Додаток. Двигун математичної моделі оцінки племінної цінності маток (BLUP)
Покроковий розбір: що робимо, звідки, для чого, чому саме така дія — та всі припущення
до теми «Продуктивність бджолиних сімей за використання маток різних генотипів в умовах Лісостепу України»
1. Головне застереження: ми працюємо з вибірковими оцінками, а не з істинними значеннями
Жодного істинного параметра ми не спостерігаємо. Істинне популяційне середнє μ, істинний ефект пасіки, істинна племінна цінність матки A — усі вони приховані. З даних ми отримуємо лише оцінки цих величин, які прийнято позначати «капелюшком»: μ̂, ê, σ̂, Â (=EBV). Кожна оцінка — це випадкова величина, що має власну похибку. Тому коректний результат — не число, а число ± довірчий інтервал.
Математичне сподівання E[·]: теоретичне середнє за нескінченно великою вибіркою — те «істинне» значення, до якого прямує вибіркове середнє. Наша оцінка є незміщеною, якщо E[оцінка] = істинний параметр.
Вибіркове середнє x̄: сума спостережень поділена на їх кількість; це наша робоча оцінка μ.
Стандартна похибка середнього SE: SE = σ / √N — на скільки «дрижить» вибіркове середнє від вибірки до вибірки. Що більша вибірка N, то менша похибка (звідси й тиск на кількість доньок і локацій).
Довірчий інтервал (ДІ): діапазон, що з заданою певністю (зазвичай 95%) накриває істинне значення: оцінка ± 1,96 · SE (за нормальності).
Далі скрізь, де стоїть «= 30 кг» чи «−6 кг», мається на увазі вибіркова оцінка з похибкою, а не абсолютна істина.
2. Рівняння моделі та його припущення (догми)
Уся модель стоїть на розкладі фенотипу колонії на доданки:
де P — медозбір колонії; μ — популяційне середнє; E — ефект середовища (точок·рік — не пасіка; одна пасіка може мати кілька точків з різним середовищем); A — адитивна племінна цінність матки; R — неадитивна генетика (домінування, епістаз); ε — залишковий шум.
2.0. Геометричний фундамент: чому саме такі формули
Уся статистика кількісної генетики — це геометрія других моментів у n-вимірному просторі. Це не аналогія, а тотожність:
- Дисперсія V(X) = ‖e‖²/(n−1) — квадрат довжини вектора відхилень e = x − x̄·1, поділений на розмірність підпростору.
- Коваріація Cov(X,Y) — скалярний добуток векторів відхилень.
- Кореляція ρ = cos θ — косинус кута між векторами (звідси межі [−1;+1] — не емпіричний факт, а геометрична необхідність |cos θ|≤1).
- Регресія — ортогональна проєкція.
Чому квадрати, а не модулі: квадратична міра — єдина адитивна. Тотожність (a+b)² = a² + 2ab + b² при усередненні дає:
V(A+B) = V(A) + V(B) + 2·Cov(A,B)
Коваріація — не окреме поняття, а подвоєний перехресний член 2ab з квадрата суми. Уся кількісна генетика виростає з цього розкриття дужок. За незалежності (Cov = 0) залишається чиста адитивність — теорема Піфагора; за наявності коваріації працює теорема косинусів c² = a² + b² + 2ab·cos θ.
Наслідок: усі розрахунки ведуться у дисперсіях (бо вони складаються), а формулювання й звіти подаються у стандартних відхиленнях (бо вони інтерпретовні). Спроба скласти стандартні відхилення — типова помилка.
2.1. Специфіка бджоли: дві генетичні компоненти
У більшості тварин фенотип особини визначається її власним генотипом. У медоносної бджоли одиницею продуктивності є не особина, а сім'я (колонія) як суперорганізм. Фенотип сім'ї формується двома різними генотипами:
- Материнський ефект (queen effect) — вплив генотипу матки через її плодючість, якість яєць, феромональний профіль.
- Робочий ефект (worker effect) — вплив генотипу робітниць через льотну активність, фуражування, догляд за розплодом.
Робітниці й матка мають різні генотипи (робітниці ще й батьківський внесок від трутнів). Тому повна модель фенотипу сім'ї (Bienefeld, Ehrhardt, Reinhardt 2007):
P_сім'ї = A_queen + A_worker + E
Наслідок: коли для бджоли говорять про племінну цінність, це вектор із двох чисел, а не одне. Обидві компоненти оцінюються ОКРЕМО (Bienefeld 2007), бо між ними зафіксовано від'ємну генетичну кореляцію для медопродуктивності (Bienefeld & Pirchner 1990).
Практичне значення від'ємної Cov(A_queen, A_worker): дві сильні генетичні компоненти частково взаємно гасяться у фенотипі сім'ї (як у сценарії 3 з §2.0: A і B змінюються протилежно → V(A+B) < V(A)+V(B)). Відбір лише за фенотипом сім'ї частково самонейтралізується. Роздільна оцінка через двокомпонентний BLUP розв'язує цю проблему.
Кожна арифметична дія нижче законна лише за виконання шести припущень. Найкрихкіші для Лісостепу — Догми 4 і 5.
Догма 1. Адитивність (лінійність). Ефекти додаються, а не перемножуються. Це фундамент усіх операцій віднімання.
Догма 2. Інфінітезимальна модель (Fisher, 1918): багато генів дрібного ефекту → A має нормальний розподіл N(0, σ_A²). Дозволяє і розклад дисперсії, і лінійний прогноз.
Догма 3. Незалежність: Cov(A, E) = 0 (гени й середовище не корелюють після врахування дизайну), залишки незалежні. Дозволяє усереднення й розділення доданків.
Догма 4. Відсутність взаємодії генотип × середовище (G×E): порядок генотипів однаковий на всіх пасіках («нитки» паралельні). Порушення вимагає окремого члена моделі.
Догма 5. Параметри дисперсії (h², σ_P) відомі: ми підставляємо їхні оцінки як точні й ігноруємо їхню власну невизначеність.
Догма 6. Визначена референтна популяція: μ — осмислений спільний нуль, а колонії-ровесники порівнянні між собою.
3. Позначення
μ, μ̂ — істинне / оцінене популяційне середнє, кг
E, ê — ефект середовища (точок·рік) та його оцінка, кг
h² — вузька успадковуваність = σ_A²/σ_P² (частка адитивної мінливості)
σ_P, σ_A — фенотипове та адитивне генетичне стандартні відхилення, кг
n — кількість дочірніх колоній матки (× локації — ефективне n)
k — константа розбавлення інформації спорідненістю; для доньок k = 4/h²
r² — надійність (точність²) — квадрат кореляції оцінки з істинною цінністю
b — регресійна вага сигналу; для напівсибсів b = 2r²
EBV (Â) — оцінена племінна цінність матки, кг
SE, ДІ — стандартна похибка оцінки та довірчий інтервал
4. Покроковий розбір двигуна (материнська модель, приклад матки Х)
Дано (вибіркові дані): 12 колоній на двох пасіках; медозбори матки Х та 3 її доньок — 33, 31 (Пасіка 1), 43, 41 (Пасіка 2); h² = 0,25 (з літератури); σ_A знайдемо з даних; шкала балів — база 100, SD 10.
Дія 0. Звідки h² = 0,25
Що: беремо вузьку успадковуваність з літератури (Bienefeld & Pirchner, 1990; Brascamp et al., 2016; діапазон 0,2–0,35).
Чому не рахуємо тут: h² сама є оцінкою компонент дисперсії методом REML на сотнях сімей за роки; з 12 колоній її надійно не отримати.
Догма: перенесення h² з інших популяцій на українські (Догма 5). Оскільки h² залежить від популяції та середовища, її переоцінка на власних даних Лісостепу могла б стати самостійним результатом дисертації.
Дія 1. Оцінка загального середнього μ̂ = 30 кг
Що: сума всіх 12 медозборів поділена на 12.
Для чого: μ̂ — нуль відліку, «середня матка в середньому середовищі»; усі цінності будуть відхиленнями від нього.
Чому середнє арифметичне: за нормальності шуму (Догма 2) вибіркове середнє — оцінка максимальної правдоподібності центру, мінімально-дисперсна незміщена.
Похибка: μ̂ має стандартну похибку SE = σ_P/√N; це вибіркова, а не істинна величина.
