Drei blinde Flecken der Holstein-Genomik

Warum der 40-Euro-Chip leistungsstark ist – und trotzdem entscheidende Information nicht sieht

Helmut Demmelhuber | Unternehmensberater und Holsteinzüchter

Genomische Zuchtwerte haben die Holsteinzucht radikal beschleunigt. Generationenintervalle, Selektionsentscheidungen und Bullenmärkte funktionieren heute fundamental anders als noch vor 15 Jahren. Trotzdem hat der kommerzielle SNP-Chip drei strukturelle blinde Flecken, die kein Reset und keine Basiserneuerung beseitigt: die mitochondriale DNA, Copy Number Variations und Mendelian Sampling Variance. Wer sie ignoriert, zahlt im Färsenstall, im Embryonenmarkt und in der Anpaarungslogik – ohne zu wissen, warum. Eine Analyse zwischen Chip-Limit, Stallrealität und der züchterischen Frage, was eine Indexsumme tatsächlich abbilden kann.

Quellenhinweis: Dieser Beitrag greift den Bullvine-Artikel „The $45 Holstein Genomic Test: Three Blind Spots CDCB’s April Reset Missed“ von Andrew Hunt (The Bullvine, 10. Mai 2026) als Primärquelle auf, übersetzt seine Argumentation in den deutschen Praxiskontext und vertieft sie um zusätzliche peer-reviewte Studien zu mtDNA, Copy Number Variations und Mendelian Sampling Variance. Die Originalquelle ist im Literaturverzeichnis vollständig ausgewiesen.

Die „Base-Change“-Illusion

Vor der Kritik die Anerkennung: Genomische Zuchtwerte haben die Holsteinzucht real verändert. Seit USDA/AIPL im Januar 2009 die offiziellen U.S.-Genomic-Evaluations eingeführt und CDCB sie 2013 übernommen hat, ist der genetische Fortschritt deutlich beschleunigt. Sire-Path-Generationenintervalle fielen von rund sieben Jahren auf weniger als drei. Die jährlichen Zugewinne in Leistung und Gesundheit nahmen messbar zu (García-Ruiz et al., 2016). In Deutschland hat die Einführung von Single-Step im April 2025 diesen Prozess methodisch nochmals geschärft (Misztal et al., 2009; Aguilar et al., 2010). Wer das bestreitet, hat die letzten 15 Jahre nicht aufmerksam beobachtet.

Bei jeder Basiserneuerung – CDCBs April-2025-Reset in den USA, ebenso wie die regelmäßigen Anpassungen bei vit Verden – verschiebt sich jedoch der Referenzrahmen. Jeder Zuchtwert in der Inbox liest sich plötzlich anders, ohne dass sich eine einzige Kuh im Stall verändert hätte. Der Maßstab hat sich bewegt – nicht das Tier. Für einen Produktionsbetrieb auf der Selektionsliste ist das ein Ärgernis. Für einen Zuchtbetrieb, der Embryonen verkauft, Jungbullen vermarktet oder Trächtigkeiten nach Indexsumme bepreist, ist es etwas anderes.

Die Zahl, für die du 40 Euro pro Färse bezahlt hast, ist ein Modell-Output – keine Messung.

Und genau dieses Modell wird in einem Rhythmus neu gebaut, den niemand im eigenen Stall kontrolliert. Die Basisanpassungen sind dabei zumindest sichtbar – sie landen in der Auswertung. Die drei strukturellen blinden Flecken, um die es in diesem Beitrag wirklich geht, tun das nicht.

Was der SNP-Chip sieht – und was nicht

Der kommerzielle 40-Euro-Chip (in Deutschland über KuhVision/HerdScan, in den USA über CDCB-Anbieter) leistet Beachtliches:

• Einzelnukleotid-Variationen (SNPs) auf rund 60 000 bis 80 000 Markern im Kerngenom

• Abstammungsverifikation und Pedigree-Korrektur

• Träger-Status für bekannte Erbfehler und Haplotypen (BLAD, CVM, HH1–HH6, HCD u. a.)

