Beziehung zwischen dem somatischen Zellgehalt und dem Erstbesamungserfolg in Milchviehherden Ostfrieslands, analysiert mit logistischen Modellen

Transkript

1 Züchtungskunde, 78, (2) S , 2006, ISSN Eugen Ulmer KG, Stuttgart Beziehung zwischen dem somatischen Zellgehalt und dem Erstbesamungserfolg in Milchviehherden Ostfrieslands, analysiert mit logistischen Modellen S. König 1, G. Hübner 1, R. Sharifi 1, E. Bohlsen 2, J. Detterer 3, H. Simianer 1 und W. Holtz 1 1 Einleitung Die wirtschaftliche Situation der milchviehhaltenden Betriebe in Deutschland wird durch die anhaltende Verringerung des Milchpreises, aber gleich bleibende oder größer werdende Kosten immer schwieriger. Daher sind die Betriebe gezwungen, ihre Effizienz weiter zu steigern. Eine Verbesserung der Wirtschaftlichkeit war in den vergangenen Jahren insbesondere durch eine Steigerung der Milchleistung gegeben. Allerdings sind viele Landwirte bei den Leistungssteigerungen an einem Punkt angekommen, an dem eine weitere Optimierung der Umwelt nur noch mit hohem Aufwand erzielt werden kann. Daher gewinnen alle Managementhilfen, die zur Gesunderhaltung und somit verlängerten Nutzungsdauer der Kühe beitragen, an Bedeutung, um eben durch Senkung der Kosten und Remontierungsraten weiterhin erfolgreich Milchproduktion betreiben zu können. Die bedeutendste Abgangsursache der Milchkühe sind Abgänge auf Grund von Fruchtbarkeitsproblemen (ADR, 2003). Ziel sollte daher sein, vorhandene Möglichkeiten auszunutzen, um dieser Abgangsursache entgegenzuwirken. Die monatlichen Ergebnisse der Milchleistungsprüfung liefern Zusatzinformationen, die, richtig interpretiert und genutzt, auch wertvolle Informationen zur Optimierung des Fruchtbarkeitsgeschehens im Betrieb liefern können. Dazu gehört - neben dem Harnstoffgehalt der Milch in Kombination mit den Eiweißprozenten als Indikator für die Protein- und Energiezufuhr - auch der somatische Zellgehalt. Vornehmliches Ziel der vorliegenden Studie war, die Bedeutung von Zellzahlergebnissen aus der monatlichen Milchkontrolle für den Fruchtbarkeitserfolg in ostfriesischen Milchviehbetrieben abzuleiten. Da der Fruchtbarkeitserfolg als Binärmerkmal definiert ist, wurde ein Schwerpunkt der Analyse auf die Auswertungsmethodik mit logistischen Modellen für kategoriale Daten gelegt. 2 Datenmaterial und Merkmalsdefinition Für die Untersuchung standen Datensätze mit Testtagsergebnissen der monatlichen Milchkontrolle (Produktionsmerkmale und Zellzahl) sowie Besamungs- und Kalbedaten von ostfriesischen Holsteinkühen der Besamungsjahre 2000 bis 2003 zur Verfügung. Als Merkmal der Fruchtbarkeit wurde der Erstbesamungserfolg definiert. In der Zuchtwertschätzung wird als Merkmal für den Fruchtbarkeitserfolg die Non-Return-Rate herangezogen. Diese gibt an, welcher Anteil von Kühen nach einer Besamung nicht für eine Wiederbesamung gemeldet wird. Verzerrungen bei der Berechnung dieser Maßzahl sind insbesondere dann zu erwarten, wenn der Deckbulle bei Wiederbelegungen zum Einsatz kommt; solche Belegungen werden den zuständigen Rechenstellen nicht gemeldet, 1 Institut für Tierzucht und Haustiergenetik, Göttingen; skoenig2@gwdg.de 2 Landeskontrollverband Weser-Ems, Leer; e.bohlsen@lkv-we.de 3 Verein Ostfriesischer Stammviehzüchter, Besamungs- und ET-Station Georgsheil; detterer@vost.de

2 Somatischer Zellgehalt und Erstbesamungserfolg in Milchviehherden 91 Abb. 1. Verteilung der Kühe auf Laktationsnummern Distribution of the cows according to parity und der Kuh wird fälschlicherweise eine Trächtigkeit aufgrund der ersten Besamung bescheinigt. Das gleiche Problem stellt sich bei obiger Merkmalsdefinition. Da der Deckbulleneinsatz laut der ADR-Jahresberichte zunehmend an Bedeutung gewinnt, wurde das Merkmal tragend noch genauer definiert. Erste Voraussetzung war, dass für eine Kuh nach der Erstbesamung keine Folgebesamung vorlag. Die zusätzliche Überprüfung, ob im Zeitraum von 270 bis 290 Tagen nach der Erstbesamung ein Kalb geboren wurde, sollte gewährleisten, dass