Дія 2. Оцінка ефектів пасік: ê = середнє пасіки − μ̂ (−6 і +6 кг)
Що: середнє кожної пасіки мінус загальне середнє.
Для чого: оцінити систематичний зсув середовища, спільний для всіх сімей на пасіці, щоб потім його вилучити.
Чому віднімання: за Догмою 1 середовище входить у P доданком; «наскільки середнє пасіки відхилене від загального» і є цим доданком.
Коли дизайн незбалансований: проста різниця вже зміщена; тоді ê знаходять спільно з генетикою методом найменших квадратів (ітеративний «пінг-понг», метод Гаусса–Зайделя). Проста різниця — окремий випадок за ортогональності.
Догма: пасіка — фіксований ефект (нас цікавлять саме ці пасіки), Догма 1.
Дія 3. Очищення записів: (сире − μ̂ − ê)
Що: з кожного медозбору віднімаємо середнє й ефект його пасіки. Для Х: +9, +7, +7, +5.
Для чого: лишити тільки те, що не пояснюється середовищем, тобто (A + R + ε).
Догма: Cov(A, E) = 0 (Догма 3): після вилучення середовища залишок не несе його слідів.
Дія 4. Оцінка σ_A = √h² · σ̂_P = 4 кг
Що: σ̂_P — розкид очищених записів: √(сума квадратів / N) = √(768/12) = √64 = 8 кг; далі σ_A = √0,25 · 8 = 4 кг.
Чому корінь із середнього квадрата: це означення стандартного відхилення (√дисперсії). У строгій оцінці ділять на N−1 (поправка Бесселя), бо середнє теж оцінене.
Чому σ_A, а не σ_g: ми беремо вузьку h² = σ_A²/σ_P², тож √h²·σ_P = σ_A — саме адитивне відхилення. У спадок передається лише адитивна частина; σ_g (широке) містить домінування й епістаз, що не успадковуються організовано.
Догми: адитивність дисперсій σ_P² = σ_A² + σ_D² + σ_I² + σ_E²; h² — властивість цієї популяції в цьому середовищі.
Дія 5. Середній сигнал родини Х = +7 кг
Що: середнє очищених значень n = 4 дочірніх колоній: (9+7+7+5)/4 = 7.
Чому ділимо на кількість колоній (а не «сімей»): кожна дочірня колонія — один незалежний вимір спадковості матері; n рахує саме ці виміри даної матки.
Для чого усереднення: залишки ε незалежні й мають середнє 0 (Догма 3), тож усереднення гасить шум: його дисперсія падає в n разів (закон великих чисел).
Похибка: сам сигнал — вибіркова оцінка зі своєю SE = σ_P/√n; це не істинна цінність родини.
Догми (бджолині): кожна донька несе ½ адитивних генів матері (звідси «4»); через поліандрію доньки — суміш суперсестер (r≈0,75) і напівсестер (r≈0,25); фенотип колонії — спільна дія матки та робочих (спрощено зведено до напівсибсів; повна модель Bienefeld розділяє ці ефекти).
Дія 6. Надійність r² та вага b (Brascamp & Bijma, 2014)
Що: r² = n·h² / (4 + n·h²) = 4·0,25 / (4 + 1) = 0,20 (r ≈ 0,45); вага b = 2·r² = 0,40.
Що таке n, k, r²: n — число дочірніх колоній; k = 4/h² — константа розбавлення інформації спорідненістю; r² — квадрат кореляції оцінки з істинною цінністю (надійність).
Звідки «4»: доньки несуть ½ генів матері → дисперсія між родинними середніми пов'язана коефіцієнтом ¼, обернено — 4 у знаменнику. Це суто напівсибсова генетика.
Чому r² росте з n так: при n → ∞ дріб → 1 (безліч доньок = повна певність), мала n → мала надійність. Форма n/(n+k) універсальна для родинного середнього.
Догми: нормальність (Догма 2) → прогноз лінійний → існують сталі r² і b; напівсибсова спорідненість доньок; відома h² (Догма 5).
Дія 7. EBV = b × сигнал = 0,40 × 7 = +2,8 кг
Чому множення: це найкращий лінійний прогноз (BLUP) — умовне сподівання E[A | дані]; за спільної нормальності (Догма 2) воно лінійне щодо даних, тобто «коефіцієнт × центрований сигнал».
Дві роботи ваги b: (1) притискає через невпевненість — за малих n b<1, тож EBV менша за сигнал (шум-чистка); (2) масштабує ×2, бо доньки показують лише половину переваги матері, отже матір = 2 × середнє доньок. Тому b = 2r².
Похибка прогнозу: EBV має SE = σ_A · √(1 − r²) = 4·√0,8 ≈ 3,6 кг. Отже 95% ДІ = +2,8 ± 7,0 → від −4,2 до +9,8 кг: інтервал накриває нуль, тобто за n=4 матка Х статистично НЕ відрізняється від середньої. Це — головний аргумент на користь великої кількості доньок і локацій.
Дія 8. Переведення в бали = 100 + 10 · (EBV / σ_A) = 107
z-оцінка (EBV / σ_A): на скільки генетичних стандартних відхилень матка вища за середню; знерозмірнення робить ознаки порівнянними. Літера Z — стала позначка стандартної нормальної величини N(0,1).
Чому ×10 і +100: масштаб «одне σ_A = 10 балів» і центр = популяційне середнє. Це відносна племінна цінність за шкалою BeeBreed.
Похибка в балах: 95% ДІ ≈ 107 ± 18 → від 89 до 125 балів; за нормальності 110 балів ≈ верхні 16%.
5. Як точність і племінна цінність зростають з кількістю доньок
Той самий сигнал (+7 кг), σ_A = 4, h² = 0,25. Зверніть увагу на два переходи: вага b перетинає 1 (домінування «де-половинення» над притисканням), а довірчий інтервал перестає накривати нуль лише приблизно від n = 12 — саме тоді оцінка стає практично значущою.
Рядок n=4 виділено: попри EBV +2,8 кг, довірчий інтервал (−4,2; +9,8) містить нуль — відмінність від середньої недостовірна.
Рис. 1. Зростання EBV та звуження 95% довірчого інтервалу зі збільшенням числа дочірніх колоній n. Доки затінена смуга накриває нуль (приблизно до n ≈ 12), відмінність матки від середньої статистично недостовірна. Зелена лінія прямує до «стелі» 2 × сигнал = 14 кг.
Рис. 1. EBV та 95% ДІ vs n
Таблиця 1: зростання EBV, SE, ДІ з n
6. Ключові застереження для дисертації
Вибірковість усіх оцінок: μ̂, ê, σ̂_A, EBV — вибіркові; подавати їх слід із похибкою та довірчим інтервалом, а висновки «генотип кращий» — лише коли інтервали не перекриваються.
Взаємодія G×E: для Лісостепу перевірити паралельність «ниток»; за наявності взаємодії ранжування генотипів залежить від умов.
Перенесена h²: узята з іноземних популяцій; бажана переоцінка на власних даних.
Зчепленість масиву: генотипи мають перетинатися по пасіках і роках (спільні родичі + спільні умови), інакше порівняння некоректне.
7. Як звузити довірчий інтервал
Півширина довірчого інтервалу визначається стандартною похибкою оцінки:
Оскільки σ_A — фіксована властивість популяції, єдиний важіль усередині формули — підняти надійність r² ближче до одиниці (тоді √(1 − r²) прямує до нуля). А r² = n·h²/(4 + n·h²). Звідси три практичні напрями.
1. Більше інформації (діє на n): збільшити кількість дочірніх колоній на матку та кількість тестових локацій (ефективне n = доньки × локації). Головний важіль, але зі спадною віддачею: перехід 4→8 дає велике звуження, 40→80 — майже непомітне.
2. Менше шуму — вища h² (діє на h²): оскільки h² = σ_A²/σ_P², усе, що зменшує залишкову дисперсію σ_e, піднімає h², а з нею й r² при тому самому n. Практично: однакове утримання й обладнання на всіх пасіках, вирівнювання сили сімей на старті, контроль роїння й хвороб, точне зважування, чітке визначення ознаки, суворий облік ефекту точок·рік.