• Inzuchtschätzung über genomische Verwandtschaft

• Geschätzte Vererbungswerte (gZW, gRZG, gTPI) für die offiziell ausgewerteten Merkmale

Was er nicht sieht:

• Die mitochondriale DNA – das gesamte maternale Genom

• Strukturelle Variation – Deletionen, Duplikationen, Copy Number Variations

• Welche konkrete Hälfte des Genoms ein Kalb tatsächlich geerbt hat (Mendelian Sampling)

• Die individuelle Mendelian-Sampling-Variance für polygene Merkmale

• Die tatsächliche Leistung, die ein Tier in der konkreten Umwelt eines Betriebs erbringen wird

Kernsatz: Was der Chip nicht sieht, kostet im Zweifel mehr Geld als das, was er sieht.

Blind Spot 1: Die mitochondriale „Mother-Lode“

Der erste blinde Fleck steckt in jeder Kuh – und ist auf keinem kommerziellen Genomik-Report sichtbar. Es ist die mitochondriale DNA (mtDNA), das maternale Genom, das von der Kuh über das Ei in jede Tochter, Enkelin und Urenkelin weitergegeben wird. Ohne Rekombination, ohne Vermischung, ohne väterlichen Beitrag.

Jeder kommerzielle Genotypisierungs-Chip scannt ausschließlich nukleäre DNA. Die mtDNA bleibt außen vor. Die wegweisende Arbeit von Schutz et al. (1994) wies bereits in den 1990er-Jahren nach, dass zytoplasmatische Linien-Effekte einen messbaren Anteil an der Produktionsvarianz bei Milchkühen erklären. Boettcher, Steverink, Beitz, Freeman und Van Vleck (1996) bestätigten den Befund auf größeren Datensätzen. Spätere Arbeiten zeigten, dass mtDNA-Varianten Einfluss auf Milchleistung, Fett- und Eiweißgehalt sowie auf Reproduktionsparameter haben können (Boettcher & Gibson, 1997; Tsai et al., 2020).

Die Größenordnung variiert je nach Studie, Population und Merkmal. Aber der Befund ist konsistent: Es gibt ein maternales Signal, das real, vererbbar und in der Praxis wirtschaftlich relevant ist – und das vom SNP-Chip strukturell nicht erfasst werden kann.

Die Kernrgenetik kannst du in jeder Generation austauschen. Die mtDNA bekommst du nie wieder heraus.

In der praktischen Anpaarung wird das schnell relevant. Zwei Embryonen-Lots, derselbe Bulle, identische Indexsumme. Eine Spenderin stammt aus einer vierfach geprüften Mutterlinie mit klassifizierten Töchtern und stabilen Leistungsdaten. Die andere ist eine zweijährige Genomik-Sensation ohne Tochterdaten. Auf dem Papier sind die beiden Embryonen austauschbar. Genetisch sind sie es nicht. Jede weibliche Nachkommin trägt die mtDNA ihrer Mutter unverändert – über alle künftigen Generationen.

Genau hier liegt der oft unterschätzte ökonomische Wert tiefer Kuhfamilien. Züchter, die jahrzehntelang in geprüften Mutterlinien geflusht haben, waren nicht sentimental. Sie haben ein Signal mitselektiert, das der 40-Euro-Test nicht erfasst.

Kernsatz: Wer Embryonen ausschließlich auf Indexsumme bepreist, verkauft das mütterliche Genom umsonst mit.

Blind Spot 2: Das CNV-Phantom in der Maschine

Der zweite blinde Fleck heißt Copy Number Variation – und hat eine der am besten dokumentierten Zuchtkatastrophen des modernen europäischen Milchviehmarkts ausgelöst.

SNP-Chips sind gebaut, um Einzelbuchstaben-Änderungen in der DNA zu erkennen. Sie sind nicht gebaut, um zu sehen, wenn ein ganzes DNA-Stück während der Meiose deletiert oder dupliziert wird. Wenn das passiert, bleiben die flankierenden Marker oft erhalten. Der Chip meldet brav „Marker present“. Das funktionale Gen, das er eigentlich tagen sollte – ist verschwunden.

Bei skandinavischen Red-Cattle-Populationen fanden Forscher bei der Fein-Kartierung eines großen Fruchtbarkeits-QTL den tatsächlichen Verursacher: keinen SNP, sondern eine 660-Kilobasen-Deletion auf Chromosom 12, die bei Paarung zweier Träger zu embryonaler Letalität führte. Die Deletion segregierte mit einer Häufigkeit von 13 bis 23 % in finnischen, schwedischen und dänischen Red-Subpopulationen (Kadri et al., 2014). Sie blieb so lange unerkannt, weil sie an Marker gekoppelt war, die die Milchleistung steigerten – die Selektion zog sie schlicht mit.

