Genetic management of Dutch golden retriever dogs with a simulation tool
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 découle