3. Інформація від родичів і геному (піднімає r² поза власними доньками): повний BLUP через матрицю спорідненості додає внесок матері, сестер, предків; геномна оцінка (GBLUP/ssGBLUP) додає ще один пласт інформації й особливо піднімає точність для молодих маток без потомства.
Дві умови, без яких це не спрацює: зчепленість масиву (спільні родичі й спільні умови між пасіками) та повторність по роках.
Півширина 95% довірчого інтервалу EBV (± кг) залежно від n і h² (σ_A = 4 кг):
Читати так: щоб отримати ±3 кг, за h²=0,25 потрібно близько сотні доньок; підняття h² до 0,35 (кращим доглядом) дає той самий виграш, що й помітне збільшення n. σ_A прийнято сталим — покращення умов зменшує σ_P і піднімає h², а не змінює σ_A.
Рис. 2. Півширина 95% довірчого інтервалу EBV залежно від кількості дочірніх колоній n для трьох рівнів успадковуваності (σ_A = 4 кг). Крапки — значення з таблиці; спадна віддача добре помітна: після n ≈ 40 крива майже плоска.
Рис. 2. Півширина 95% ДІ vs n для 3 h²
Таблиця 2: півширина 95% ДІ (± кг) при σ_A=4 кг
7.5. Планування вибірки з поправкою на вибуття
Попередні розрахунки (n=25 для плато надійності) визначають скільки сімей потрібно на момент оцінки. Але оцінка племінної цінності відбувається не одразу: матка вводиться, перезимовує, працює сезон, оцінюється наприкінці другого сезону. За два сезони частина сімей вибуває — гине взимку, втрачає матку, роїться. Тому на старті треба закласти більше, ніж потрібно на фініші:
N_старт = N_потр / p
де p — частка сімей, що доживають до оцінки. Для лісостепу України орієнтовно (з власних даних, не з літератури):
p = 0,75 (зимівля 1) × 0,90 (сезон 1) × 0,75 (зимівля 2) × 0,90 (сезон 2) ≈ 0,46
Приклад для програми оцінки засновниць: для надійності r² ≈ плато потрібно 25 доживших дочок. Тоді на старті на одну засновницю: 25 / 0,46 ≈ 54 дочки-матки. Для програми з 300 засновниць: 300 × 54 ≈ 16 000 сімей на старті, з яких близько 7500 доживуть до оцінки. Це реальний масштаб національної програми, а не дисертаційного пілоту.
⚠ Вибуття = не лише втрата потужності, а й зміщення оцінки. Дочки, що дожили два сезони, — не випадкова підвибірка з вихідних, вони пройшли два фільтри виживання. Засновниця, чиї дочки масово гинуть, але вцілілі дають багато меду, оцінюється вище, ніж є насправді. Захист: виживаність дочок — самостійна ознака засновниці; продуктивність і виживаність оцінюються спільно (багатоознаковий BLUP). Викидати загиблих дочок = втрачати половину генетичного сигналу.
8. Математичний аналіз функцій моделі
Розглянемо ключові функції моделі як математичні об'єкти: область визначення, область значень, монотонність, опуклість, асимптоти та чутливість (часткові похідні).
8.1. Композитна змінна: надійність залежить лише від добутку n · h²
Формула надійності зводиться до функції однієї композитної змінної x = n·h² («ефективна інформація»):
Наслідок: ізолінії однакової надійності — це гіперболи n·h² = const; потрібне число доньок обернено пропорційне успадковуваності, n = const / h². Одиниці n і h² взаємозамінні через їхній добуток (див. карту, панель C рис. 3).
8.2. Надійність r²(n, h²)
8.2.−1. Спадковість h² — це нахил регресії, а не «частка»
У побутовій мові кажуть «h² = 0,25 означає що 25% ознаки — генетика». Формально h² — це коефіцієнт регресії племінної цінності A на фенотип P:
h² = b(A · P) = Cov(A,P) / V(P) = V_A / V_P
Виводиться з незалежності: Cov(A, A + решта) = V(A) + 0 = V_A. Звідси найпростіший предиктор племінної цінності:
â = h² · (P − μ)
Коефіцієнт h² < 1 автоматично притискає прогноз до середнього — це та сама «регресія до середнього», яку Гальтон бачив на зрості: у видатних батьків нащадки видатні, але менш видатні. Виняткові показники частково є щасливим збігом, а збіг не успадковується.
Приклад: сім'я дала 60 кг при середньому 30, перевищення +30 кг. При h² = 0,25 прогноз â = 0,25·30 = +7,5 кг. Тобто з 30 кг перевищення лише чверть — генетичний внесок матки; решта три чверті — вдале місце, сильний медозбір, догляд. Нащадки успадкують гени, а не місце й погоду.
H² vs h²: H² = V_G/V_P (широкий, уся генетика включно з D+I) vs h² = V_A/V_P (вузький, лише адитивна). Для селекції завжди h² — передається лише адитивна частина.
8.2.0. Чому r² — надійність, а r — точність (термінологічна догма)
Точність r = Corr(Â, A) — Пірсонова кореляція між оцінкою племінної цінності Â і істинною цінністю A. Одиниця виміру — «сила лінійного зв'язку»; r = 0 — нема зв'язку, r = 1 — оцінка точно відтворює істину.
Надійність r² = Var(Â)/σ_A² — частка генетичної дисперсії, яку оцінка «пояснила»; та сама, що коефіцієнт детермінації R² у регресії. Виводиться прямо з BLUP shrinkage:
Var(Â) = r²·σ_A² ← BLUP identity
PEV = (1 − r²)·σ_A² ← дисперсія помилки прогнозу
⇒ r² = 1 − PEV/σ_A² = поясненого / всього
Чому саме квадрат, а не корінь. Адитивна величина у статистиці — це дисперсія, не стандартне відхилення. У шкалі дисперсії: r²·σ_A² (пояснене) + (1−r²)·σ_A² (помилка) = 100% ✓. У шкалі кореляції суми немає: r + (1−r) ≠ 100% дисперсії. Тому надійність математично мусить бути в шкалі дисперсії — квадрат кореляції.
Приклад. r² = 0,67 → «BLUP пояснює 67% генетичної мінливості цієї матки; 33% залишається у помилці». r = 0,82 → «геометричний кут між напрямком оцінки й напрямком істини — cos⁻¹(0,82) ≈ 35°»; красива метафора, але не адитивна.
Стандарт термінології: Falconer & Mackay (1996) — accuracy = r; Mrode (2014) — reliability = r²; BeeBreed / VIT показує саме r² у колонці «Reliability» (0,67 = 67% надійності). Bienefeld et al. (2007) виводять r² = n·h²/(k + n·h²) — це формула reliability, не accuracy.
Область визначення: n ≥ 1 (ціле), h² ∈ (0; 1].
Область значень: [0; 1). Значення r²(0) = 0, верхня межа 1 є асимптотою і ніколи не досягається — повної певності за скінченних даних немає.
Монотонність і опуклість: строго зростає і по n, і по h²; по n увігнута (∂²r²/∂n² < 0), звідси спадна віддача кожної додаткової доньки.
Асимптота: горизонтальна r² = 1 при n → ∞.
Чутливість — часткові похідні (обидві додатні, згасають):
Кількісно: при h² = 0,25 одна додаткова донька додає до r² близько +0,040 на n = 4, але лише +0,005 на n = 40 — у вісім разів менше (панель B рис. 3). Криві граничної віддачі перетинаються при n ≈ 13–15: за малих n більший приріст дають високоспадкові ознаки, далі різниця стирається.
8.3. Вага b та племінна цінність EBV
Вага b = 2r²: область значень [0; 2); перетинає 1 при r² = 0,5 — саме звідти EBV починає перевищувати сирий сигнал («де-половинення» долає притискання).
EBV = b · сигнал: область значень [0; 2·сигнал); у нашому прикладі (сигнал +7 кг) це [0; 14) кг. Верхня межа 14 кг = подвоєний сигнал — недосяжна стеля.
8.4. Похибка прогнозу SE(n)
Область значень: (0; σ_A]. Максимум SE = σ_A досягається при n = 0 (жодної інформації → невизначеність дорівнює всій генетичній мінливості); з ростом n монотонно спадає до нуля лише в границі (панель D рис. 3).
8.5. Переведення в бали
Бал = 100 + 10 · (EBV / σ_A): лінійне перетворення EBV, тож область значень — [100; 100 + 20·сигнал/σ_A); у прикладі [100; 135) балів.
