Studio sulle fonti di variazione della conducibilità elettrica, della conta totale e differenziale delle cellule somatiche nella Bufala Mediterranea Italiana.

La mastite è una delle più importanti patologie che affligge il settore lattiero-caseario, dato che compromette il benessere animale, le produzioni e la qualità del latte. Sebbene la morfologia del canale e dello sfintere del capezzolo renda la Bufala Mediterranea Italiana (Bubalus bubalis) meno suscettibile alle mastiti rispetto alle vacche da latte (Fagiolo e Lai, 2007), è necessario un grande sforzo per migliorare la prevenzione, l’identificazione, e il management della mastite in questa specie. Infatti, la maggior parte delle conoscenze relative alla gestione della mastite proviene dal settore bovino. Durante i controlli funzionali, effettuati periodicamente dall’Associazione Italiana Allevatori, vengono misurati alcuni caratteri qualitativi del latte, come la conta delle cellule somatiche (SCC) e la conta differenziale delle cellule somatiche (DSCC), considerati indicatori di infiammazione mammaria. In particolare, le SCC sono l’indicatore internazionale standard di mastite e sono generalmente usate per il controllo della sanità mammaria e della qualità del latte in molti Paesi (Harmon, 2001), mentre le DSCC sono un nuovo fenotipo che rappresenta la percentuale di neutrofili e linfociti sul totale delle cellule somatiche (Damm et al., 2017). In letteratura sono stati riportati diversi studi relativi alle DSCC nelle vacche da latte; poco si conosce invece delle DSCC nelle bufale da latte, sebbene questo carattere sia stato recentemente aggiunto ai controlli funzionali di queste specie. Tuttavia, in uno studio del 2023, Bobbo e collaboratori hanno identificato nelle DSCC uno dei più importanti parametri per predire la presenza di mastite subclinica al controllo funzionale successivo, utilizzando metodi di apprendimento automatico (machine learning). Oltre a questi due caratteri, recentemente è stata presa in considerazione anche la conducibilità elettrica (EC) come indicatore per monitorare il livello di infiammazione della ghiandola mammaria (Norberg et al., 2004; Matera et al., 2022).

Materiali e metodi

Attualmente, gli indicatori di salute della mammella non sono considerati come obiettivo riproduttivo nell’indice di selezione della bufala. Per una futura inclusione di questi caratteri, volta a migliorare la resistenza alle mastiti, è necessario prima analizzare le loro fonti di variazioni. Per questa ragione alcuni ricercatori dell’Università di Napoli, in collaborazione con ricercatori dell’Istituto di Biologia e Biotecnologia Agraria del Consiglio Nazionale delle Ricerche (sede di Milano), hanno analizzato i fattori non genetici che influenzano DSCC, EC e SCC nella Bufala Mediterranea Italiana. L’Associazione Italiana Allevatori ha fornito mensilmente i dati dei controlli funzionali di bufale provenienti da 6 allevamenti localizzati in Basilicata. Questi dati includevano informazioni relative ad allevamento, singoli animali (matricola, data del parto, ordine di parto, stadio di lattazione), data del campionamento, produzione di latte giornaliera (kg/giorno), composizione del latte [grasso (%), proteine (%), caseine (%) e lattosio (%)], pH, EC (mS/cm), SCC (cellule/mL) e DSCC (%). I caratteri del latte sono stati determinati usando il CombiFoss 7DC (Foss, Hillerød, Denmark).

Le informazioni climatiche, come temperatura (T, °C) e umidità relativa (RH, %), delle località di campionamento sono state ottenute dal sito della NASA [NASA Prediction of Worldwide Energy Resource (POWER) Data Acces Viewer] (Sparks, 2018). Questo strumento permette di scaricare i parametri medi giornalieri inserendo latitudine e longitudine degli allevamenti, nel range di tempo prestabilito. Successivamente, è stato calcolato l’indice di temperatura e umidità (Temperature Humidity Index; THI) secondo Vitali et al. (2009), usando la temperatura e l’umidità relativa media dei 5 giorni che precedono il campionamento (rispettivamente, T5d e RH5d). Infatti, secondo studi precedenti (Bernabucci et al., 2014), l’effetto negativo dello stress da caldo sulle performance produttive del bestiame inizia più di 4 giorni prima del controllo funzionale.

Il THI è stato dunque calcolato con la seguente formula:

THI = (1.8 × T5d + 32) – (0.55 – 0.55 × RH5d) × [(1.8 × T5d + 32) – 58].