die Störgröße eines eventuell folgenden nicht registrierten Deckbulleneinsatzes minimiert wird. Nach dieser Definition galten 51,3 % der insgesamt in der Auswertung berücksichtigten Kühe als tragend. Die Verteilung der Kühe auf die einzelnen Laktationsnummern zeigt Abb Methode der Auswertung: Die Logit-Link-Funktion Der Fruchtbarkeitserfolg hat nur zwei mögliche, sich ausschließende Ausprägungen, wie z.b. Ereignis findet statt (Y = 1: Kuh ist tragend) oder Ereignis findet nicht statt (Y = 0: Kuh ist nicht tragend). Von Interesse ist der Einfluss der jeweiligen unabhängigen Variable auf diese Eintrittswahrscheinlichkeit. Die Unterstellung einer Normalverteilung bei nicht normalverteilten Daten kann insbesondere dann zu Verzerrungen der Schätzfehler führen, wenn die Ereigniswahrscheinlichkeit deutlich von 50 % abweicht. In Generalisierten Linearen Gemischten Modellen (Generalized Linear Mixed Models, GLMM) des Statistikpaketes SAS ist es möglich, mittels spezieller Linkfunktionen die Verteilung der Merkmale zu berücksichtigen. Für die Auswertung kategorialer Daten bietet sich die Logit-Link-Funktion an, die aus der logistischen Regression hergeleitet werden kann (Urban, 1993; Tiede, 1995). Diese Regression unterstellt einen nicht-linearen Zusammenhang zwischen der abhängigen und mindestens einer unabhängigen Variablen als Modellprämisse. Ausgedrückt wird damit eine Art Sättigungseffekt, der darin besteht, dass Änderungen der unabhängigen Variablen in den Extrembereichen noch nicht bzw. nicht mehr zu wesentlichen Änderungen der Eintrittswahrscheinlichkeit führen. Die logistische Funktionskurve hat eine S-förmige Gestalt und verläuft punktsymmetrisch, wobei die Symmetrie auf den jeweiligen Wendepunkt der Kurve bezogen ist. Dieser Wendepunkt liegt immer bei i = 0,5. Abgetragen ist hier jeweils die Wahrscheinlichkeit des Eintretens der Ausprägung Y = 1 der abhängigen Variable Y (also i ) gegen die unabhängige Variable X. Die Werte für i nähern sich diesen Grenzen

3 92 König u.a. asymptotisch bei sehr extremen X-Werten, überschreiten sie aber nicht. Der Verlauf der logistischen Regressionskurve ist demzufolge für das Ausgangsproblem adäquat. Die logistische Regressionsgleichung lautet im Zwei-Variablen-Fall: Kürzt man den Ausdruck + x i in der logistischen Regressionsgleichung mit z ab, so kann die logistische Regression in wenigen Schritten in das Logit-Modell überführt werden: Der Quotient i /1- i ist die Odds ratio und drückt aus, wie viel wahrscheinlicher es ist, dass das Ereignis Y=1 eintritt, als dass es nicht eintrifft. Die Funktion, die den Regressionsausdruck (für den z steht) mit der Wahrscheinlichkeit i verbindet, nennt man Link-Funktion. Diese ist die logarithmierte Odds ratio, welche als Logit bezeichnet wird. Die Definition eines kategorialen Merkmals impliziert auch, dass die Residuen nicht normalverteilt sein können und dass die Varianz eine Funktion der Beobachtungshäufigkeit ist. Im Gegensatz zu linearen Modellen ist daher keine Restkomponente im Gleichungssystem enthalten. Die Restvarianz ist in der Varianzfunktion des generalisierten gemischten Modells enthalten, welche für Binärdaten die Varianz der Binomialverteilung ist: Var (Y i I ) = I (1 I ) Zur Überprüfung der Signifikanz von fixen und zufälligen Einflussfaktoren sowie Kovariablen auf den Fruchtbarkeitserfolg wurden die Datensätze mit dem Glimmix-Makro von SAS ausgewertet. 