Role and efficiency of artificial insemination and genome resource banking
Notice bibliographique
Résumé
INTRODUCTION Historically, the breeding of giant pandas in ex situ programmes has been difficult due to behavioural incompatibility and interanimal aggression. Because some individuals fail to mate naturally, the potential loss of valuable genes is a major concern to effective genetic management (see Chapter 21). Consistently successful artificial insemination (AI) would allow incorporating genetically valuable males with behavioural or physical anomalies into the gene pool. This strategy becomes even more powerful when used in the context of a genome resource bank (GRB), an organised repository of cryopreserved biomaterials (tissue, blood, DNA and sperm) (see Chapter 7). The use of sperm cryopreservation and AI allows the movement of genes among zoos and breeding centres without needing to transfer animals, which is both stressful and costly. ‘Assisted breeding’ refers to the tools and techniques associated with helping a pair of animals propagate, from AI to embryo transfer to cloning, among others (Howard, 1999; Pukazhenthi & Wildt, 2004). With the exception of AI, there is not much need for most other assisted-breeding techniques for the giant panda. As will be demonstrated here, AI is quite adequate for dealing with most cases of infertility or with helping to maintain adequate gene diversity in the captive population. In fact, the major breeding facilities, especially the China Conservation and Research Centre for the Giant Panda (hereafter referred to as the Wolong Breeding Centre) and the Chengdu Research Base of Giant Panda Breeding, routinely use AI to increase pregnancy success.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».