Рис. 3. Аналіз функцій моделі: (A) область значень r²(n) з асимптотою 1; (B) чутливість ∂r²/∂n — спадна віддача доньок; (C) карта r²(n, h²) з гіперболічними ізолініями; (D) область значень похибки SE(n) з максимумом σ_A.
A. r²(n) — асимптота 1
B. ∂r²/∂n — гранична віддача
C. Карта r²(n, h²)
D. SE(n) — max = σ_A
Зведення областей значень і границь (для сигналу +7 кг, σ_A = 4 кг):
Практичний висновок: наша точка (n=4; h²=0,25) лежить при r² ≈ 0,20 — далеко від «доброї» точності r=0,7 (r²≈0,49). Оскільки r² залежить від добутку n·h², а віддача кожної доньки згасає, ефективніше комбінувати важелі (більше доньок × локацій та вища h² через кращий догляд), ніж нарощувати лише n.
Таблиця 3: області значень функцій моделі
8.6. Спорідненість робочих і константа точності за різних схем спарювання
8.6.0. Спорідненість a vs інбридинг F — не плутати
Два різні концепти, які часто плутають. Обидва описують «генетичну близькість», але від різних об'єктів.
Спорідненість a (kinship, Wright 1922) — між двома особинами популяції. Ймовірність, що випадковий алель однієї = випадковий алель іншої (identical by descent). Значення 0 (неспоріднені) до 1 (клони).
Інбридинг F (inbreeding coefficient) — для однієї особини. Ймовірність, що її два власні алелі однакові за походженням (гомозиготність). F = ½·a(мати, батько) цієї особини. Зв'язок: F = a_ii − 1, де a_ii — діагональ матриці спорідненості (a одиниці з собою включає F).
Для сім'ї бджіл:
- a(робочих) — між двома робочими у сім'ї: 0,25 напівсестри / 0,50 МПТ / 0,75 суперсестри. Впливає на однорідність сім'ї та точність оцінки матки (константа k у r² = n·h²/(k+n·h²), де k = 1/a_ii).
- F(робочої) — гомозиготність окремої робочої: F = ½·a(матка, трутень-батько). >0 тільки якщо матка й трутень споріднені (напр., трутень від рідного брата). Впливає на життєздатність та CSD-ризик.
Приклад: суперсестри мають a=0,75 (дуже споріднені між собою), але кожна окрема може мати F=0 (якщо матка й батько-трутень не рідня). Це критично: a — про однорідність сім'ї, F — про життєздатність кожної бджоли.
У Rating дашборді: колонка «F матки» — інбридинг самої матки; «F робочих» — очікуваний F типової робочої у її сім'ї. Спорідненість a(робочих) окремо не показуємо — вона виводиться з mating_type і задає k у BLUP-формулі.
Стандарти: Wright (1922); Bienefeld & Pirchner (1990); Uzunov et al. (2017) для бджіл.
Константу в знаменнику r² визначає адитивна спорідненість серед носіїв ознаки — робочих бджіл, — а вона задається схемою спарювання матки. Виведемо її строго. Дві робочі однієї матки мають спорідненість:
де ¼ — материнський внесок (спільна матка), а ½·a_F — батьківський, з a_F — спорідненістю батьківських (трутневих) геномів. Трутень гаплоїдний і передає доньці весь свій геном, тож паросток «½» стосується саме геномів трутнів.
Один трутень (суперсестри): обидві робочі мають ідентичний батьківський геном, a_F = 1 → a_ii = ¼ + ½·1 = 0,75.
Трутні від однієї МПТ: різні трутні, але сини однієї матки-продуцента — це дві гаплоїдні гамети однієї диплоїдної матки, тож a_F = 0,5 → a_ii = ¼ + ½·0,5 = 0,50.
Багато неспоріднених трутнів (напівсестри): батьківські геноми неспоріднені, a_F = 0 → a_ii = ¼ + 0 = 0,25.
За встановленим результатом точність EBV матки пропорційна √a_ii (нота 2019), тому тісніше спарювання (вище a_ii) дає вищу точність — напрям ряду 4→3→2 правильний.
Спорідненість робочих і константа точності за трьох схем спарювання:
Чесний висновок: строге виведення дає a_ii = 0,25 / 0,50 / 0,75, а під найпростішим припущенням c ≈ 1/a_ii — константи 4,0 / 2,0 / 1,3. Тобто «4» для напівсестер відтворюється, але «3» і «2» — ні (для однієї МПТ виходить 2, для одного трутня — 1,3). Отже ряд 4/3/2 коректний лише як якісний, спадний мнемонічний ряд; строго обґрунтовані величини — це коефіцієнти a_ii = 0,25 / 0,50 / 0,75 та масштаб точності √a_ii. Якщо в дисертації потрібні саме цілі 4/3/2, слід навести конкретне джерело, де їх так подано (напр., Андріюк, 2025), інакше коректніше писати a_ii або точні 4 / 2 / 1,3.
Таблиця 4: a_ii і константа c для 3 схем спарювання
r(n) для 3 схем спарювання (h²=0.25)
8.6.5. Порогові ознаки та шкала схильності (для рійливості, зимостійкості)
Дві з наших цільових ознак — виживаність (бінарна: жива/мертва) і рійливість/миролюбність (порядкові бали) — не є неперервними. Лінійна модель на спостережуваній шкалі для них некоректна з трьох причин:
- Прогноз може вийти за межі можливих значень (напр., ймовірність > 1).
- Дисперсія бінарної ознаки p·(1−p) залежить від частоти — неоднорідна за побудовою.
- Спадковість на спостережуваній шкалі залежить від частоти події й тому неспівставна між дослідженнями.
Розв'язок — порогова модель (Dempster & Lerner 1950; Gianola 1982): припускається, що під спостережуваною дискретною подією лежить неперервна прихована схильність (liability), нормально розподілена, а подія настає при перетині порога:
подія = 1, якщо liability > поріг; liability ~ N(0, 1)
На шкалі схильності нормальність відновлюється, і спадковість стає стабільною й порівнянною. Формула перерахунку h²_obs → h²_liab враховує щільність нормального розподілу в точці порога.
Для дисертації: h²_liab використовується для генетичних висновків, h²_obs — для практичного прогнозу. Обов'язково подавати ОБИДВІ.
8.7. Роль дисперсії та коефіцієнта варіації
Довірчий інтервал залежить від дисперсії напряму — у таблиці розділу 7 я фіксував σ_A = 4 кг лише щоб ізолювати вплив n і h². Підставивши 1 − r² = 4/(4 + n·h²), півширину зручно згорнути до прозорого вигляду:
σ_A стоїть у чисельнику, тож усе залежить від того, у якій шкалі міряти інтервал:
Абсолютна шкала (кг): ½ ДІ прямо пропорційна σ_A — подвоїли генетичну дисперсію, подвоїли інтервал. Крім того, друга дисперсія входить через h² = σ_A²/σ_P², тож у формулі присутня вся структура мінливості.
Відносно середнього надою вступає коефіцієнт варіації CV_A = σ_A/μ:
Стандартизована шкала (бали, z): тут σ_A скорочується — ½ ДІ = 39,2/√(4 + n·h²), залежить лише від n і h². Саме тому надійність r² і бальна шкала виглядають «незалежними від дисперсії»: вони відносні.
Отже: в абсолютних одиницях інтервалом керує σ_A, у відсотках від середнього — CV_A, і лише у стандартизованій шкалі балів дисперсія скорочується (рис. 4).
Рис. 4. Залежність довірчого інтервалу від дисперсії. (A) в абсолютній шкалі (кг) півширина пропорційна σ_A — криві для σ_A = 2/4/6 кг розходяться; (B) у стандартизованій шкалі (бали) σ_A скорочується, і всі три криві зливаються в одну (h² = 0,25).
A. SE (кг) — пропорційно σ_A
B. CV = SE/mean × 100%
8.8. Чий це розкид: σ_A проти σ_E, та план мінімізації шуму
Мінливість між сім'ями має два джерела різної природи. Їх треба чітко розрізняти, бо керуються вони по-різному:
σ_A — генетичний розкид (сигнал): адитивна мінливість, що передається у спадок; те, заради чого ведеться селекція. Пасічник її швидко не змінить.