4 Statistisches Modell Der Einfluss der Regressionskoeffizienten für Eiweiß-kg der Milch und Rastzeit innerhalb Laktationsnummer wurde linear und in Modellen bis zum Polynom vierter Ordnung geprüft. Nicht-signifikante (P < 0.05) Regressionskoeffizienten wurden unter Verwendung der F-Statistik SS Type 1 (Wald-Test) aus dem Modell eliminiert. Diese sequentielle Analyse mit SS Type 1 Tests ist insbesondere geeignet für polynomial definierte Modellstrukturen (Littel, 1996). Für die Regression der Fruchtbarkeit auf die Höhe der Eiweiß-kg war lediglich die lineare Regression signifikant (P < 0.05), für die Regression der Fruchtbarkeit auf die Rastzeit allerdings alle Koeffizienten bis zum Polynom 4. Ordnung. Wald-Tests wurden ebenso verwendet, um die Signifikanz fixer Effekte zu überprüfen (Type III Tests für fixe Effekte). Bei der Einteilung der Kühe nach ihrem somatischen Zellgehalt in drei Klassen wurde generell unterstellt, dass Kühe mit weniger als somatischen Zellen gesund, mit Zellzahlen zwischen und subklinisch erkrankt und Kühe mit mehr als Zellen krank sind. Diese Einteilung sollte eine scharfe Trennung zwischen auffällig erkrankten (> Zellen) und klinisch gesunden (< Zellen) Tieren gewährleisten und sicherstellen, dass die Subzellen für einzelne Analysevarianten mit mindestens 10 % aller Beobachtungen besetzt sind (Tab. 2). Die Besamungssaison und die Laktationsnummer wurden im Modell ebenfalls als fixe Effekte berücksichtigt. Die Besamungssaison wurde in Quartale eingeteilt, und Lak-

4 Somatischer Zellgehalt und Erstbesamungserfolg in Milchviehherden 93 tationsnummern ab der vierten Laktation wurden gemeinsam betrachtet. Die 2242 verschiedenen Betriebe gingen als zufälliger Effekt in das Modell ein. Der Einfluss des somatischen Zellgehaltes auf den Fruchtbarkeitserfolg wurde in drei verschiedenen Varianten untersucht: Variante I: Höhe des somatischen Zellgehaltes des letzten Probegemelks vor der ersten Besamung. Variante II: Höhe des somatischen Zellgehaltes des ersten Probegemelks nach der ersten Besamung. Variante III: geometrisches Mittel des somatischen Zellgehaltes von allen Probegemelken der Laktation, in der die Besamung erfolgte. Das geometrische Mittel des Zellgehaltes der Probegemelke der gesamten Laktation sollte dazu beitragen, Kühe zu identifizieren, die chronische Euterprobleme haben. Die Kovariable Eiweiß-kg basierte in den Modellvarianten I und II auf dem Probegemelk, das am nächsten vor bzw. nach der ersten Besamung gewonnen wurde. In Modellvariante III wurde die Regression der Fruchtbarkeit auf die Leistung durch die Höhe der Eiweiß-kg des Probegemelks verwendet, das den geringsten zeitlichen Abstand zum Besamungstermin hatte, unabhängig ob davor oder danach. Das endgültige Modell war: logit ( rstuv ) = log rstuv = + r + s + t +B u + 1 Y rstuv + 2 Y 2 rstuv + 3 Y 3 rstuv + 4 Y 4 rstuv 1 rstuv + 1 X rstuv + 1 * r + 1 * r rstuv r s t B u Y rstuv X rstuv 1, 2, 3, 4 1 i * r, 1 * r = Ereigniswahrscheinlichkeit für den Erstbesamungserfolg der Kuh v = Gesamtmittel = fixer Effekt der Laktationsnummer (r=1,2,3,4) = fixer Effekt der Besamungssaison (s=1,2,3,4) = fixer Effekt der Zellzahlklasse (t=1,2,3) = zufälliger Betriebseffekt u = Rastzeit der Kuh v in Laktation r, Saison s, Zellzahlklasse t und Betrieb u = Protein-kg der Kuh v in Laktation r, Saison s, Zellzahlklasse t und Betrieb u = Regressionskoeffizienten bis zum Polynom 4. Ordnung für die Kovariable Rastzeit = linearer Regressionskoeffizient für die Kovariable Eiweiß-kg = Effekt der Interaktionen zwischen Kovariablen und Laktationsnummer 5 Ergebnisse Die durchschnittlichen Abstände vom Zeitpunkt des Testtagsergebnisses zur Besamung betrugen für das gewonnene Probegemelk vor der Besamung 14,7 Tage, für das Probegemelk nach der Besamung 13,8 Tage und für das der Besamung am nächsten gelegene Probegemelk, egal ob vor oder danach, 7,7 Tage. Die durchschnittliche Rastzeit der Kühe lag bei 83,3 Tagen in einem breiten Intervall von 31 bis 161 Tagen. Die mittleren Zellzahlergebnisse der Testtagsgemelke für die verschiedenen Modellvarianten sind in Tab. 1 aufgeführt und steigen mit zunehmender Laktationsnummer deutlich an. Der somatische Zellgehalt von Testtagen dicht am Besamungszeitpunkt war tendenziell höher als das geometrische Mittel über die gesamte Laktation. Etwa 10 % aller Kühe lagen in der Zellzahl in den untersuchten Varianten über und wurden als euterkrank definiert (Tab. 2). Alle im endgültigen Modell berücksichtigten fixen Effekte und Kovariablen stellten sich im F-Test als signifikant (P < 0.05) für den Fruchtbarkeitserfolg heraus.