Eine Schwäche, die der Chip nicht sieht, vermehrt sich nicht weniger – sondern jahrelang unerkannt.

Dieselbe strukturelle Mechanik wirkt heute auch in der Holstein-Population. Bickhart et al. (2012, mit umfangreichen Folgearbeiten) identifizierten Dutzende von CNV-Regionen im Holstein-Genom, von denen mehrere mit Produktions- und Gesundheitsmerkmalen assoziiert sind. Spätere Arbeiten von Liu, Bickhart und Sonstegard (2018) sowie Capomaccio et al. (2020) erweiterten den Katalog deutlich. Hayes und Daetwyler (2019) ordnen strukturelle Variation als eine der zentralen Erklärungslücken zwischen genomischen Modellen und beobachteten Phänotypen ein.

Hinzu kommen die bekannten Holstein-Haplotypen HH1 bis HH6 sowie HCD, die in der vit-Verden- und CDCB-Routine getrackt werden. Sie sind selbst ein Mahnmal dafür, dass strukturelle und haplotypbasierte Effekte über Jahre unerkannt durch Eliten-Pedigrees wandern können – bis jemand gezielt sucht. Wenn ein Holstein-Bestand chronische Klauenprobleme oder einen Fruchtbarkeitseinbruch zeigt, der nicht zu den Gesundheitsindizes passt, lohnt der ehrliche Verdacht, dass ein Teil der Lücke in struktureller Variation steckt – die der Chip schlicht nicht auflöst.

Kernsatz: Was als „rätselhafte Schwäche“ erscheint, ist oft strukturelle Variation – methodisch unsichtbar, aber biologisch real.

Blind Spot 3: Die Mendelian-Roulette

Der dritte blinde Fleck ist das, worüber Züchter mit Spülprogrammen seit dreißig Jahren klagen – und wofür sie jetzt eine mechanistische Erklärung haben. Ein Kalb erbt zu 50 % vom Vater und zu 50 % von der Mutter. Welche 50 % es jeweils erbt, ist Zufall. Für monogene Merkmale wie Polled, Rotfaktor, Kappa-Casein oder bekannte Erbfehler ist das beherrschbar. Für polygene Merkmale wie Euterkomposit, Fundament oder Fruchtbarkeit ist es die größte Einzelquelle individueller Vorhersageabweichung.

Genomische Modelle erfassen davon nur einen Bruchteil. Auch fortgeschrittene Methoden wie Single-Step GBLUP verbessern die individuelle Mendelian-Sampling-Vorhersage nur inkrementell (Mrode, 2014; Habier, Fernando & Dekkers, 2007). Der Rest ist statistisches Rauschen, das sich methodisch nicht wegmodellieren lässt.

Zwei Vollschwestern aus derselben Eliten-Spülung können sehr unterschiedliche genetische Hände ziehen. Der Chip kann dir nicht sagen, welche von beiden gut zog.

Genau das ist die statistische Realität, die jeder Züchter kennt, der eine Spitzenkuh zweimal gespült hat und erleben musste, wie eine Tochter zur Bullenmutter aufstieg, während die Vollschwester nie über „GP“ hinauskam. Daetwyler et al. (2010) zeigten formal, dass genomische Vorhersagegenauigkeit für individuelle Mendelian-Sampling-Effekte selbst unter optimalen Bedingungen einer asymptotischen Grenze unterliegt. Der Effekt ist umso ausgeprägter, je niedriger die Heritabilität eines Merkmals ist – und genau dort liegen die heute wirtschaftlich entscheidenden Fitness- und Gesundheitsmerkmale.

In der Praxis trifft das die mittleren 60 % eines Färsenjahrgangs am härtesten. An den Extremen – ganz oben und ganz unten – konvergieren die Signale. Dort ist die Indexsumme robust genug, um eine zuverlässige Entscheidung zu tragen. In der Mitte, wo die meisten Behalten-oder-Schlachten-Entscheidungen tatsächlich getroffen werden, überlappen sich die Konfidenzintervalle so stark, dass der Indexrang allein keine valide Grundlage mehr ist.