σ_E — середовищний розкид (шум): погода, точка, сила відводка, годівля, обладнання, хвороби, похибка виміру — велика частина цього залежить від пасічника. Це те, що можна й треба зменшувати.
Для медозбору h² ≈ 0,15–0,25, тобто лише 15–25% видимого розкиду між вуликами — генетика, а 75–85% — середовище (переважно пасічник). Ключова асиметрія: σ_A ми не змінюємо, але, зменшуючи σ_E, автоматично піднімаємо h² = σ_A²/(σ_A²+σ_E²), а з нею — надійність r² і вузькість довірчого інтервалу (рис. 5).
Рис. 5. (A) Поділ фенотипової дисперсії: генетичний блок σ_A² незмінний, а середовищний σ_E² стискається кращим доглядом, тож частка генетики (h²) зростає з 15% до 35%. (B) Менший σ_E → вища h² → вища точність r.
A. Поділ σ_P² = σ_A² + σ_E²
B. h² росте коли σ_E ↓
Стандартизація — два значення
«Стандартизувати» тут означає прибрати з даних усе, що не є генетикою. Це роблять на двох рівнях.
1. Технологічна стандартизація (зменшує σ_E фізично): вирівнювання самих умов, щоб середовищні відмінності не маскувалися під генетичні — єдиний тип вуликів, однакова сила сімей на старті, спільні схеми годівлі, лікування й обліку, той самий обліковий період і методика зважування. Це прямо скорочує σ_E ще до аналізу.
2. Статистична стандартизація (усуває залишковий σ_E у моделі): коли частину шуму фізично усунути не вдалося, її перетворюють на відомий, віднімний ефект: (а) порівняння ровесників — контемпорарні групи «точок·рік» (не пасіка·рік: пасіка може мати кілька точків з різним мікрокліматом); (б) поправка на фіксовані ефекти; (в) коваріати (сила сім'ї, дата); (г) z-стандартизація ознаки.
z-стандартизація виражає кожен запис відносно його контемпорарної групи:
Віднімання середнього групи прибирає рівень середовища, а ділення на її стандартне відхилення — різницю масштабів між пасіками й роками. Так записи з різних умов стають зіставними, а залишковий σ_E — меншим.
Превентивний план: щоб шум не виник (а не лише реакція на нього)
За аналогією з управлінням ризиками: окрім реакції на ризик, що вже стався, потрібен план профілактики — дій, які не дають шуму виникнути. Нижче кожне джерело σ_E супроводжене профілактичним заходом (головне) і реакцією (якщо запобігти не вдалося).
План профілактики шуму σ_E (за джерелами):
Принцип мінімізації
Важелі застосовують у такому порядку — від найдієвішого: (1) запобігти шуму протоколом (технологічна стандартизація) → (2) стандартизувати й скоригувати залишок (контемпорарні групи, коваріати, фіксовані ефекти, z-оцінка) → (3) додати інформацію (більше доньок × локацій, родичі, геном). Профілактика важливіша за корекцію: краще не дати σ_E виникнути, ніж потім віднімати його статистично — бо корекція неповна, а запобігання чисте. Мета всього ланцюга — максимізувати h² = σ_A²/(σ_A²+σ_E²), а отже надійність і вузькість довірчого інтервалу, не чіпаючи генетику.
Таблиця 5: план мінімізації σ_E (11 джерел шуму)
9. Рейтингування, відбір і підбір (планування парування)
Оцінка племінної цінності — лише перша половина справи. Далі йде селекційний цикл: рейтингування → відбір → підбір (парування) → наступне покоління.
9.1. Рейтингування
Маток впорядковують за спаданням зведеного селекційного індексу (розділ 5) — єдиного числа, що поєднує всі господарські ознаки з їхніми вагами (Hazel, 1943). Поряд із рангом обов'язково подають надійність r²: висока цінність із низькою надійністю — це ще не підстава для відбору, тож ранжування ведуть з урахуванням довірчих інтервалів (розділ 7).
9.2. Відбір: усічення за порогом
Найпоширеніша схема — залишити частку p кращих (truncation selection). Строгість відбору вимірюють інтенсивністю i, а перевагу відібраних над популяцією — селекційним диференціалом S:
де φ — щільність нормального розподілу, z_p — поріг для частки p. Що менша частка відібраних, то більша інтенсивність (рис. 6):
Рис. 6. Відбір усіченням: відібрано 20% кращих (поріг ~108 балів), інтенсивність i = 1,40, селекційний диференціал S = i·σ = 14 балів.
Рис. 6. Усічення відбору: p=20% → i=1.4
Таблиця 6: інтенсивність відбору i для різних часток p
Компроміс: жорсткіший відбір (менша p) дає більший диференціал, але лишає менше батьків — а це прискорює інбридинг (див. 9.3).
9.3. Підбір: планування парування
Асортативний підбір (кращий × кращий): максимізує генетичний прогрес, але швидко нарощує спорідненість і інбридинг.
Коригувальний / компліментарний підбір: пару добирають так, щоб сильні сторони одного партнера покривали слабкі другого (напр., висока продуктивність × висока зимостійкість).
Контроль інбридингу: приріст інбридингу ΔF ≈ 1/(2·Ne) — тримають ефективну чисельність Ne високою й уникають парування близьких родичів, керуючись матрицею спорідненості A. Оптимальний внесок (Optimum Contribution Selection, Meuwissen, 1997) максимізує прогрес за обмеження на середню спорідненість.
Бджолина специфіка: обирають материнських (племінних) маток і материнські сім'ї-продуценти трутнів (МПТ); парування контролюють через ізольовані парувальні пункти або інструментальне осіменіння. Схема парування задає й спорідненість робочих a_ii, а отже точність оцінки (див. 8.6).
10. Генетичний прогрес
Скільки прогресу дає один цикл відбору, описує рівняння селекціонера. За покоління:
а темп прогресу за рік враховує ще й інтервал поколінь L (Rendel & Robertson, 1950):
Чотири важелі прогресу — і всі вони керовані:
i — інтенсивність відбору: строгіший відбір → більший прогрес, але більший інбридинг (розділ 9).
r — точність оцінки: саме те, над чим працювали розділи 6–8; піднімається кількістю доньок, локацій, родичами та геномом.
σ_A — генетична мінливість: ресурс популяції; його не можна нарощувати штучно, але й не можна вичерпувати надмірним інбридингом.
L — інтервал поколінь: коротший L прискорює прогрес; геномна оцінка дозволяє відбирати молодих маток без втрати точності.
Рис. 7. Накопичений генетичний прогрес за трьох сценаріїв: базовий (0,70 кг/рік), з вищою точністю (0,98), і з геномом та коротшим інтервалом поколінь (1,12). Важелі рівняння селекціонера компонуються.
Рис. 7. Накопичений генетичний прогрес (3 сценарії)
Прогрес накопичується приблизно лінійно (інфінітезимальна модель), але його треба відстежувати разом з інбридингом: надто агресивний відбір з'їдає σ_A і зупиняє прогрес у майбутньому.
11. Історія відбору, підбору та генетичного прогресу
Історію ведуть із двох причин: побачити реалізований прогрес (генетичний тренд) і оцінити якість самих рішень — які поєднання виявились вдалими, а які ні.
11.1. Генетичний тренд
Тренд — це нахил середньої племінної цінності популяції за роками народження (рис. 8A). Він показує фактичний темп прогресу й дозволяє порівняти його з очікуваним ΔG.
11.2. Вдалі й невдалі поєднання
Очікувана цінність нащадків дорівнює середньому батьків; фактична від неї відхиляється:
Відхилення Δ — це менделівське розщеплення, можлива специфічна комбінаційна здатність (вдале «поєднання») і залишковий шум. Додатне Δ — поєднання спрацювало краще за очікуване (рис. 8B, зелені), від'ємне — гірше (помаранчеві).
Рис. 8. (A) Генетичний тренд: середнє популяції та відібраних батьків за роками (≈1,2 бала/рік). (B) Якість підбору: поєднання над діагоналлю спрацювали краще за очікуване (вдалі), під нею — гірше (невдалі).