5 94 König u.a. Bei der Betrachtung der Ergebnisse für den Einflussfaktor somatischer Zellgehalt auf die Trächtigkeitsrate waren die Unterschiede zwischen Klasse 1 (gesunde Kühe) und Klasse 2 (Tendenz zur subklinischen Erkrankung) gering (Abb. 2). Kühe mit mehr als Tab. 1. Mittlere Zellzahlen in Abhängigkeit von der Laktationsnummer für verschiedene Zeitpunkte des Probegemelks Means of somatic cell counts measured at different test days by parity Variante I Variante II Variante III Gemelk vor Gemelk nach geometrisches Laktation der Besamung der Besamung Laktationsmittel > Tab. 2. Anteil der Kühe mit geringer, mittlerer und hoher somatischer Zellzahl für verschiedene Zeitpunkte des Probegemelks Fractions of cows with low, medium and high somatic cell score measured at different test days Variante I Variante II Variante III Gemelk vor Gemelk nach geometrisches Zellzahl der Besamung der Besamung Laktationsmittel < ,8 72,8 65, ,1 16,5 24,3 > ,1 10,7 10,0 Abb. 2. Least-Square-Mittelwerte für die Trächtigkeitsrate (in %) von Kühen in Abhängigkeit von der somatischen Zellzahl für verschiedene Zeitpunkte der Probegemelke (PM) Least-Square-Means for pregnancy rates (in %) from cows with different somatic cell counts measured at different test days

6 Somatischer Zellgehalt und Erstbesamungserfolg in Milchviehherden somatischen Zellen zeigten allerdings in den Varianten II und III signifikant schlechtere Trächtigkeitsraten. Hohe Zellzahlgehalte vor dem Besamungszeitpunkt waren für den Erfolg oder Misserfolg einer Besamung weniger bedeutsam. Die Einhaltung von längeren Rastzeiten bedingte bessere Trächtigkeitsraten. Hohe Eiweißmengenleistungen zum Zeitpunkt der Besamung zeigten negative Auswirkungen auf den Besamungserfolg. In Abb. 3 und Abb. 4 sind die Ergebnisse exemplarisch für das letzte Probegemelk vor der Besamung dargestellt (Variante I), die in ihrer Ausprägung analog für die beiden übrigen Varianten gelten. Die besten Trächtigkeitsraten wurden in der zweiten Laktation realisiert. Erstbesamungen bei Färsen in der ersten Laktation führten zu nur mäßigen Trächtigkeitsraten, die unter denen der übrigen Laktationen lagen. Als weiteres Ergebnis der Varianzanalyse bleibt festzuhalten, dass die Trächtigkeitsraten in den Sommermonaten von Juli bis September deutlich unter dem Erfolg in den übrigen jahreszeitlichen Abschnitten lagen (Abb. 5). Rastzeit in Tagen Abb. 3. Least-Square-Mittelwerte für die Trächtigkeitsrate in Abhängigkeit von der Rastzeit für verschiedene Laktationsnummern Least-Square-Means for pregnancy rates in relationship to service interval by parity Abb. 4. Least-Square-Mittelwerte für die Trächtigkeitsrate in Abhängigkeit von Eiweiß-kg für verschiedene Laktationsnummern Least-Square-Means for pregnancy rates in relationship to protein yield by parity

7 96 König u.a. Abb. 5. Least-Square-Mittelwerte für die Trächtigkeitsrate in Abhängigkeit vom Besamungszeitpunkt Least-Square-Means for pregnancy rates in relationship to the date of insemination 6 Diskussion 6.1 Auswertungsmethodik Für die Auswertung kategorialer Daten in tierzüchterischen Analysen ist die Logit-Link- Funktion eine Option, die zunehmend genutzt wird (u.a. Rodriguez-Zas et al., 1998; de Haas et al., 2003; Guerra, 2004; Sharifi, 2004; König et al., 2005). In den Arbeiten von Guerra (2004), Sharifi (2004) sowie König et al. (2005) wurden ebenfalls generalisierte lineare gemischte Modelle, implementiert im SAS-Makro Glimmix, dazu verwendet, um den Einfluss von fixen Effekten und Kovariablen auf die Ereigniswahrscheinlichkeit zu untersuchen. Ein Vorteil der Verwendung von Glimmix zur Auswertung kategorialer Daten selbst in Fällen, wo der lineare Prediktor des zugrunde gelegten Modells keine zufälligen Effekte hat, ist die Möglichkeit, über die LSmeans Anweisung in Verbindung mit der Option diff die paarweisen Vergleiche leicht erhalten zu können, während z.b. bei der Prozedur GENMOD in SAS für jeden Vergleich eine eigene Contrast-Anweisung geschrieben werden muss. Des weiteren erlaubt Glimmix die Berücksichtigung mehrerer zufälliger Effekte (Piepho, 1998). Eine Alternative zur Logit-Linkfunktion ist die Probit-Linkfunktion. Probitfunktion