Re-Ranking: Warum der April-Top-Bulle nicht der Dezember-Top-Bulle ist

Jeder genomische Index ist ein Modell-Output. Bei jedem Schätzlauf wächst die Referenzpopulation, Merkmalsgewichte werden überprüft, die Basispopulation rotiert nach Plan. Ein Züchter, der einen alten Indexwert mit einem aktuellen vergleicht, vergleicht gegen einen sich bewegenden Maßstab.

Für junge genomische Bullen ist das Re-Ranking zwischen erster genomischer Schätzung und Töchter-Prüfung umfangreich dokumentiert. Wiggans et al. (2017) zeigten in einer Bilanz der USDA-Genomic-Selection-Erfahrung, dass ein messbarer Anteil der initial Top-Quintile-Bullen bei Töchterdaten aus diesem Quintil herausfällt. Das ist keine Kritik am Verfahren. Es ist eine Eigenschaft des Vorhersagens komplexer Merkmale aus begrenzter Information. De Roos, Hayes und Goddard (2008) modellierten diesen Effekt formal und wiesen die Persistenz genomischer Vorhersagen über Generationen als rasch abnehmend nach.

Kernsatz: Wenn deine Anpaarung nur funktioniert, wenn deine drei Top-Bullen alle bis zur Töchter-Prüfung halten, hat deine Strategie ein Timing-Problem – kein Genomik-Problem.

Was kostet das im Färsenstall?

Veröffentlichte Aufzuchtkosten von der Penn State Extension setzen die Kosten bis zur ersten Kalbung in den USA auf 2 200 bis 2 600 US-Dollar an, mit OMAFRA-Referenzbudgets im selben Bereich. Für Deutschland liegen vergleichbare Kalkulationen je nach Region und System bei 1 800 bis 2 200 Euro (DLG, laufend; LfL Bayern, 2023). Beide Größenordnungen sind hoch genug, um die wirtschaftliche Konsequenz von Fehlentscheidungen sichtbar zu machen.

Rechenbeispiel: Ein Betrieb mit 200 Kühen zieht jährlich 60 Färsen auf. Wenn pro Jahr nur fünf Färsen auf einem Merkmal mit niedriger betrieblicher Vorhersagezuverlässigkeit behalten oder ausgeschieden werden, sind das bei 2 000 Euro je Färse 10 000 Euro pro Jahr – und 50 000 Euro über fünf Jahre, vor Opportunitätskosten der besseren Tiere, die nicht behalten wurden.

Für einen Zuchtbetrieb mit Embryonenvermarktung läuft dieselbe Mathematik auf der Erlösseite: Die Fehlrate zeigt sich nicht im Stall, sondern bei der Auktion – als Bullenkalb, das nicht aufgenommen wurde, oder als Embryonen-Lot, das unter Wert blieb. Andere Spalten, dieselbe Logik.

Fünf Fehlentscheidungen pro Jahr auf einem Merkmal, das dein Chip in deinem Bestand nicht zuverlässig vorhersagt, sind über fünf Jahre ein fünfstelliger Verlust – meist still und unbemerkt.

Drei Pfade aus dem Blindspot-Problem

Züchter gehen mit der Situation aktuell auf drei Wegen um. Jeder funktioniert in bestimmten Situationen und scheitert in anderen.

Pfad 1 Trust the Composite – dem Indexrang folgen.

Schnell, einfach, verteidigbar. Funktioniert akzeptabel an den Extremen eines Färsenjahrgangs – ganz oben und ganz unten. Scheitert in den mittleren 60 %, wo sich die Konfidenzintervalle überlappen. Beste Eignung: Großbetriebe, die Tempo über Präzision stellen. Der Preis: Fehlallokation von Kapital auf Einzeltierebene – häufiger, als der Rang suggeriert.

Pfad 2 Genomik + Phänotyp + Mutterlinie kombinieren.

Genomik als Filter für das untere Quartil einsetzen. Für die Mitte des Jahrgangs in den Stall gehen, klassifizieren, Leistungsdaten lesen, Mutterlinie würdigen. Langsamer, urteilsintensiver – aber er erfasst genau die mtDNA- und Mutterlinien-Signale, die der Chip strukturell nicht sehen kann. Beste Eignung: pedigreebewusste Betriebe, ET-Programme, Vermarkter, die für nachweisbare Mutterlinien-Tiefe Aufpreise bekommen.

