Research article

Journal of Animal Environmental Science. 31 December 2023. 93-97
https://doi.org/10.11109/JAES.2023.25.3.093

ABSTRACT


MAIN

  • 서 론

  • 재료 및 방법

  • 결과 및 고찰

  • 결 론

서 론

기존 젖소 농가의 경우 착유 샘플링을 통한 검정시에만 유성분 함량에 대한 파악이 가능했으나 낙농 스마트팜 모델 보급에 따라 로봇착유기 혹은 개체별 착유 시스템인 radio frequency identification (RFID) 기반 개체 인식 시스템 및 유성분 분석 시스템의 조합을 통해 착유 후 각 개체별 우유 생산분에 대한 유성분 파악이 가능해졌다 (Holloway and Bear, 2017).

젖소 유방염 (mastitis)이 발생할 경우, 유량과 유질의 저하로 인해 낙농 산업에 경제적인 손실을 유발하게 된다 (Gomes and Henriques, 2016). 뿐만 아니라, 대체로 증상이 눈에 띄지 않는 준임상형 (sub-clinical) 유방염의 경우 임상형 (clinical) 유방염에 비해 진단이 어렵고 경제적 손실이 더 크다 (Gianneechini et al., 2002). 따라서 유방염을 예방하기 위해 기존 젖소 농가에서는 California mastitis test (CMT) 테스트를 통해 진단하고 있으나 해당 방법은 착유 이후, 검정 결과를 통해 농장주에게 전달되는 방식으로 유방염 발생 유무에 대한 즉각적인 파악 및 대처가 어렵다는 한계가 있다 (McFadden, 2011). 로봇착유기를 통해 확인할 수 있는 전기 전도도 (electrical conductivity, EC) 또한 나트륨 함량으로 인한 유방염 증상 유무를 예측할 수 있으나 (Semba et al., 1999), 이는 농장에서 급이하는 사료 성분에 따라, 나트륨 함량에 영향을 미칠 수 있어 오진 가능성이 존재한다. 이에 따라 유방염 발생 시 혈류 및 소변에서 유당 손실이 발생하여 낮은 유당 함유량을 보일 수 있다는 연구 결과 (Costa et al., 2020; McDonald et al., 2020) 및 유당 함량이 4.5 미만 시 유방염 발생 증상이라 언급한 연구 결과에 의거하여 연구 가설을 설정하였다 (Antanaitis et al., 2021). 이에 따라, 젖소 스마트팜에 설치되는 개체별 유성분 측정 장치로부터 획득할 수 있는 유성분 데이터를 이용하여 유방염 증상에 대한 예측 가능성을 검토하고자 하였다.

재료 및 방법

본 연구에서는 2018년부터 2021년까지 정상 개체 115두와 유방염 진단 개체 21두에 대하여 분석하였다. 유방염 의심 개체 및 정상 개체 간의 차이를 구명하기 위해 유성분 분석기를 사용하여 유성분을 분석하고 상관관계 분석을 실시하였다. 유성분 분석은 LICA 유성분 분석기를 사용하였으며 1일 2회 착유시 마다 장치로부터 수집된 개체정보, 측정일시, 착유정보, 착유량, 유지방, 유단백 등의 데이터를 게이트웨이를 통해, 다시 Broker & Observer로 TCP/IP 방식으로 데이터 전송을 실시하고, 다시 HTTP 방식으로 낙농 통합관리 서버로 전송하여 데이터를 취합하였다. 분석에 사용된 항목은 정상 개체 및 유방염 진단 개체의 산차 (parity), 착유일 (lactation day), 착유량 (milk yield), 착유 횟수 (milking frequency) 및 체중 (body weight)을 측정하였으며, 유성분의 경우 유지방 (milk fat), 유단백 (milk protein) 및 유당 (lactose)을 측정하였다. 상관관계는 피어슨 상관 (Pearson correlation) 분석을 사용하였고 R-studio를 이용하여 표본 데이터 수가 적은 것을 고려하여 정규성 검정을 통한 적절한 통계 방법을 설정하기 위해 shapiro-wilk test를 실시한 후 정규분포를 따르지 않음을 사전에 확인 후 (P < 0.05) 비모수 방법인 wilcox signed rank test를 통해 실시하였다. 또한 전 기간 동안의 정상 개체와 유방염 개체의 유당을 측정한 값의 평균을 비교 분석하였으며 정상 개체 및 유방염 진단 개체 간의 산차별 (1산차, 5산차 및 6산차) 유당 수치를 비교 분석하였다. 뿐만 아니라, 유방염 진단일 기준으로 9개월, 6개월, 3개월, 1개월, 15일, 5일 및 1일 전 수치를 비교 분석하였다. 데이터 표본 수는 1산차의 경우 유방염 개체 3두, 5산차는 2두, 6산차는 4두를 분석하였다. 산차 및 기간별 유당 수치를 비교하기 위하여 SAS 프로그램 (ver 9.4, SAS Institute, Cary, NC, USA)을 사용하였으며 평균간의 유의성 검정은 95% 유의 수준에서 분석하였다. 실험 전체 기간과 산차별 유당 수치 결과는 평균값과 표준편차 (standard deviation, SD)로 유방염 진단일 전 기간에 따른 유당 수치 결과는 평균값과 평균표준오차 (standard error of the means, SEM)로 표기하였다.

