Accuracy of predicting genomic breeding values for carcass merit traits in <scp>A</scp>ngus and <scp>C</scp>harolais beef cattle
Notice bibliographique
Résumé
Accuracy of predicting genomic breeding values for carcass merit traits including hot carcass weight, longissimus muscle area (REA), carcass average backfat thickness (AFAT), lean meat yield (LMY) and carcass marbling score (CMAR) was evaluated based on 543 Angus and 400 Charolais steers genotyped on the Illumina BovineSNP50 Beadchip. For the genomic prediction within Angus, the average accuracy was 0.35 with a range from 0.32 (LMY) to 0.37 (CMAR) across different training/validation data-splitting strategies and statistical methods. The within-breed genomic prediction for Charolais yielded an average accuracy of 0.36 with a range from 0.24 (REA) to 0.46 (AFAT). The across-breed prediction had the lowest accuracy, which was on average near zero. When the data from the two breeds were combined to predict the breeding values of either breed, the prediction accuracy averaged 0.35 for Angus with a range from 0.33 (REA) to 0.39 (CMAR) and averaged 0.33 for Charolais with a range from 0.18 (REA) to 0.46 (AFAT). The prediction accuracy was slightly higher on average when the data were split by animal's birth year than when the data were split by sire family. These results demonstrate that the genetic relationship or relatedness of selection candidates with the training population has a great impact on the accuracy of predicting genomic breeding values under the density of the marker panel used in this study.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 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 ».