wird jene Funktion genannt, die den z-wert der kumulierten Standardnormalverteilung liefert. Zur Frage, welche Linkfunktion eher angemessen ist, zeigte u.a. Berkson (1951), dass die Unterschiede zwischen den beiden Funktionen zu vernachlässigen sind. Die Unterschiede zwischen der Probitfunktion (bzw. kumulierten Standardnormalverteilung) und der Logitfunktion (bzw. logistischen Funktion) sind zum großen Teil nur auf die unterschiedliche Streuung der beiden Verteilungen zurückzuführen. Wird statt der Standardnormalverteilung die Normalverteilung mit der entsprechenden größeren Varianz von 2 /3 mit der logistischen Verteilung verglichen, sind die Unterschiede kaum noch gegeben. Swalve et al. (2005) berechneten Heritablitäten für Klauenerkrankungen unter Verwendung der Probit-Linkfunktion. Die Ergebnisse waren bei gleicher Merkmalsdefinition nahezu identisch mit denen, die König et al. (2005) mit der Logit-Linkfunktion für Klauenerkrankungen schätzten. Dagegen waren die Heritabi-

8 Somatischer Zellgehalt und Erstbesamungserfolg in Milchviehherden 97 litäten für Binärdaten, geschätzt im linearen Modell und transformiert in ein Schwellenwertmodell, deutlich höher als die Schätzwerte des logistischen Modells (Wentrot et al., 2004), insbesondere bei niedriger Inzidenz des Merkmals. 6.2 Eutergesundheit und Fruchtbarkeit Ein eindeutiges Ergebnis der Untersuchung war, dass Kühe mit über somatischen Zellen signifikant schlechter tragend wurden als solche mit geringer oder mittlerer Zellzahl (Abb. 2). Dies galt insbesondere für hohe Zellzahlen direkt nach der Besamung oder chronisch kranke Tiere mit hohen Zellzahlen über den gesamten Laktationsverlauf. Zellzahl und Mastitis sind deutlich positiv miteinander korreliert (Shook und Shutz, 1993), so dass bei diesen Kühen eine deutliche Beeinträchtigung der Eutergesundheit zu vermuten ist. Schrick et al. (2001) wiesen nach, dass eine subklinische Mastitis, die in der Zeit zwischen der ersten Besamung und der Trächtigkeit zur klinischen Mastitis wurde, Güstzeit und Besamungsindex negativ beeinflusste. Ähnliche Untersuchungen wurden von Barker et al. (1998) an der Versuchsherde der Universität von Tennessee durchgeführt. Der Besamungsindex von Jerseykühen in Gruppe 1 (Mastitis vor der Besamung) und Gruppe 2 (Mastitis nach der Besamung) war signifikant um den Faktor 1,3 höher als bei Kühen ohne Mastitis. Die Autoren vermuteten einen noch unbekannten Mechanismus, der die Fruchtbarkeit infolge einer Euterentzündung beeinflusst. Dieser könnte durch Botenstoffe, die durch Pathogene hervorgerufen werden, ausgelöst sein. Nach Auffassung von Moore et al. (1991) ist die größte Gefahr für eine schlechte Fruchtbarkeit nach einer Coli-Mastitis gegeben, da Endotoxine von gramnegativen Bakterien verschiedene Zelltypen in deren endokrinen Funktionen behindern. Santos et al. (2004) konnten nachweisen, dass Kühe nach einer Mastitis, unabhängig davon, ob von gramnegativen oder grampositiven Bakterien verursacht, schlechter tragend wurden. Miller et al. (2001) kamen an einem Datenmaterial von Holstein- und Jerseykühen, bei denen sie mittels linearer Regression den Effekt des Somatic Cell Scores (SCS) des Probegemelks vor einer ersten Besamung auf die Non- Return-Rate untersuchten, zu dem Schluss, dass diese mit steigenden SCS-Werten abnimmt, und zwar um 0,5 % je SCS-Einheit bei den Holsteinkühen und um 0,05 % je SCS- Einheit bei den Jerseys. Die Güstzeit der Holsteins verlängerte sich signifikant um 0,71 Tage, wenn sich der SCS-Wert um eine Einheit erhöhte. Die Rastzeit wurde mit steigenden SCS-Werten zunächst geringer, stieg aber bei deutlich erhöhten SCS-Werten wieder an. Huszenicza et al. (2005) untersuchten den Zusammenhang zwischen Mastitis und Fruchtbarkeit am Datenmaterial von 335 Holsteinkühen in vier ungarischen Milchviehbetrieben. Als Merkmal der Fruchtbarkeit wurde eine Ovulation innerhalb der ersten 28 Tage nach der Kalbung definiert. Der Anteil der Kühe mit einer Ovulation innerhalb dieses Intervalls aus der Mastitisgruppe betrug 22,2 %, während aus der Kontrollgruppe jede zweite Kuh eine Ovulation zeigte. Eine Mastitis vor der Besamung hatte in Untersuchungen von Schrick et al. (1999) und Barker et al. (1998) längere Rastzeiten zur Folge; der Besamungsindex war nur marginal betroffen. Der wirtschaftliche Schaden infolge einer Mastitis wurde von Schrick et al. (1999) im Detail quantifiziert. Eine mastitisbedingte Verlängerung der Güstzeit reduzierte den Gewinn pro Kuh und Jahr um 32 US $. 