A. Генетичний тренд
B. Якість підбору: очікуване vs реалізоване
Журнал підбору (приклад):
Практичне застосування: журнал ведуть, щоб повторювати вдалі поєднання ліній і уникати невдалих. Але один результат ще не доказ — справжню комбінаційну здатність відрізняють від випадкового відхилення лише повторенням поєднання (розділ 7 про надійність).
Таблиця 7: журнал підбору (приклад)
12. Управління інбридингом, OCS та збереження цінних генотипів
Оцінка й відбір дають прогрес, але без управління генофондом він самознищується: надмірний тиск відбору стягує спорідненість, роздуває інбридинг і вичерпує σ_A. Тому методологія має включати три захисні механізми.
12.1. Інбридинг та коефіцієнт інбридингу
У бджіл інбридинг небезпечніший, ніж деінде, через локус визначення статі csd. Зростання гомозиготності за csd породжує диплоїдних трутнів, яких робочі знищують на личинковій стадії — це «строкатий розплід» і пряме падіння сили сім'ї вже цього сезону, а не колись у майбутньому.
Коефіцієнт інбридингу F_i — ймовірність, що два алелі особини ідентичні за походженням; він дорівнює діагоналі матриці спорідненості мінус одиниця:
Темп інбридингу та його накопичення визначаються ефективною чисельністю Ne:
Практичний орієнтир (FAO): тримати ΔF ≤ 1% за покоління, тобто Ne ≥ 50 (краще ≥ 100). Робота: моніторити середній F популяції окремим трендом, рахувати очікуваний F кожного планованого парування ще до його здійснення та підтримувати різноманіття csd-алелів (рис. 9). Обчислення F у бджіл ведуть за спеціальними алгоритмами через гаплодиплоїдію (Brascamp & Bijma).
Рис. 9. Накопичення інбридингу F за поколіннями для Ne = 20/50/100. При Ne = 50 (ΔF = 1%) F тримається помірним; при Ne = 20 (ΔF = 2,5%) швидко входить у зону ризику.
Рис. 9. Накопичення інбридингу F для Ne = 20/50/100
12.2. OCS — оптимальний внесок (Optimum Contribution Selection)
OCS (Meuwissen, 1997) не робить простого «візьми топ-p», а обирає внески c кожного кандидата так, щоб максимізувати прогрес за обмеження на середню спорідненість:
де c — вектор внесків, â — племінні цінності, A — матриця спорідненості, C₀ — стеля спорідненості (задає ΔF). OCS свідомо притримує «суперзірку», якщо вона надто споріднена з рештою, і додає менш видатних, але неспоріднених — так зберігається і прогрес, і різноманіття. Це узагальнення усіченого відбору, що завжди лежить нижче оптимального фронту (рис. 10). У бджільництві OCS адаптовано (Brascamp, Uzunov, Bijma & Du, 2024) для вибору племінних маток і материнських сімей-продуцентів трутнів; розв'язок дає готовий план парувань у межах заданого ΔF.
Рис. 10. Фронт Парето OCS: за будь-якого ліміту ΔF він дає більший прогрес, ніж простий усічений відбір (червона точка лежить нижче фронту). При ліміті ΔF ≤ 1% OCS обирає максимум прогресу на цій межі.
Рис. 10. Парето фронт OCS vs усічений відбір
12.3. Збереження цінних генотипів (управління генетичними ризиками)
Одна елітна матка — це «єдина точка відмови»: її загибель чи загибель її сім'ї стирає генотип. Тому цінні генотипи захищають профілактично, і найдоступніший засіб — резервування.
Резервування — багаторівнева надмірність (принцип 3-2-1)
Правило просте: жоден елітний генотип не повинен існувати в єдиному екземплярі. Його тримають у кількох копіях, у різних місцях, плюс архів — за аналогією з правилом резервного копіювання даних 3-2-1 (рис. 11).
Рівень 1 — робочі копії: кілька дочок елітної матки працюють у продуктивних сім'ях на основних пасіках; повсякденне використання.
Рівень 2 — резервний нуклеусний парк: 2–4 дочки/сестри тримають у нуклеусах на ІНШИХ пасіках; це жива страховка на випадок втрати робочих копій.
Рівень 3 — кріобанк сперми: заморожена сперма трутнів від генотипу — довгострокова страховка, що переживає навіть повну втрату живих копій.
Ключові правила резервування: (1) розмножувати елітну матку ТОГО Ж сезону, щойно її виявлено, — не відкладати; (2) рознести копії географічно, щоб локальна біда (хвороба, крадіжка, отруєння) не стерла генотип одразу; (3) вести облік «статусу резерву» кожного цінного генотипу — скільки живих копій, де саме, чи є сперма в банку.
Рівні резервування цінного генотипу:
Рис. 11. Багаторівневе резервування цінного генотипу: робочі копії → резервні нуклеуси на інших пасіках → кріоархів. Жодна єдина втрата не стирає генотип.
🔒 Схема 3-2-1: 3 копії робочих + 2 резервних нуклеусів на різних пасіках + 1 архів (кріо/сперма). Візуалізація — див. дисертацію Рис. 11.
Інші засоби захисту
Кріобанк сперми: сперму трутнів заморожують — генетичний банк, що дозволяє реінтродукцію генотипу навіть після повної втрати живих сімей.
Портфель через OCS: обмежуючи внесок кожної матки, OCS не дає «поставити все» на один генотип і зберігає набір добрих ліній, а не одну.
Відбір за нижньою довірчою межею: у ризик-чутливих рішеннях відбирають не за самою EBV, а за її нижньою межею — тоді не масштабуєш випадково завищену оцінку:
План збереження генотипів (профілактика / реакція):
Таблиця 8: рівні резервування цінного генотипу
Таблиця 9: ризики втрати та профілактика
Підсумок: інбридинг тримаємо через F і ΔF ≤ 1%/покоління; OCS балансує прогрес проти спорідненості й хеджує ризик концентрації; втрату цінного генотипу упереджуємо насамперед резервуванням (кілька копій у різних місцях), а також кріобанком, портфелем OCS і відбором за нижньою довірчою межею.
13. Вікова структура з перекривними поколіннями та безперервна оцінка
Реальна племінна популяція бджіл не має дискретних поколінь: у кожен момент співіснують матки кількох років виведення, що надходять і вибувають безперервно. Стан популяції описують вектором когорт за віком, а переходи (виживання, надходження нової когорти, вибуття) — матричною моделлю вікових переходів (Leslie, 1945):
де n_t — вектор чисельностей когорт, L — матриця переходів. Графічно динаміку показує діаграма Лексіса: лінія життя кожної матки — діагональ у координатах «вік–час» (рис. 12).
Рис. 12. Діаграма Лексіса: матки різних когорт старіють, вибувають (×) і безперервно оновлюють популяцію; затінене — ковзне 5-річне вікно активної оцінки.
📊 Діаграма Лексіса (Рис. 12): матки різних когорт співіснують, старіють, вибувають. Ковзне 5-річне вікно оновлення популяції.
Оцінку ведуть методом BLUP періодично, кожен прогін — знімок поточного стану. Базою нормування слугує ковзне 5-річне вікно випробуваних маток (Hoppe та ін., 2020): 100 = середнє популяції за останні п'ять років. Надійність оцінки конкретної матки зростає поступово з накопиченням записів дочок (розділи 6–8, рис. 3).
Застереження: оскільки база ковзна, значення 100 — рухома точка відліку; при висвітленні генетичного тренду (розділ 11) це слід враховувати, інакше прогрес частково «ховається» в дрейфі бази.
14. Раннє виведення дочок і скорочення інтервалу поколінь
Вікова структура дозволяє виводити дочок від матки одразу після початку яйцекладки, не чекаючи завершення випробування. Тут важливо розрізняти тривалість випробування та інтервал поколінь L. Раннє виведення не скорочує випробування (сім'я однаково має прожити сезон і перезимувати), але скорочує L, бо наступне покоління виробляють паралельно, а не послідовно (рис. 13).
Рис. 13. Раннє виведення: тривалість випробування незмінна, а інтервал поколінь L скорочується за рахунок паралельного виробництва наступного покоління.
📉 Скорочення L (Рис. 13): раннє виведення паралельно з випробуванням → L зменшується з 3 до 2 років при тій самій тривалості перевірки.
Ціна прийому: на початку яйцекладки власної оцінки ще немає, тож цінність матки = середнє батьків, яке не розрізняє повних сестер. Тому раннє виведення тиражує лінію, але без вибору найкращої сестри; воно найдоречніше на трутневому (батьківському) шляху, а на материнському варто дочекатися щонайменше власного запису.