I dati, relativi al periodo Agosto 2019 – Aprile 2022, sono stati editati per selezionare solo gli animali che hanno partorito dal 2019 al 2022, con almeno 3 controlli funzionali per lattazione e con meno di 360 giorni di lattazione. Tra i caratteri del latte, valori anomali oltre le 4 deviazioni standard sono stati considerati come valori mancanti, così come valori di SCC e DSCC uguali a zero. In aggiunta, è stata effettuata una trasformazione logaritmica delle SCC in Somatic Cell Score (SCS), secondo Ali e Shook (1980), per ottenere la normalità nella distribuzione, mentre le DSCC non hanno avuto bisogno di trasformazione.

Dopo l’editing dei dati, il dataset includeva 14,571 record di 1,501 animali.

Nei modelli statistici utilizzati per lo studio delle fonti di variazione dei tre indicatori di infiammazione sono stati inclusi gli effetti fissi di: allevamento (6 classi, classificati con le lettere da A a F), stadio di lattazione (DIM; 10 classi di 30 giorni, con l’ultima classe aperta fino a 360 giorni), ordine di parto (6 classi, da 1 a 6+), stagione e anno del parto (11 classi, dall’estate 2019 all’inverno 2021/2022), stagione e anno del campionamento (9 classi, da primavera 2020 a primavera 2022), livelli di produzione (4 classi basate su quartili della produzione di latte media entro allevamento) e THI (4 classi basate su quartili). La matricola dell’animale è stata inclusa come effetto random.  I residui estratti dai modelli sono stati poi utilizzati per il calcolo delle correlazioni tra gli indicatori di mastite. Le bufale hanno avuto una produzione media di latte di 10,36 kg e la composizione del latte era caratterizzata mediamente da 8,04% di grasso e 4,68% di proteine (Tabella 1).

Tra i 3 indicatori di mastite, l’EC ha avuto una media di 592.75 mS/cm e il SCS una media di 3,92. Le DSCC nella popolazione studiata variavano da 5% al 97%, con una media di 54,45%. I valori medi di T5d e RH5d sono stati di 14,52°C e 69,86% rispettivamente. Infine, il THI variava da 38 a 77, con una media di 57,03.

Risultati

Ad eccezione della stagione e anno di parto, è stata osservata associazione tra gli indicatori di mastite e tutte le variabili esplicative (Tabella 2). Inoltre, la proporzione di varianza spiegata dall’effetto random animale variava dal 26% (DSCC) al 32,8% (SCS). Dopo la correzione per gli altri effetti inclusi nel modello, le medie stimate (LSM) dei tre caratteri oggetto di studio hanno mostrato variazioni tra gli allevamenti (Figura 1). In particolare, l’allevamento B è stato caratterizzato da più alti valori degli indicatori di mastite (628,98 mS/cm per l’EC, 5,69 per SCS e 64,9% per DSCC). I valori più bassi di LSM di EC, SCS e DSCC sono stati osservati nell’allevamento F (575,61 mS/cm, 2,57, e 43,8% rispettivamente), anche se le LSM di EC e DSCC dell’allevamento F non differiscono statisticamente da quelle dell’allevamento C (585.19 mS/cm e 47.5% rispettivamente). Queste variazioni possono indicare differenze nelle pratiche di mungitura e nelle condizioni igieniche. Considerando lo stadio di lattazione, alti valori di EC sono stati osservati all’inizio e alla fine della lattazione; le DSCC erano alte intorno al picco di lattazione, ma SCS era leggermente più basso. La diminuzione delle SCC al picco di lattazione, quindi, corrisponde ad un innalzamento dei livelli di DSCC, sottolineando uno status infiammatorio della mammella quando la massima produzione viene raggiunta. La variazione dell’EC può essere spiegata con la variazione della concentrazione e della composizione del latte all’inizio e alla fine della lattazione. Sono stati riportati aumenti dei livelli di EC, SCS e DSCC con l’incremento dell’ordine di parto, con una chiara differenza fra primipare e pluripare per EC e SCS (Figura 1). L’aumento delle SCC negli animali più anziani può essere il risultato del danno mammario dovuto a infezioni precedenti (Bartlett et al., 1990).

Figura 1. Medie stimate (emmean) dei tre indicatori di mastite per tutti gli effetti analizzati.  EC= Conducibilità Elettrica; SCS= Score delle Cellule Somatiche; DSCC= Conta Differenziale delle Cellule Somatiche; Herd = allevamento; DIM = stadio di lattazione;; Parity= Ordine di parto; Year-season calving = Anno-stagione di parto; Year-season sampling = Anno-stagione di campionamento; Production = Livello produttivo; THI = Indice di Temperatura ed Umidità.

