
- Das Management von Hitzestress ist in Südostanatolien, der Mittelmeer- und der Ägäisregion kritisch, wird aber noch nicht ausreichend überwacht
12.2 Praktische Empfehlungen
Strategie der Zuchtauswahl für die Türkei
- Dokumentieren Sie konsequent: Nehmen Sie unbedingt an einem Milchkontrollprogramm teil. Der genetische Wert eines nicht erfassten Tieres lässt sich nicht schätzen.
- Verwenden Sie Korrekturfaktoren: Vergleichen Sie Rohmilchleistungen nicht direkt, sondern wenden Sie Korrekturen für Alter, Parität und Jahreszeit an.
- Nutzen Sie genomische Tests: Besonders bei Elitekühen und Färsen, die als Bullendammkandidatinnen in Frage kommen. Das Kosten-Nutzen-Verhältnis ist ausgesprochen günstig.
- Arbeiten Sie mit Gesamtindizes: Wählen Sie Bullen nicht nur nach Milchleistung aus. Bevorzugen Sie ausgewogene Indizes wie NM$, gRZG oder TPI.
- Gewichten Sie Gesundheit und Fruchtbarkeit hoch: Bevorzugen Sie Bullen mit niedrigem SCS, hoher DPR und langer PL.
- Berücksichtigen Sie Hitzetoleranz: In warmen Regionen mit vielen Tagen über THI > 72 sollten Bullen mit hohen Hitzetoleranz-Zuchtwerten oder Kreuzungsstrategien (z. B. Jersey oder Montbeliarde) in Betracht gezogen werden.
- Fett und Protein sind entscheidend: Die Gesamtmenge aus Fett + Protein (kg) ist wertvoller als die reine Milchmenge. Bei käseorientierter Produktion sollte der κ-CN-BB-Genotyp bevorzugt werden.
- A2A2 gezielt selektieren: Wenn der Markt für A2-Milch wächst, sollte die A2A2-Frequenz in der Herde erhöht werden, um langfristige Prämienpotenziale zu nutzen.
13. Schlussfolgerung und Zukunftsperspektive
Die Zuchtauswahl in der Milchviehhaltung bedeutet heute nicht mehr nur, „den Bullen mit der höchsten Milchleistung“ auszuwählen. Sie ist zu einem mehrdimensionalen Entscheidungsprozess geworden, der biologische Effizienz, ökologische Nachhaltigkeit, Tierwohl und ökonomische Optimierung integriert. Die breite Anwendung genomischer Technologien, die Aktualisierung der phänotypischen Standardisierung durch 305-AA, die Neustrukturierung ökonomischer Indizes wie NM$ 2025 und die Etablierung fortgeschrittener statistischer Modelle wie ssGBLUP als Industriestandard bilden die tragenden Säulen dieses Wandels.
Die Milchkuh der Zukunft wird ein „öko-nachhaltiges“ Tier sein, das Milch mit hohem Fett- und Proteingehalt produziert, weniger Futter verbraucht (negatives RFI), weniger Methan emittiert, Hitzestress besser widersteht, gesund bleibt und länger lebt. Dieses Ziel kann nur erreicht werden, wenn exakte phänotypische Datenerfassung, verlässliche genomische Bewertung und wissenschaftlich fundierte Selektionsentscheidungen als Gesamtsystem umgesetzt werden.
Vision 2030-2040
- Methanemissionen: Ziel ist eine genetische Reduktion um 20-30 % je Kuh
- Futtereffizienz: RFI-Daten werden in allen großen Rassen Teil der Routinebewertung
- Hitzetoleranz: SLICK und andere Thermoregulationsgene werden durch Introgression in Milchpopulationen eingebracht
- Precision Livestock Farming: Sensordaten zu Aktivität, Wiederkauen und Körpertemperatur werden in Echtzeit in genomische Modelle integriert
- Künstliche Intelligenz: Algorithmen des maschinellen Lernens werden die Genauigkeit mehrmerkmalsbasierter GEBV-Vorhersagen verbessern
- Türkei: Vollendung einer nationalen Referenzpopulation und Integration eines inländischen Systems der genomischen Bewertung in den globalen Rahmen
14. Literatur
- Tilki, M., Çolak, M., & Sari, M. (2009). Genetic parameters of 305-day milk yield for Brown Swiss reared in the Bahri Dagdas International Agricultural Research Institute in Turkey. Kafkas Üniversitesi Veteriner Fakültesi Dergisi, 15(5), 801-804.