Кількісно (за рівнянням ΔG = i·r·σ_A/L з розділу 10; i = 1,4, σ_A = 5,5 кг): класична схема L = 3, r = 0,60 → ΔG = 1,4·0,60·5,5/3 ≈ 1,5 кг/рік; раннє виведення L = 2, r = 0,50 → ΔG = 1,4·0,50·5,5/2 ≈ 1,9 кг/рік — попри нижчу точність, поступ зростає на чверть, бо скорочення L переважує втрату r (Plate та ін., 2025). За вільного парування обидві оцінки зменшують приблизно вдвічі.
15. Пірамідальний масштаб програми (українська популяція)
Масштаб програми визначає не зовнішній еталон, а структура української популяції — близько 2,2–2,5 млн сімей і ~200 тис. пасічників. Оцінювати всю сукупність не потрібно: прогрес створює порівняно мале оцінене племінне ядро і поширює його через ланку розплідників-множників на весь виробничий загал (рис. 14A).
Рис. 14. (A) Пірамідальна структура: племінне ядро (оцінка й відбір) → множники → виробництво. (B) Каскад вибуття маток у племінному ядрі: збереження граф → завершений запис ≈ 32% (множник 3,2).
🔺 Піраміда (Рис. 14): племінне ядро → множники → виробництво. Каскад вибуття у племінному ядрі.
Пірамідальна структура програми для української популяції:
Племінне ядро визначено вимогами генетичної достатності (Ne, надійність, помірна інтенсивність), а не часткою від популяції. Каскад вибуття (рис. 14B) враховує послідовні втрати від графта до завершеного запису; збереження ≈ 32% означає, що для ~12 000 оцінених маток слід виводити ~38 000.
Вибуття неоднорідне: воно по-різному впливає на ознаки: зимова загибель — це сам фенотип зимостійкості (не втрата даних); роїння псує запис продуктивності, але є сигналом рійливості; заміна матки спричиняє розрив родоводу, який обов'язково фіксують. Такий масштаб робить ручний облік неможливим — цифрова платформа стає необхідною умовою програми.
Таблиця 10: пірамідальна структура української програми
15.1. Цикл племінної програми: замикання петлі
Усі попередні розділи описували одноразову оцінку. Але племінна програма — це рекурентна петля, у якій відібране покоління стає вихідним матеріалом наступного. Саме замикання петлі перетворює набір оцінок на програму з накопичуваним прогресом.
Один цикл:
- Вихідне покоління засновниць (широка база різноманіття).
- Випробування через розподілену мережу (2 зимівлі, зв'язний дизайн).
- Оцінка племінної цінності (BLUP на матриці спорідненості, дві компоненти).
- Відбір кращих з обмеженням на інбридинг (OCS).
- Розмноження відібраних + свіжа кров ззовні.
- Наступний цикл із перекриттям поколінь (rolling overlap, бо оцінка = 2 роки).
15.2. Зв'язність мережі як умова ідентифікованості
Розподіл випробувань по багатьох господарствах породжує проблему аліасування: пасічник нерозривний з пасікою, і без спеціального дизайну неможливо відрізнити ефект засновниці від ефекту станції. Розв'язок — генетична зв'язність через спільних предків.
Вимога до дизайну мережі (неповний збалансований блоковий дизайн):
- Кожна засновниця представлена на ≥ 3 станціях.
- Кожна станція має дочок від ≥ 5 засновниць.
⚠ Зв'язність — не організаційна деталь, а умова ідентифікованості моделі. Мережа без спільних предків між станціями математично не дозволяє відокремити генотип від середовища, скільки б даних не було зібрано. Це головна причина, чому програма будується навколо спільного племінного матеріалу, а не навколо незалежних оцінок окремих господарств.
15.3. Відбір за EBV з фіксованою базою
Якщо племінну цінність виражати відносно поточного середнього популяції, середнє за побудовою завжди дорівнює нулю, і генетичний тренд не проявляється. Розв'язок — фіксована генетична база (як у BeeBreed): EBV відлічується від зафіксованого базового року. Тоді середня EBV кожного наступного покоління зростає, і генетичний прогрес стає вимірюваним.
Додатний нахил тренду доводить, що програма працює; нульовий — що відбір або утримання рівня неефективні.
15.4. Баланс газу й гальма (утримання рівня)
Рівняння селекціонера описує прогрес за одне покоління («газ»), але за вільного парування накопичене розмивається потоком генів із довколишньої популяції («гальмо»). Чистий рух програми — різниця:
чистий_прогрес = (i·r·σ_A)/L − (1−λ)·D, де λ = (1+p_control)/2
де p_control — частка контрольованих парувань, D — накопичена перевага популяції. За p_control = 0 популяція втрачає половину переваги за покоління (λ = 0,5). Тому контроль парувань (облітники, ІО) діє одночасно на два члени: піднімає газ (S_D) і зменшує гальмо (λ→1). Без контролю парувань навіть ідеальна оцінка й відбір не забезпечують сталого прогресу.
16. Взаємодія генотип × середовище між зонами України
Догма 4 (розділ 2) припускала відсутність взаємодії генотип × середовище. Для України, з її різними зонами (Карпати, Лісостеп, Степ), це припущення треба перевіряти. Повна модель фенотипу містить окремий член взаємодії:
Якщо реакційні норми генотипів між зонами паралельні — взаємодії немає, і ранг генотипів однаковий усюди. Якщо вони перетинаються — є G×E, і найкращий у Степу генотип може НЕ бути найкращим у Лісостепу (рис. 15).
Рис. 15. (A) Без взаємодії ранг генотипів стабільний між зонами. (B) За наявності G×E нитки перетинаються — у Лісостепу лідирує інший генотип, ніж у Карпатах.
↔ G×E (Рис. 15): без взаємодії — паралельні нитки; з взаємодією — перетин, локальний лідер залежить від зони.
Наслідок для дисертаційної теми: перевагу генотипу в умовах Лісостепу треба демонструвати САМЕ в Лісостепу, а не запозичувати з іншої зони чи іншої популяції. Практично це означає: або оцінювати генотипи в межах зони, або включати в модель член G×E; і в обох випадках потрібна зчеплена мережа випробувань між зонами (розділи 3, 8.8).
Українська специфіка: карпатська бджола (A. m. carpatica, підвид carnica) та українська степова (екотип A. m. macedonica) — це окремі одиниці оцінки з власною 5-річною базою; племінні цінності порівнянні лише в межах однієї популяції. Переважання вільного парування створює документований ризик неконтрольованої інтрогресії й загрозу локальному генофонду (Engel, 1999; Метлицька та ін., 2010; Череватов та ін., 2016) — що додатково підкреслює потребу контрольованого парування (розділи 9, 12).
17. Виведення ключових формул
Нижче кожну формулу, використану в додатку, виведено з першопринципів — щоб методологія спиралася не на постульовані вирази, а на їх обґрунтування.
17.1. Розклад дисперсії та σ_A
За адитивності (Догма 1) незалежні компоненти складаються, тож фенотипова дисперсія розкладається, а вузька успадковуваність — це частка адитивної:
17.2. Спорідненість робочих a_ii
Дві робочі однієї матки ділять материнський внесок ¼ (напівсибси по матері), а батьківський додає ½ від спорідненості трутневих геномів a_F (трутень гаплоїдний і передає весь геном):
Усереднюючи за N рівновнесковими трутнями (ймовірність спільного трутня = 1/N):
Звідси: один трутень (N=1) → 0,75; багато трутнів (N→∞) → 0,25 (розширює 8.6).
17.3. Надійність r² (прогені-тест)
Фенотип дочірньої колонії несе половину племінної цінності матки: P = ½A + ψ. Звідси коваріація з маткою, дисперсія середнього n дочок (t = ¼h² — спорідненість напівсибсів) і надійність:
«4» походить від множника (½)² спорідненості матка–донька; спрощення 4 + n·h² відкидає малий член −h².
17.4. Вага b = 2r²
Вага індексу — це регресія цінності на сигнал; та сама коваріація й дисперсія дають:
Множник 2 виникає тому, що доньки несуть лише половину генів матері, тож сигнал «подвоюють», аби повернутися до батьківської шкали.