La stagione e l’anno di parto hanno influito solo leggermente sull’EC; infatti, una differenza significativa è stata osservata tra primavera ed estate 2021 con autunno 2021 e inverno 2021/22. La variabilità degli indicatori di mastite, soprattutto dell’EC, nelle diverse stagioni di parto possono riflettere le variazioni fisiologiche dell’animale e manageriali (Cerón-Muñoz et al., 2002), anche se nel presente studio è stata effettuata una correzione per l’effetto dell’allevamento, dello stadio di lattazione e dell’ordine di parto. Inoltre, l’influenza della stagione e anno di parto può essere dovuta alla forte stagionalità di questa specie, che condiziona la distribuzione dei parti durante l’anno. Considerando stagione e anno di campionamento, le LSM dell’EC hanno mostrato variazioni, con le stime della primavera e dell’estate che differiscono dalle stime di autunno ed inverno dello stesso anno (Figura 1). Per quanto riguarda le LSM di SCS e DSCC, valori statisticamente maggiori sono stati osservati in inverno 2021/22 (Figura 1). Gli effetti della stagione del campionamento sulle caratteristiche del latte di bufala sono stati già riportati in letteratura in pochi studi che riguardano la produzione del latte e la qualità dello stesso (Pasquini et al., 2018; Costa et al., 2020). Il latte di bufale più produttive (Classe 4) è stato caratterizzato da EC e SCS più bassi, ma una percentuale di DSCC maggiore rispetto ad animali meno produttivi (Classe 1). I valori di EC e SCS sono il risultato dell’effetto concentrazione/diluizione, mentre i valori elevati di DSCC in animali più produttivi confermano la maggior suscettibilità alle mastiti di quest’ultimi (Moroni et al., 2006; Stocco et al., 2023). Le bufale raggruppate nelle due classi di THI sopra la media (Classi 3 e 4) hanno mostrato valori più elevati di EC, SCS e DSCC nel latte rispetto alle classi inferiori (Figura 1). I coefficienti di correlazione di Pearson tra gli indicatori di mastite sono riportati in Tabella 3. La più alta correlazione è stata osservata tra SCS e DSCC (0,54; P<0,001), mentre il coefficiente di correlazione tra EC e DSCC si è rivelato quasi vicino allo zero (0,009; P>0,05). La correlazione minore dell’unità tra SCS e DSCC (0,54) conferma il valore aggiuntivo di quest’ultimo carattere, che, quindi, permette di ottenere una panoramica più ampia sullo stato infiammatorio della ghiandola mammaria.

In questo studio sono state indagate le fonti di variazione non genetiche di EC, SCS e DSCC nella Bufala Mediterranea Italiana. Gli effetti di allevamento, stadio di lattazione, ordine di parto, stagione e anno di parto e di campionamento, produzione di latte e THI si sono rilevati significativi per i caratteri presi in considerazione. Dato il valore economico del latte di bufala usato per produrre le Mozzarella Di Bufala DOP e considerando la crescita dell’interesse dei consumatori sulla salute degli animali e sull’uso degli antibiotici, sono necessari maggiori sforzi per migliorare la prevenzione e la rilevazione della mastite. L’ampia mole di dati raccolti nell’ambito dei controlli funzionali, inclusi EC, SCC e DSCC, dovrebbe essere valorizzata maggiormente per questo scopo, per esempio includendo questi caratteri come obiettivi di selezione nell’indice della Bufala Mediterranea Italiana.