Pfad 3 CORREL-Audit – die eigene Validierung.

Ein einmaliger 30-Tage-Aufwand: Genomik-Werte der letzten zwei Jahre mit den tatsächlichen Klassifizierungs- und 305-Tage-Werten derselben Tiere abgleichen. Pro Merkmal eine Korrelation berechnen. Die Ergebnisse zeigen merkmalsgenau, welchen Indizes du in deinem Bestand vertrauen kannst – und welchen nicht.

Der 30-Tage-Audit: Pfad 3 im Detail

Der größte Hebel für jeden Züchter sitzt in Daten, die bereits vorhanden sind. MLP-Berichte, Klassifizierungsdaten, ursprüngliche Genomik-Profile. Aus diesen drei Quellen lässt sich in wenigen Stunden ein betriebsspezifisches Validierungsbild herstellen.

Protokoll:

• Genomik-Reports der letzten zwei Jahre auf Merkmalsebene exportieren (nicht nur Indexsummen)

• Erstlaktations-Klassifizierungswerte und 305-Tage-Leistungen derselben Tiere zusammenführen

• In einer Tabelle pro Tier eine Zeile, pro Merkmal je eine Spalte für „vorhergesagt“ und „beobachtet“

• Pro Merkmal die Excel-Funktion KORREL über alle Tiere laufen lassen

• Die Ergebnisse lassen sich als betrieblicher Daumenwert lesen – nicht als formaler statistischer Cutoff:

• KORREL ≥ 0,40: starkes Signal. Der Chip sagt dieses Merkmal in deinem Bestand zuverlässig vorher. Voll gewichten.

• KORREL 0,25 bis 0,40: marginales Signal. Als Tiebreaker nutzen, mit Phänotyp und Mutterlinie ergänzen.

• KORREL ≤ 0,25: schwaches Signal. Praktisch kaum besser als raten. Aus der Selektionslogik herausnehmen, Familiendaten nutzen.

Pfad 3 ersetzt nicht Pfad 1 oder 2. Er sagt dir, für welches Merkmal du welchen Pfad nehmen solltest.

Wichtig: Die Schwellenwerte sind keine statistischen Hochsicherheitsgrenzen – sie sind betriebliche Heuristiken. Bei Grenzfällen lohnt die Rücksprache mit Zuchtberatung oder vit Verden. Aber der Grundbefund bleibt: Wer seine eigenen Daten nicht abgleicht, weiß nicht, ob der Indexrang im eigenen Stall trägt.

Wo Genomik unangefochten gewinnt

Die Kritik an den blinden Flecken darf nicht den Blick auf das verstellen, wo Genomik klare, schwer zu schlagende Stärken hat. Dort sollte sie konsequent eingesetzt werden, ohne Hedging:

•        Abstammungsverifikation – schneller, billiger und genauer als jedes Pedigree-Audit zuvor (Heaton et al., 2014)

•        Träger-Status bekannter Erbfehler – BLAD, CVM, DUMPS, BY, Mulefoot, Cholesterol Deficiency

•        Haplotypenmanagement – HH1 bis HH6, JH1, HCD und ähnliche Konstellationen (VanRaden et al., 2011; Cole et al., 2016)

•        Inzuchtkontrolle über genomische Verwandtschaft – deutlich präziser als pedigreebasierte Schätzungen (Doekes et al., 2018)

•        Selektion an den Extremen des Jahrgangs – oben sicher, unten sicher

Vorsicht ist dort geboten, wo Indizes auf niedrig-heritable Merkmale, einzelne Linearwerte oder maternal vererbte Eigenschaften angewandt werden. Genomik ist Werkzeug, kein Orakel. Wer sie als Werkzeug nutzt, gewinnt. Wer sie als Orakel behandelt, zahlt.

Kernsatz: Setze Genomik aggressiv ein, wo sie überlegen ist. Sei vorsichtiger, wo sie strukturell limitiert ist.

Sieben praktische Konsequenzen für deutsche Holsteinzüchter

Aus den dargestellten Zusammenhängen lassen sich konkrete Konsequenzen für die deutsche Praxis ableiten – unabhängig von der Betriebsgröße:

1. Mutterlinien-Tiefe nicht aufgeben.

Wer für Schau, Auktion oder Embryonenmarkt züchtet, vermarktet einen Wert, den die Indexsumme nicht abbildet. Die mtDNA tiefer Mutterlinien ist ein realer wirtschaftlicher Faktor. Bewerte Kuhfamilien separat von der Indexsumme.