17.5. Похибка прогнозу та довірчий інтервал
Оскільки Var(Â) = r²·σ_A², дисперсія помилки прогнозу є доповненням до повної:
Підставивши 1 − r² = 4/(4 + n·h²), півширина інтервалу згортається до:
17.6. Інтенсивність відбору
Для усічення верхньої частки p інтенсивність — це середнє стандартної нормалі понад порогом z_p (середнє усіченого розподілу), а диференціал — її розмасштабування:
17.7. Рівняння селекціонера та річний поступ
Відгук на відбір — це успадкована частка диференціала; узагальнення на відбір за оцінкою замінює h на точність r, а поділ на інтервал поколінь дає річний темп:
17.8. Накопичення інбридингу
Частка «неспорідненості» щопокоління множиться на (1 − ΔF), звідки рекурсія й приріст через ефективну чисельність:
17.9. Стандартизація в бали
Бал — це z-оцінка племінної цінності, розмасштабована на 10 балів за σ_A і зсунута до бази 100:
Нульове середнє відповідає популяційній базі (розділ 13); множник 10 і база 100 — домовленість шкали BeeBreed.
19. Систематичні пастки вимірювання
Найкращий BLUP не врятує, якщо саме вимірювання зміщене. Нижче — 5 систематичних пасток, кожна з яких може перекрутити висновок сильніше за випадкову похибку.
19.1. Послаблення через похибку вимірювання (attenuation)
Якщо ознаки вимірюються з шумом, спостережувана кореляція систематично занижена:
ρ_спост = ρ_істин · √(r_xx · r_yy)
де r_xx, r_yy — повторюваності вимірювань двох ознак. За повторюваності 0,5 істинна кореляція 0,8 спостерігається як 0,4 — половина зв'язку зникає у протоколі, не в природі.
Наслідок для beeu: якщо різні пасічники міряють по-різному (низька узгодженість), усі зв'язки систематично занижуються → хибний висновок про незалежність ознак. Стандартизація протоколу дає більший приріст точності, ніж будь-яке ускладнення статистики. Спершу єдина методика — потім складні моделі.
19.2. Парадокс Сімпсона
Загальна коваріація об'єднаних даних:
Cov_заг = Cov_між-групами + Cov_всередині-груп
Якщо різні пасіки/точки мають різні середні, об'єднання без контролю пасіки змішує внутрішньогруповий зв'язок із міжгруповою різницею. Знак кореляції може перевернутися. Захист: завжди включати «точок·рік» як фіксований ефект у модель (див. §8.8).
19.3. Зміщення виживанням (survivorship bias)
Найсерйозніша загроза валідності. Сім'ї, що дали товарний мед, — не випадкова підвибірка з вихідних. Вони пройшли фільтри виживання, які відсіюють саме слабких.
Наслідок: у гіршого генотипу до фінальної вибірки доходять лише найкращі, тоді як у кращого — і середні теж. Порівнюється верхівка одного розподілу з серединою іншого. Це зміщує оцінку в один бік завжди, і не зменшується з ростом n.
Захист: аналізувати кожну ознаку на відповідній вибірці окремо (виживаність на всіх, товарність на вцілілих, кількість меду з поправкою на відбір). Не зводити все в одну таблицю «середня продуктивність за генотипом».
19.4. Неоднорідність нулю
Значення «0 кг меду» виникає з трьох різних причин, які не можна змішувати в одну колонку:
- Сім'я жива, але слабка — справжній нуль продуктивності.
- Сім'я втратила матку — нуль не про продуктивність, а про подію.
- Сім'я загинула — її взагалі немає, це вилучення, а не нуль.
Змішування штучно скошує розподіл. Правильний підхід — фіксувати статус кожної сім'ї явно (жива/мертва/безматкова) і моделювати відповідно (zero-inflated або двоступенева модель).
19.5. Чутливість до викидів
Коваріація й дисперсія квадратичні, тому одна сім'я з помилкою введення (300 кг замість 30) зсуває оцінку сильніше, ніж десяток нормальних значень. Особливий ризик — українська нотація з комою замість крапки (парсинг як 30 замість 30.5). Обов'язкова діагностика впливу (Cook's distance) перед оцінкою компонент дисперсії.
19.6. Обмеження діапазону (range restriction)
Якщо повне фенотипування отримують лише кращі сім'ї (напр., лише ті що дожили), дисперсія предиктора штучно зрізана, і кореляція падає. Двоступеневий фільтр 36→25→15 → кожен фільтр звужує діапазон і послаблює виявлювані зв'язки.
20. Валідація моделі: три рівні перевірки
На реальних даних істинні параметри приховані, тому помилку специфікації моделі виявити неможливо — невідомо, з чим порівнювати результат. Симуляція вирішує це радикально: дослідник сам задає істинні параметри, генерує за ними штучні дані, проганяє свій аналіз і перевіряє, чи повернув він закладену істину.
20.1. Recovery: відновлення параметрів
Заклав h² = 0,25 — модель повернула 0,25? Перевірка незміщеності. 1000 прогонів, середня оцінка має збігатися із закладеною в межах допуску. Це перший крок будь-якої валідації: спершу довести що модель ловить закладену істину на ідеальних даних.
Таблиця recovery: закладене (h², σ_A, ефект генотипу) проти оціненого (mean, SE) по 1000 прогонах.
20.2. Sensitivity: чутливість до припущень
Модель проганяється при різних значеннях кожного невідомого параметра (σ = 10/15/20; m = 8/15/25; h² = 0,15/0,35), і дивляться, чи змінюється ранжування генотипів. Якщо не змінюється — висновок робастний.
Наслідок: аналіз чутливості перетворює слабке місце на сильне. На заперечення «ви не знаєте m» дослідник відповідає таблицею, що показує незалежність висновку від m у всьому біологічно можливому діапазоні. Це слід зробити для кожного параметра зі статусом «прийнято з літератури».
20.3. Misspecification: робастність до порушень
Найглибша перевірка: навмисно генеруються дані, що порушують припущення моделі, і перевіряється, чи модель ламається. Приклади:
- Скісні дані з масою нулів → чи потрібна двоступенева модель.
- Відхід MNAR → кількісна оцінка завищення гіршого генотипу.
- Нерівні дисперсії між генотипами → чи потрібен heteroskedastic REML.
Те, що витримало таку атаку, можна застосовувати; те, що зламалося — тільки за відомих умов.
20.4. Три таблиці для дисертації
Результати валідації формуються у три таблиці:
- Recovery (закладене проти оціненого) → доказ незміщеності.
- Sensitivity (стійкість ранжування у діапазоні кожного припущення) → доказ робастності.
- Misspecification (зміщення при порушеннях) → обґрунтування вибору моделі.
Це перетворює формулювання «застосовано REML» на «встановлено межі, у яких REML дає надійний результат».
21. Глосарій термінів, скорочень і позначень
Примітка: термін «племінне ядро» вживається для верхівки селекційної піраміди (оцінка й відбір), а «нуклеус» — лише для малих парувальних або резервних сімей.
→ 21.1. Терміни · → 21.2. Скорочення · → 21.3. Математичні позначення
21.1. Терміни
21.2. Скорочення та абревіатури
21.3. Математичні позначення
Джерела
Fisher (1918) Trans. R. Soc. Edinb. 52; Wright (1922) Am. Nat. 56; Hazel (1943) Genetics 28; Henderson (1975) Biometrics 31; Falconer & Mackay (1996) Introduction to Quantitative Genetics; Mrode (2014) Linear Models for the Prediction of Animal Breeding Values; Brascamp & Bijma (2014) — материнська модель бджоли; Bienefeld, Ehrhardt & Reinhardt (2007) Apidologie 38:77–85; Rendel & Robertson (1950) J. Genetics 50 (темп прогресу); Meuwissen (1997) J. Anim. Sci. 75 (оптимальний внесок); Leslie (1945) Biometrika (вікові переходи); Wright (1931), Hill (1979) (Ne в перекривних поколіннях); Hoppe та ін. (2020); Plate та ін. (2025); Du, Bernstein & Hoppe (2025); Bernstein та ін. (2019); Engel (1999); Метлицька та ін. (2010); Череватов та ін. (2016); шкала — BeeBreed (hu-berlin.de/beebreed).