Bibliografia

  • Fagiolo, A., and O. Lai. 2007. Mastitis in buffalo. Ital. J. Anim. Sci. 6(sup2):200–206. https://doi.org/10.4081/ijas.2007.s2.200.
  • Harmon, R. J. 2001. Somatic cell counts: a primer. Pp 3–9 in Proc. Natl. Mastitis Coun. 40th Annual Meeting, Feb 11–14, 2001 Reno, NV.
  • Norberg, E., H. Hogeveen, I. R. Korsgaard, N. C. Friggens, K. H. M. N. Sloth, and P. Løvendahl. 2004. Electrical conductivity of milk: ability to predict mastitis status. J. Dairy Sci. 87:1099–1107. https: //doi.org/10.3168/jds.S0022-0302(04)73256-7.
  • Matera, R., G. Di Vuolo, A. Cotticelli, A. Salzano, G. Neglia, R. Cimmino, D. D’Angelo, and S. Biffani. Relationship among Milk Conductivity, Production Traits, and Somatic Cell Score in the Italian Mediterranean Buffalo. Animals (Basel) 12:2225. https: //doi.org/10.3390/ani12172225.
  • Damm, M., C. Holm, M. Blaabjerg, M. N. Bro, and D. Schwarz. 2017. Differential somatic cell count-A novel method for routine mastitis screening in the frame of Dairy Herd Improvement testing programs. J. Dairy Sci. 100:4926–4940. https://doi.org/10.3168/ jds.2016-12409.
  • Bobbo, T., R. Matera, G. Pedota, A. Manunza, A. Cotticelli, G. Neglia, and S. Biffani. Exploiting machine learning methods with monthly routine milk recording data and climatic information to predict subclinical mastitis in Italian Mediterranean buffaloes. J. Dairy Sci. https://doi.org/10.3168/jds.2022-22292.
  • Sparks, A. H. 2018. nasapower: A NASA POWER Global Meteorology, Surface Solar Energy and Climatology Data Client for R. J. Open Source Softw. 3:1035. https://doi.org/10.21105/joss.01035.
  • Vitali, A., M. Segnalini, L. Bertocchi, U. Bernabucci, A. Nardone, and N. Lacetera. Seasonal pattern of mortality and relationships between mortality and temperature-humidity index in dairy cows. J. Dairy Sci. 92:3781–3790. https://doi.org/10.3168/jds.2009 -2127.
  • Bernabucci, U., S. Biffani, L. Buggiotti, A. Vitali, N. Lacetera, and A. Nardone. The effects of heat stress in Italian Holstein dairy cattle. J. Dairy Sci. 97:471–486. https://doi.org/10.3168/jds.2013 -6611.
  • Ali, A. K. A., and G. E. Shook. 1980. An Optimum Transformation for Somatic Cell Concentration in Milk1. J. Dairy Sci. 63:487–490. https://doi.org/10.3168/jds.S0022-0302(80)82959-6.
  • Bartlett, P. C., G. Y. Miller, C. R. Anderson, and J. H. Kirk. 1990. Milk Production and Somatic Cell Count in Michigan Dairy Herds. J. Dairy Sci. 73:2794–2800. https://doi.org/10.3168/jds .S0022-0302(90)78966-7.
  • Cerón-Muñoz, M., H. Tonhati, J. Duarte, J. Oliveira, M. MuñozBerrocal, and H. Jurado-Gámez. 2002. Factors Affecting Somatic Cell Counts and Their Relations with Milk and Milk Constituent Yield in Buffaloes1. J. Dairy Sci. 85:2885–2889. https://doi.org/10 .3168/jds.S0022-0302(02)74376-2.
  • Pasquini, M., A. Osimani, S. Tavoletti, I. Moreno, F. Clementi, and M. F. Trombetta. Trends in the quality and hygiene parameters of bulk Italian Mediterranean buffalo (Bubalus bubalis) milk: A three year study. Anim. Sci. J. 89:176–185. https://doi.org/10 .1111/asj.12916.
  • Costa, A., R. Negrini, M. De Marchi, G. Campanile, and G. Neglia. 2020c Phenotypic Characterization of Milk Yield and Quality Traits in a Large Population of Water Buffaloes. Animals (Basel) 10:327. https://doi.org/10.3390/ani10020327.
  • Stocco, G., C. Cipolat-Gotet, B. Stefanon, A. Zecconi, M. Francescutti, M. Mountricha, and A. Summer. 2023. Herd and animal factors affect the variability of total and differential somatic cell count in bovine milk. J. Anim. Sci. 101:skac406. https://doi.org/ 10.1093/jas/skac406.
  • Moroni, P., C. Sgoifo Rossi, G. Pisoni, V. Bronzo, B. Castiglioni, and P. J. Boettcher. Relationships Between Somatic Cell Count and Intramammary Infection in Buffaloes. J. Dairy Sci. 89:9981003. https://doi.org/10.3168/jds.S0022-0302(06)72165-8.

Sinossi di: Bobbo, T., Matera, R., Biffani, S., Gomez, M., Cimmino, R., Pedota, G., Neglia, G., 2023. Exploring the sources of variation of electrical conductivity, total and differential somatic cell count in the Italian Mediterranean Buffaloes. Journal of Dairy Science. https://doi.org/10.3168/jds.2023-23629

A cura di Luca Borzacchiello (a) e Tania Bobbo (b)

a) Dipartimento di Medicina Veterinaria e Produzioni Animali (DMVPA)- Università degli Studi di Napoli Federico II

b) Consiglio Nazionale delle Ricerche (CNR), Istituto di Biologia e Biotecnologia Agraria (IBBA) e Istituto di Tecnologie Biomediche (ITB), Milan, Italy