Mate selection strategies to exploit across‐ and within‐breed dominance variation
Notice bibliographique
Résumé
Summary In multi‐breed livestock populations, dominance variance is found both between and within breeds for many economically important traits. Mate selection strategies were developed to exploit both types of dominance variation simultaneously, with the aim of maximizing genetic merit of progeny. The extended super‐breed model, in which breeds are viewed as groups of related and inbred animals within a ‘super‐breed’, was used to predict individual additive and dominance effects for use in mate selection. Performance of mate selection was assessed under a range of relative values of additive and dominance variances for one generation of breeding. Mate selection on total progeny merit, including additive effects, individual dominance effects, and value of heterosis, was the optimal breeding strategy at all values of (co)variance components, with improvements in total progeny performance of up to 12.5 % over truncation selection followed by random mating when dominance variance was large relative to total genetic variance. Improvement in progeny merit from mate selection, relative to truncation selection, followed by random mating or truncation selection, followed by mate allocation, was particularly great (up to 53 %) when there was considerable heterosis. Improvements were small if dominance variance was small relative to total genetic variance, and heterosis was low. If the target population is large, full mate selection on total progeny merit is computationally demanding, and unlikely to be practical. Alternative, less computationally demanding strategies made nearly optimal selection and mating decisions at some parameter estimates. Integrating multi‐breed genetic evaluation, using a superbreed model, with mate selection provides a powerful framework for the design of breeding programmes which exploit available sources of genetic merit.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».