결과 및 고찰

상관관계 분석 결과 정상 개체 (Table 1)와 유방염 개체 (Table 2) 모두 유당과 유단백 사이의 정의 상관관계 (0.541, 0.621)를 보이는 것으로 나타났다. 이에 따라, 유방염 개체의 유당이 감소하면 유단백 또한 감소한다는 것을 알 수 있었다.

Table 1.

Correlation between the variables in normal individuals.

Items Parity Lactation
day
Milk yield Milking
frequency
Milk fat Milk
protein
Fat/protein Lactose Body weight
Parity 1
Lactation
day
-0.039 1
Milk yield 0.352 -0.501 1
Milking
frequency
-0.005 -0.220 0.464 1
Milk fat 0.024 0.377 -0.296 -0.140 1
Milk protein -0.004 0.149 -0.121 -0.021 0.533 1
Fat/protein 0.040 0.312 -0.178 -0.065 0.923 0.301 1
Lactose -0.013 0.033 0.045 0.092 0.342 0.541 0.351 1
Body weight 0.622 0.241 0.244 -0.067 0.097 -0.004 0.117 0.004 1
Table 2.

Correlation between the variables in mastitis individuals.

Items Parity Lactation
day
Milk yield Milking
frequency
Milk fat Milk protein Fat/protein Lactose Body
weight
Parity 1
Lactation day -0.107 1
Milk yield 0.366 -0.562 1
Milking
frequency
0.013 -0.286 0.442 1
Milk fat 0.138 0.442 -0.252 -0.179 1
Milk protein 0.204 0.232 -0.058 -0.046 0.645 1
Fat/protein 0.008 0.317 -0.184 -0.127 0.897 0.396 1
Lactose -0.045 0.052 0.047 0.104 0.425 0.621 0.464 1
Body weight 0.510 0.175 0.191 -0.130 0.203 0.153 0.149 0.005 1

전 기간 (2018~2021년) 동안 정상 개체와 유방염에 걸린 개체간 유당 수치를 비교 분석한 결과 (Table 3) 정상 개체의 경우 4.75%, 유방염 개체는 4.71%로 유방염에 걸린 그룹이 유의적으로 (P < 0.05) 낮은 수치를 보였지만 유단백 수치는 정상 개체의 경우 3.30%, 유방염 개체는 3.29%로 유의적인 차이는 없었다.

Table 3.

Comparison of milk lactose and protein levels (%) between normal and mastitis groups during the total period (2018-2021).

Items Normal Mastitis P-value
Lactose 4.75±0.008 4.71±0.011 <0.05
Milk protein 3.30±0.058 3.29±0.079 >0.05

The value expressed as mean ± standard deviation (SD).