2. Jungbullen-Strategie auf Re-Ranking auslegen.

Plane Anpaarungen so, dass sie auch dann tragen, wenn deine drei Top-Bullen bis zur nächsten Schätzung in der Reihenfolge wechseln. Streuung über mehrere geprüfte und genomische Bullen schlägt Konzentration auf einen Top-Vererber.

3. Genomik-, Klassifizierungs- und MLP-Daten zusammenführen.

Wer für dieselben Tiere alle drei Datenquellen besitzt, hat die Grundlage für den 30-Tage-Audit. Der Aufwand: ein Nachmittag in Excel. Der Erkenntnisgewinn: merkmalsgenaue Klarheit über die eigene Vorhersagezuverlässigkeit.

4. Bei chronischen Problemen strukturelle Variation mitdenken.

Hartnäckige Klauenprobleme, Fruchtbarkeitseinbrüche oder Eutergesundheits-Drift, die nicht zu den Gesundheitsindizes passen, sind Kandidaten für strukturelle oder maternale Effekte. Mehr Genotypisierung löst das nicht. Andere Daten – Klauenpfleger, Tierarzt, Familiendaten – werden gebraucht.

5. Embryonen nicht ausschließlich auf Indexsumme bepreisen.

Bei zwei Embryonen mit identischer Indexsumme entscheidet die Mutterlinien-Tiefe den realen Marktwert. Wer das nicht differenziert, verkauft Substanz unter Wert – oder kauft sie zu billig ein.

6. MLP und Klassifizierung nicht aus Kostengründen abschaffen.

Jede genomische Vorhersage hängt von Phänotypdaten ab, die in Praxisbetrieben erhoben werden. Wer aus der Erhebungs-Schleife aussteigt, degradiert mittelfristig genau das Werkzeug, für das er bezahlt.

7. Genomik dort aggressiv einsetzen, wo sie überlegen ist.

Abstammung, Erbfehler, Haplotypen und Inzuchtkontrolle: hier ist sie überlegen, hier sollte sie ohne Hedging eingesetzt werden. Bei niedrig-heritablen Einzelmerkmalen gehört der Stallblick und die Mutterlinie dazu.

Fazit: Die Kuhfamilie bleibt

Genomische Zuchtwerte sind eines der wirkungsvollsten Werkzeuge, das die Rinderzucht je hatte. Niemand will dahinter zurück. Aber jedes Werkzeug hat strukturelle Grenzen – und kein Reset, keine Basisanpassung und kein Single-Step-Verfahren ändert daran etwas. Mitochondriale DNA, Copy Number Variations und Mendelian Sampling Variance bleiben außerhalb der Reichweite des kommerziellen Chips.

Die Züchter, die in fünf Jahren vorne liegen werden, sind nicht jene mit dem dichtesten Chip oder der spektakulärsten Spülung. Es sind die, die ehrlich nachprüfen, welche Merkmale ihr genomisches Werkzeug für ihre Genetik tatsächlich vorhersagt – und welche nicht. Dieses Wissen steht nicht auf dem Test-Report. Es entsteht in einer Excel-Tabelle, die der Betrieb selbst baut, neben einer Pedigree, die er seit langem kuratiert.

Die Kuhfamilie ist nicht nostalgisch. Sie ist die Information, die der 40-Euro-Chip nicht liefert.

Quellen (Auswahl)

Primärquelle / inhaltliche Vorlage:

Hunt, A. (2026): The $45 Holstein Genomic Test: Three Blind Spots CDCB’s April Reset Missed. The Bullvine, 10. Mai 2026. Online verfügbar unter: https://www.thebullvine.com/news/the-45-holstein-genomic-test-three-blind-spots-aprils-reset-missed/

Wissenschaftliche und institutionelle Quellen:

Schutz, M. M.; Freeman, A. E.; Lindberg, G. L.; Koehler, C. M.; Beitz, D. C. (1994): The effect of mitochondrial DNA on milk production and health of dairy cattle. Livestock Production Science, 37(3), 283–295.