6.3 Bedeutung des Leistungsniveaus zum Besamungszeitpunkt Ein höheres Produktionsniveau, in der vorliegenden Untersuchung anhand des Merkmals Eiweiß-kg zum Besamungszeitpunkt definiert, führte zu einem schlechteren Erstbesamungserfolg. Die Beziehung zwischen Milchleistung und Fruchtbarkeit war schon Gegenstand verschiedenster Untersuchungen. Einzelne Autoren fanden echte Antagonismen zwischen der Höhe der Milchleistung und dem Fruchtbarkeitserfolg, während in

9 98 König u.a. ebensoviel anderen Arbeiten phänotypische und genetische Korrelationen zwischen Milchleistung und Fruchtbarkeit nahe Null geschätzt wurden. In der Arbeit von Thaller (1999) wurde auf mehrere dieser Ergebnisse verwiesen. Entscheidende Punkte, die einen objektiven Vergleich der Ergebnisse der einzelnen Arbeiten erschweren, sind wohl in der Merkmalsdefinition, der Qualität der Fruchtbarkeitsdaten und des statistischen Modells, welches der Analyse zugrunde lag, zu finden. Aber auch bei gleicher Merkmalsdefinition kamen verschiedene Autoren zu unterschiedlichen Ergebnissen. So berichteten z.b. Darwash et al. (1998), dass die Non-Return-Rate von Holstein-Frisian Kühen in den USA im Zeitraum von 1960 bis 1995 kontinuierlich um 0,5 % pro Jahr abnahm, während die Milchleistung in der gleichen Periode nahezu verdoppelt wurde. Im Zuchtgebiet der Osnabrücker Herdbuchgesellschaft konnte die Milchleistung in einem Zeitraum von über 30 Jahren um fast 3500 kg gesteigert werden - bei nahezu konstanten Werten für die Non-Return-Rate. Eine Verbesserung des Managements bzw. der Umweltbedingungen, die den Kühen angeboten werden, kann negative physiologische Beziehungen offenbar weitgehend kompensieren. Weniger die absolute Jahresleistung als das natürliche Energiedefizit in der Hochleistungsphase zu Laktationsbeginn scheint ein Hauptproblem für den Reproduktionszyklus zu sein. Die Kuh steht zu diesem Zeitpunkt in einem Energiedefizit, welches zu einer verstärkten Mobilisation von Fettreserven führt. Dabei wird der Hormonhaushalt - auch der für die Fruchtbarkeit wichtigen Hormone - offensichtlich erheblich gestört. Butler und Smith (1989) wiesen nach, dass ein ausgeprägtes Energiedefizit von Hochleistungskühen zwei bis drei Wochen nach der Kalbung das Intervall zur ersten Brunst verlängert. Gong et al. (1999) zeigten, dass die Entwicklung des dominanten Follikels durch sehr hohe Milchleistung komplett unterdrückt wird. Eine Schlussfolgerung, die auch nach den Ergebnissen der vorliegenden Studie gezogen werden könnte, wäre, bei Hochleistungskühen die Hochleistungsphase abzuwarten, ihnen eine längere Rastzeit zuzugestehen und letztendlich eine längere Zwischenkalbezeit zu akzeptieren. Auch Swalve (1999) wies darauf hin, dass die Managemententscheidung bei Hochleistungskühen dahin gehen sollte, längere Laktationen anzustreben. Sogenannte bioökonomische Modelle (Dekkers et al., 1998) bieten die Möglichkeit, die optimale Laktationslänge zu berechnen. Eine züchterische Strategie könnte sein, solche Kühe zu selektieren, die trotz hoher Milchleistung die Stresssituation zu Laktationsbeginn besser bewältigen und weniger Energiereserven einschmelzen müssen. Eine Maßzahl, die diese Situation sehr gut beschreibt, eine moderate Heritabilität hat und im Rahmen der Exterieurbeurteilung relativ einfach erfasst werden könnte, ist der Body Condition Score-Index (Veerkamp und Koenen, 1998). Weitere Zielsetzung muss sein, von hochleistenden Milchkühen möglichst jegliche zusätzliche Stresssituation fernzuhalten. Die schlechteren Trächtigkeitsraten in den Sommermonaten in Ostfriesland, charakterisiert durch intensiven Weidegang, sind ein Indiz dafür. 