산차별로 나누어 정상 개체와 유방염 개체간 유당 수치를 비교한 결과 (Table 4) 1산차의 경우 정상 개체와 유방염 개체는 각 4.82%, 4.70%로 유방염에 걸렸을 때 유의적으로 (P < 0.0001) 낮은 수치를 보였다. 5산차와 6산차도 1산차와 같이 유방염에 걸릴 경우 유당 수치가 낮아지는 것을 확인할 수 있었다. 따라서 유방염에 걸릴 경우 산차에 관계없이 유당 수치가 낮아지는 것을 알 수 있었다. 이전 연구 결과에 의하면 유당 함량이 4.5% 미만 시 유방염이 발생한다고 보고되었지만 (Antanaitis et al., 2021) 본 연구 결과에서 유당 수치를 분석한 결과 유방염 개체의 유당 관측값 대부분이 4.5% 이상으로 분석되었으므로 선행 연구에서 제시한 수치 (4.5%)는 착유 중 유성분 분석 결과를 이용한 유방염 발생 유무 예측시 절대적인 기준으로 사용할 수 없을 것으로 판단된다. 또한 이전 연구 결과들에 의하면 유당의 정상 수치는 약 4.3~4.7%로 본 연구결과에서 유방염으로 진단한 개체들의 수치와 비교하면 큰 차이를 보이지 않았다 (Antanaitis et al., 2021). 하지만, 유당 수치가 약 4.5% 이하로 낮은 젖소는 수치가 약 5.0% 보다 높은 젖소에 비해 건강에 이상이 있을 확률이 높기 때문에 유당 수치가 유방염 진단에 있어서 중요한 요소인 것을 알 수 있다 (Costa et al., 2019). 유방암을 진단하기 위해서 유당 수치를 파악하는 것도 중요하지만 유당 수치에 미치는 체세포 (Somatic cells)수, 미생물 및 수분활성도와 같은 다른 요인들도 파악하는 것이 필요하다. 체세포수는 유당 수치가 감소할수록 체세포수는 증가하고, 특정 미생물에 의해서 유당 수치가 감소하며, 수분 활성도에 따라 삼투성으로 인한 세포질과 혈액으로부터의 수분 흡수 정도가 달라지기 때문이다 (Miglior et al., 2007; Costa et al., 2019; Antanaitis et al., 2021). 따라서, 유당 수치에 미칠 수 있는 요인들에 대한 추가 분석이 필요할 것으로 보인다.

Table 4.

Comparison of milk lactose levels (%) between normal and mastitis groups in different parity.

Items Normal Mastitis P-value
Parity 1
4.82±0.02 4.70±0.04 <0.0001
Parity 5
4.72±0.03 4.60±0.02 <0.0001
Parity 6
4.78±0.04 4.61±0.03 <0.0001

The value expressed as mean ± standard deviation (SD).

선행 연구에서 기술된 바와 같이, 유방염 개체의 경우 유의적으로 정상 개체 대비 낮은 유당 함량을 보이는 것으로 나타났다 (Berning and Shook, 1992). 하지만, 유방염 진단을 받기 전 특정 기간 (진단일 9개월~1일 전) 동안 시계열 분석을 실시한 결과 (Figure 1) 유방염 진단일 기준 9개월 전에는 정상 개체와 유방염 개체간 유당 수치가 유의적인 차이가 없었으나 6개월 전부터 1일 전까지 유의적으로 (P < 0.05) 낮은 수치를 보였다.

https://cdn.apub.kr/journalsite/sites/jaes/2023-025-03/N0360250303/images/jaes_2023_253_93_F1.jpg
Figure 1.

The levels (%) of milk lactose before mastitis. Data represent mean ± standard error of the means (SEM). *P < 0.05.

따라서 농장 단위에서 사육하고 있는 전체 젖소 개체의 유당 평균치를 임계값으로 설정하여 유방염 발생 유무를 판단하는 것보다, 각 개체별로 시계열 변화 추이를 모니터링하여 특정 구간 동안의 각 개체별 기준치를 토대로 유방염과 같은 건강 이상 증세를 판별하는 것이 좋다고 판단된다. 다만 임계치 설정과 관련한 분석 대상과 유당 수치가 낮아지는 구간 설정에 대해서는 추후 연구가 필요할 것으로 판단된다. 하지만, 유방염과 같은 이상 증세를 판별할 수 있는 알고리즘을 개발하기 위해서는 개체별 유당수치가 낮아지는 구간이 몇일간 발생해야 유방암이라 판별할 수 있는지, 그리고 유당 수치 뿐만 아니라 다른 데이터 (착유, 유성분)들에 대한 경향도 고려해야 할 것으로 보인다. 따라서, 본 연구 결과를 통해 향후 인공지능 및 빅데이터에 기반한 2세대 스마트팜 연구 개발 시 고려 가능한 항목으로 판단되며 유당 지표 외에 반추위 내 체온, 활동량, 기온, 습도, 고온 스트레스 지수 등과 같은 환경 지표를 고려한 머신러닝 혹은 딥러닝을 통해 복합 인자간 관계를 구명하기 위한 후속 연구가 필요하다.