Boettcher, P. J.; Steverink, D. W. B.; Beitz, D. C.; Freeman, A. E.; Van Vleck, L. D. (1996): Multiple herd evaluation of the effects of maternal lineage on yield traits of Holstein cattle. Journal of Dairy Science, 79(4), 655–662.

Boettcher, P. J.; Gibson, J. P. (1997): Estimation of variance of maternal lineage effects among Canadian Holsteins. Journal of Dairy Science, 80(9), 2167–2176.

Tsai, T.; Rajasekar, S.; St. John, J. C. (2020): The relationship between mitochondrial DNA and bovine reproductive performance. Animal Reproduction Science, 218.

Kadri, N. K. et al. (2014): A 660-kb deletion with antagonistic effects on fertility and milk production segregates at high frequency in Nordic Red cattle. PLoS Genetics, 10(1), e1004049.

Bickhart, D. M. et al. (2012): Copy number variation of individual cattle genomes using next-generation sequencing. Genome Research, 22(4), 778–790.

Liu, G. E.; Bickhart, D. M.; Sonstegard, T. S. (2018): Copy number variation in dairy cattle: status and challenges. Journal of Dairy Science, 101(3), 2369–2375.

Capomaccio, S. et al. (2020): Genome-wide copy number variations in Italian Holsteins. Animal Genetics, 51.

Hayes, B. J.; Daetwyler, H. D. (2019): 1000 Bull Genomes Project to map simple and complex genetic traits in cattle. Annual Review of Animal Biosciences, 7, 89–102.

Wiggans, G. R.; Cole, J. B.; Hubbard, S. M.; Sonstegard, T. S. (2017): Genomic selection in dairy cattle: the USDA experience. Annual Review of Animal Biosciences, 5, 309–327.

García-Ruiz, A. et al. (2016): Changes in genetic selection differentials and generation intervals in U.S. Holstein dairy cattle as a result of genomic selection. PNAS, 113(28), E3995–E4004.

Misztal, I.; Legarra, A.; Aguilar, I. (2009): Computing procedures for genetic evaluation including phenotypic, full pedigree, and genomic information. Journal of Dairy Science, 92(9), 4648–4655.

Aguilar, I. et al. (2010): A unified approach to utilize phenotypic, full pedigree, and genomic information for genetic evaluation of Holstein final score. Journal of Dairy Science, 93(2), 743–752.

VanRaden, P. M. (2008): Efficient methods to compute genomic predictions. Journal of Dairy Science, 91(11), 4414–4423.

VanRaden, P. M.; Olson, K. M.; Null, D. J.; Hutchison, J. L. (2011): Harmful recessive effects on fertility detected by absence of homozygous haplotypes. Journal of Dairy Science, 94(12), 6153–6161.

Cole, J. B. et al. (2016): Management of Mendelian traits in breeding programs by gene editing: a simulation study. bioRxiv.

Daetwyler, H. D.; Pong-Wong, R.; Villanueva, B.; Woolliams, J. A. (2010): The impact of genetic architecture on genome-wide evaluation methods. Genetics, 185(3), 1021–1031.

Habier, D.; Fernando, R. L.; Dekkers, J. C. M. (2007): The impact of genetic relationship information on genome-assisted breeding values. Genetics, 177(4), 2389–2397.

de Roos, A. P. W.; Hayes, B. J.; Goddard, M. E. (2008): Reliability of genomic predictions across multiple populations. Genetics, 183(4), 1545–1553.

Heaton, M. P. et al. (2014): SNPs for parentage testing and traceability in globally diverse breeds of cattle. PLoS ONE, 9(4), e94851.

Doekes, H. P. et al. (2018): Trends in genome-wide and region-specific genetic diversity in the Dutch-Flemish Holstein–Friesian breeding program. Genetics Selection Evolution, 50, 15.

Mrode, R. A. (2014): Linear Models for the Prediction of Animal Breeding Values, 3rd ed. CABI.

CDCB (2025): Evaluation Changes, April 2025. Council on Dairy Cattle Breeding.

vit Verden (laufend): Methodische Beschreibungen zur deutschen Zuchtwertschätzung Holstein.

Penn State Extension (laufend): Dairy Heifer Costs of Production.

DLG / LfL Bayern (2023): Aufzuchtkosten weiblicher Jungrinder in Deutschland.