Developing a genome-wide selection model for genetic improvement of residual feed intake and carcass merit in a beef cattle breeding program
Notice bibliographique
Résumé
Residual feed intake (RFI) and carcass merit (CM) are both complex traits emerging as critical targets for beef genetic improvement. RFI and CM traits are difficult and expensive to measure and genetic improvement for these traits through traditional selection methods is not very effective. Therefore, genome-wide selection using DNA markers may be a potential alternative for genetic improvement of these traits. In this study, the efficiency of a genome-wide selection model for genetic improvement of RFI and CM was assessed. The Illumina Bovine50K bead chip was used to genotype 922 beef cattle from the Kinsella Beef Research Ranch of the University of Alberta. A Bayes model and multiple marker regression using a stepwise method were used to conduct the association test. The number of significant SNP markers for carcass weight (CWT), carcass back fat (BF), carcass rib eye area (REA), carcass grade fat (GDF), lean meat yield (LMY), and residual feed intake (RFI) were 75, 54, 67, 57, 44 and 50, respectively. Bi-variate analysis of marker scores and phenotypes for all traits were made using DMU Software. The genetic parameter for each trait was estimated. The genetic correlations of marker score and phenotype for CWT, BF, REA, GDF, LMY and RFI were 0.75, 0.69, 0.87, 0.77, 0.78, and 0.85, respectively. The average prediction accuracies of phenotypic EBV for the six traits were increased by 0.05, 0.16, 0.24, 0.23, 0.17 and 0.19, respectively. The results of this study indicated that the two-trait marker-assisted evaluation model used was a suitable alternative of genetic evaluation for these traits in beef cattle.
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 | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».