- Tilki, M., İnal, Ş., Çolak, M., & Garip, M. (2005). Relationships between milk yield and udder measurements in Brown Swiss cows. Turkish Journal of Veterinary & Animal Sciences, 29(1), 75-81.
- Miles, A. M., VanRaden, P. M., & Norman, H. D. (2025). Updated 305-day lactation yields for age, season, milking frequency, and pregnancy by climate region and breed. Journal of Dairy Science, 108(1), 775-789.
- VanRaden, P. M., Cole, J. B., & Parker Gaddis, K. L. (2025). Net Merit as a Measure of Lifetime Profit: 2025 Revision (NM$9). USDA AIP Research Report.
- Rojas de Oliveira, H., Brito, L. F., Lourenco, D. A. L., & Miglior, F. (2024). Genetic evaluation for methane efficiency in dairy cattle using milk mid-infrared spectroscopy. JDS Communications, 5(2), 178-183.
- Dikmen, S., Khan, M. J., Huson, H. J., & Hansen, P. J. (2025). Heat stress abatement in cattle through genetic improvement of heat tolerance. Journal of Animal Science, 103(2), skae378.
- Aguilar, I., Misztal, I., Johnson, D. L., Legarra, A., Tsuruta, S., & Lawlor, T. J. (2010). Hot topic: A unified approach to utilize phenotypic, full pedigree, and genomic information for genetic evaluation of Holstein final score. Journal of Dairy Science, 93(2), 743-752.
- Bermann, M., Lourenco, D., & Misztal, I. (2022). The distribution of inbreeding depression and recovery by genomic regions in single-step genomic BLUP. Italian Journal of Animal Science, 21(1), 611-622.
- Misztal, I., Legarra, A., & Aguilar, I. (2014). Using recursion to compute the inverse of the genomic relationship matrix. Journal of Dairy Science, 97(6), 3943-3952.
- ICAR (2020). Section 20: Enteric Methane Emissions Recording Guidelines. ICAR Guidelines.
- ICAR (2023). Section 22: Sustainability Recording Traits. ICAR Guidelines.
- Wiggans, G. R., Cole, J. B., Hubbard, S. M., & Sonstegard, T. S. (2017). Genomic selection in dairy cattle: The USDA experience. Annual Review of Animal Biosciences, 5, 309-327.
- Pryce, J. E., & Haile-Mariam, M. (2020). Symposium review: Genomic selection for reducing environmental impact and adapting to climate change. Journal of Dairy Science, 103(6), 5366-5375.
- De Haas, Y., Pszczola, M., Soyeurt, H., Wall, E., & Lassen, J. (2017). Invited review: Phenotypes to genetically reduce greenhouse gas emissions in dairying. Journal of Dairy Science, 100(2), 855-870.
- Tempelman, R. J., Spurlock, D. M., Coffey, M., Veerkamp, R. F., Armentano, L. E., ... & VandeHaar, M. J. (2015). Heterogeneity in genetic and nongenetic variation and energy sink relationships for residual feed intake across research stations and countries. Journal of Dairy Science, 98(3), 2013-2026.
- Legarra, A., Aguilar, I., & Misztal, I. (2009). A relationship matrix including full pedigree and genomic information. Journal of Dairy Science, 92(9), 4656-4663.
- DSYMB (2024). Milchleistungsberichte der Zentralunion der Rinderzüchter der Türkei. Ankara.