7 Zusammenfassung Am Datenmaterial von ostfriesischen Herdbuchkühen wurde mittels logistischer Modelle der Einfluss der Zellzahl und der Proteinmenge verschiedener Testtage auf den Erstbesamungserfolg untersucht. Dabei wurden die Zellzahlergebnisse des letzten Probegemelks vor der Erstbesamung, des ersten Probegemelks nach der Erstbesamung und der geometrische Mittelwert der gesamten Laktation betrachtet. Die Zellzahlergebnisse wurden in drei fixe Effektklassen eingeteilt, während die Merkmale Eiweiß-kg und die Rastzeit als Kovariablen im statistischen Modell berücksichtigt wurden. Der Klasse der eindeutig euterkranken Kühe mit einem somatischen Zellgehalt über mussten in den einzelnen Modellvarianten etwa 10 % aller Kühe zugeordnet werden. Insbesondere chronisch erkrankte Kühe mit hohen Zellzahlergebnissen über den gesamten Laktationsverlauf und Kühe mit überhöhten Zellzahlen (> ) im ersten Probegemelk

10 Somatischer Zellgehalt und Erstbesamungserfolg in Milchviehherden 99 direkt nach der Erstbesamung hatten eine um gut 4 % schlechtere Trächtigkeitsrate verglichen mit Kühen, deren somatische Zellzahl unter lag. Somit konnte in der vorliegenden Studie ein eindeutiger Zusammenhang zwischen Eutergesundheit und Fruchtbarkeitserfolg nachgewiesen werden. Der somatische Zellgehalt gewinnt daher als Selektionskriterium im Sinne einer nachhaltigen ökonomisch effizienten Milchproduktion an Bedeutung. Nicht nur im Rahmen der Bullenmütterselektion, sondern auch innerbetrieblich sollte der seit kurzer Zeit verfügbare Kuh-RZS für züchterische Zwecke genutzt werden. Hohe Milcheiweißmengen zum Zeitpunkt der Besamung führten zu einem schlechteren Erstbesamungserfolg. Als Konsequenz wäre zu erwägen, Hochleistungskühen eine längere Rastzeit zuzugestehen, um eine Besamung in der Phase des höchsten Energiedefizits zu vermeiden. Noch in der Wachstumsphase befindliche Färsen sind dem metabolischen Stress zu Lakationsbeginn am wenigsten gewachsen. Bei diesen lag der Erfolg einer Erstbesamung unter dem älterer Kühe. Die Studie hat gezeigt, dass aus den Ergebnissen der Milchkontrolle, insbesondere der zur somatischen Zellzahl, Hinweise auf den Fruchtbarkeitssstatus von Einzeltieren zu erhalten sind. Die genauen physiologischen Zusammenhänge zwischen Mastitis und Fruchtbarkeit sollten im Verlauf weiterer Studien analysiert werden. Schlüsselwörter: Milchrind, Somatische Zellzahl, Erstbesamungserfolg, logistische Modelle Literatur ADR (2003): Arbeitsgemeinschaft Deutscher Rinderzüchter, Statistisches Jahrbuch Barker, A. R., N. Schrick, M. J. Lewis, H. H. Dowlen und S. P. Oliver (1998): Influence of clinical mastits during early lactation on reproductive performance of Jersey cows. J. Dairy Sci. 81, Berkson, J. (1951): Why I prefer logits to probits? Biometrics 7, Butler, W. R. und R. D. Smith (1989): Interrelationships between energy balance and postpartum reproductive function in dairy cattle. J. Dairy Sci. 72, Butler, W. R., J. J. Calaman und S. W. Beam (1996): Plasma and milk urea nitrogen in relation to pregnancy rate in lactating dairy cattle. J. Anim. Sci. 74, Dekkers, J. C. M., J. ten Haag und A. Weersink (1998): Economic aspects of persistency in dairy cattle. Livest. Prod. Sci. 53, Darwash, A. O., G. E. Lamming und J. A. Wooliams (1998): Identifying heritable endocrine parameters associated with fertility in postpartum dairy cows. Proceedings of the international workshop on genetic improvement of functional traits in cattle: fertility and reproduction. Interbull Bull. No. 18, Gong, J. G., C. H. Knight, D. N. Logue, W. M. Crawshaw und R. Webb (1999): Development of the dominate follicle is suppressed in postpartum dairy cows induced experimentally to produce maximum milk yield. J. Reprod. Fertil., Suppl. 54. Guerra, J. L. (2004): Statistical models and genetic evaluation of binomial traits. Dissertation, Louisiana State University. Haas, Y. de, H. W. Barkema und R. F. Veerkamp (2001): Genetic parameters of pathogen-specific incidence of clinical mastitis in dairy cows. Brit. Soc. Anim. Sci. 77, König, S., A. R. Sharifi, H. Wentrot, D. Landmann, M. Eise und H. Simianer (2005): Genetic Parameters of Claw and Foot Disorders Estimated with Logistic Models. J. Dairy Sci., accepted. Littel, R., G. Milliken, W. Stroup, and R. Wolfinger (1996): SAS System for mixed models. SAS Institute Inc., NC, USA.

