Genetic management of Dutch golden retriever dogs with a simulation tool
Notice bibliographique
Résumé
Excessive inbreeding rates and small effective population sizes are an important problem in many populations of dogs. Proper genetic management of these populations can decrease the problem, and several measures are available. However, the effectiveness of these measures is not clear beforehand. Therefore, a simulation model was developed to test measures that aim to decrease the rate of inbreeding. The simulation program was used to evaluate inbreeding restriction measures in the Dutch golden retriever dog population. This population consisted of approximately 600 dams and 150 sires that produce 300 litters each year. The five most popular sires sire approximately 25% of the litters in a year. Simulations show that the small number of popular sires and their high contribution to the next generation are the main determinants of the inbreeding rates. Restricting breeding to animals with a low average relatedness to all other animals in the population was the most effective measure and decreased the rate of inbreeding per generation from 0.41 to 0.12%. Minimizing co-ancestry of parents was not effective in the long run, but decreased variation in inbreeding rates. Restricting the number of litters per sire generally decreased the generation interval because sires were replaced more quickly, once they met their restriction. In some instances, this lead to an increase in inbreeding rates because the next generations were more related. The simulation tool proved to be a powerful and educational tool for deciding which breeding restrictions to apply, and can be effective in different breeds and species as well.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».