결 론

본 연구에서 유성분 측정 장치를 통해 정상 개체와 유방염 개체간 차이를 분석하였으며 유방염 개체가 유당이 감소하는 것을 알 수 있었다. 하지만 정상 개체와 유방염 개체간 유당 수치는 산차에 따른 영향이 없었으며 유방염 발생 전 6개월부터 유당 수치가 정상 개체에 비해 낮아지는 것을 확인하였다. 따라서 유방염을 조기에 진단하기 위해선 개체별로 시계열 변화 분석을 통해 추적을 할 필요성이 있다. 또한 본 연구 결과를 통해 유당 수치는 향후 인공지능 및 빅데이터에 기반한 2세대 스마트팜 연구 개발 시 고려 가능한 항목으로 판단되며 유당 지표 외에 반추위 내 체온, 활동량, 기온, 습도, 고온 스트레스 지수 등과 같은 환경 지표를 고려한 머신러닝 혹은 딥러닝을 통해 복합 인자간 관계를 구명하기 위한 후속 연구가 필요할 것으로 보인다.

Acknowledgements

본 결과물은 농림축산식품부의 재원으로 농림식품기술기획평가원의 1세대 스마트팜 산업화기술개발사업의 지원 (과제번호: 320098-1, 과제명: 젖소 스마트축사용 표준기반 통합제어 시스템 고도화 및 실증)과 2023년 농촌진흥청 국립축산과학원 전문연구원 과정 지원사업에 의해 이루어진 것임.

References

1
Antanaitis, R., Juozaitienė, V., Jonike, V., Baumgartner, W., Paulauskas, A., 2021. Milk lactose as a biomarker of subclinical mastitis in dairy cows. Animals, 11(6), 1736. 10.3390/ani1106173634200862PMC8230553
2
Berning, L.M., Shook, G.E., 1992. Prediction of mastitis using milk somatic cell count, N-Acetyl-β-D-Glucosaminidase, and lactose. Journal of Dairy Science, 75(7), 1840-1848. 10.3168/jds.S0022-0302(92)77943-01500580
3
Costa, A., Lopez-Villalobos, N., Sneddon, N.W, Shalloo, L., Franzoi, M., De Marchi, M., Penasa, M., 2019. Invited review: milk lactose-current status and future challenges in dairy cattle. Journal of Dairy Science, 109(102), 5883-5898. 10.3168/jds.2018-1595531079905
4
Costa, A., Neglia, G., Campanile, G., De Marchi, M., 2020. Milk somatic cell count and its relationship with milk yield and quality traits in Italian water buffaloes. Journal of Dairy Science, 103(6), 5485-5494. 10.3168/jds.2019-1800932229124
5
Gianneechini, R., Concha, C., Rivero, R., Delucci, I., Moreno López, J., 2002. Occurrence of clinical and sub-clinical mastitis in dairy herds in the west littoral region in Uruguay. Acta Veterinaria Scandinavica, 43(4), 221-230. 10.1186/1751-0147-43-22112831175PMC1764198
6
Gomes, F., Henriques, M., 2016. Control of bovine mastitis: old and recent therapeutic approaches. Current Microbiology, 72(4), 377-382. 10.1007/s00284-015-0958-826687332
7
Holloway, L., Bear, C., 2017. Bovine and human becomings in histories of dairy technologies: robotic milking systems and remaking animal and human subjectivity. The British Journal for the History of Science, 2, 215-234. 10.1017/bjt.2017.2
8
McDonald, P.V., von Keyserlingk, M.A., Weary, D.M., 2020. Hot weather increases competition between dairy cows at the drinker. Journal of Dairy Science, 103(4), 3447-3458. 10.3168/jds.2019-1745632008780
9
McFadden, M., 2011. California mastitis test milk quality. Michigan Dairy Review, 16(2), 1-3.
10
Miglior, F., Sewalem, A., Jamprozik, J., Bohmanova, J., Lefebvre, D.M., Moore, R.K., 2007. Genetic analysis of milk urea nitrogen and lactose and their relationships with other production traits in Canadian Holstein cattle. Journal of Dairy Science, 90(5), 2468-2479. 10.3168/jds.2006-48717430951
11
Semba, R.D, Kumwenda, N., Taha, T.E, Hoover, D.R, Lan, Y., Eisinger, W., Mitmavalye, L., Broadhead, R., Miotti, P.G., Van Der Hoeven, L., Chiphanswi J.D., 1999. Mastitis and immunological factors in breast milk of lactating women in Malawi. Clinical and Diagnostic Laboratory Immunology, 6(5), 671-674. 10.1128/CDLI.6.5.671-674.199910473515PMC95752
페이지 상단으로 이동하기