11 100 König u.a. Miller, R. H., J. S. Clay, and H. D. Norman (2001): Relationship of Somatic Cell Score with Fertility Measures. J. Dairy Sci. 84, Moore, D. A., J. S. Cullor, R. H. Bondurant und W. M. Sischo (1991): Preliminarily field evidence for the association of clinical mastitis with altered interestrus intervals in dairy cattle. Theriogenology 36, Piepho, H. P. (1998): Auswertungen von Bonituren des Typs Prozent Befall mit SAS- Prozeduren für Generalisierte Lineare Modelle. Z. Agrarinfo, 2. Rodriguez-Zas, S., D. Gianola und G. Shook (1997): Factors affecting susceptibility to intramammary infection and mastitis. J. Dairy Sci. 80, Santos, J. E. P., R. L. Rainard, M. A. Ballou, G. E. Higginbotham und J. E. Kirk (2004): Effects of timing of first clinical mastitis occurence on lactational and reproductive performance of Holstein dairy cows. Anim. Reprod. Sci. 80, Schrick, F. N., A. M. Saxon, M. J. Lewis, H. H. Dowlen und S. P. Oliver (1999): Effects of clinical and subclinical mastitis during early lactation on reproductive performance of Jersey cows. Proc. 38 th Annual Meeting National Mastitis Council Schrick, F. N., M. E. Hocket, A. M. Saxon, M. J. Lewis, H. H. Dowlen und S. P. Oliver (2001): Influence of subclinical mastitis during early lactation on reproductive parameters. J. Dairy Sci. 84, Shook, G. E. und M. M. Shutz (1993): Selection on somatic cell score to improve resistance to mastitis in the United States. J. Dairy Sci. 77, Sharifi, A. R. (2004): Reproduktives Adaptionsvermögen von Broiler-Mutttertieren bei hohen Umwelttemperaturen unter Nutzung spezieller Majorgene. Dissertation Berlin Swalve, H. H. (1999): Gibt es Grenzen in der Zucht auf Milchleistung? Aus der Sicht der Züchtung. Züchtungskunde 71, Swalve, H. H., R. Pijl, M. Bethge, F. Rosner und M. Wensch-Dorendorf (2005): Analysis of genetic and environmental effects on claw disorders diagnosed at hoof trimming. 56 th EAAP-Meeting, book of abstracts, CG2, Session 5. Thaller, G. (1997): Genetics and Breeding for fertility. Proceedings of the international workshop on genetic improvement of functional traits in cattle: fertility and reproduction. Interbull Bull. 18, Thiede, M. (1995): Statistische Logit-Analyse. Eine Orientierungshilfe für die Verwendung des binären Logit-Modells. Diskussionspapier aus der Fakulät für Sozialwissenschaften der Universität Bonn, Heft 13. Urban, D. (1993): Logit-Analyse. Verlag Gustav Fischer, Stuttgart. Veerkamp, R. F. und E. P. C. Koenen (1998): Genetics of food intake, live weight, condition score and energy balance. Brit. Soc. of Anim. Sci. 24, Wentrot, H., S. König, D. Landmann und H. Simianer (2004): Einfluss von umweltbedingten und genetischen Faktoren auf Klauenerkrankungen bei Milchkühen. Vortragstagung der GfT/DGfZ, 30. September, Rostock. Relation between the somatic cell count and the success of first insemination in East Frisian dairy herds on the basis of logistic models analysis by S. König, G. Hübner, R. Sharifi, E. Bohlsen, J. Detterer, H. Simianer und W. Holtz The purpose of this project was to study the impact of the somatic cell count measured at different test days on pregnancy rates of Holstein cows located in Eastern Frisland applying logistic models. Test days observations for somatic cell count were defined as follows: the last test day before the insemination, the first test day after the insemination and the geometrical average from the whole lactation. In statistical

12 Somatischer Zellgehalt und Erstbesamungserfolg in Milchviehherden 101 models, somatic cell count was considered in classes of fixed effects, whereas the impact of protein yield and service interval on pregnancy rates was tested as regression coefficients of different polynomial structure. Somatic cell counts above indicate mastitis whereof 10 % of cows were affected. Especially chronic diseased cows over the whole lactation and cows with a somatic cell count above in their first test day after the insemination showed about 4 % lower pregnancy rates compared with cows in somatic cell count classes below In conclusion, our study revealed a strong impact of udder health on success of first insemination after calving. The somatic cell count should be considered in selection decisions. An adequate measure in this context seemed to be the relative breeding value for somatic cell count, recently available for the selection on the cow dam path. High protein yield next to the date of insemination decreased the pregnancy rate of cows. A longer service interval is recommended for dairy producers to circumvent the phase of metabolic stress in the first stadium of lactation. Heifers producing in the first lactation and actually in a period of growth have distinct problems to reach a balanced stadium of energy. The success of first insemination in heifers was lower than it was in adult cows. The results from the present study indicated that information collected at different test days, especially the somatic cell count, are informative to characterize the status of fertility from individual cows. Detailed physiological relationships concerning mastitis and fertility should be investigated in further studies. Key words: dairy cattle, somatic cell count, fertility, logistic models