Use of marker haplotypes to refine covariances among relatives for breeding value estimation
Notice bibliographique
Résumé
Markers flanking DNA regions, where quantitative trait loci (QTL) have been previously spotted, can be used to trace the common inheritance of major genes for a better definition of covariances among animals. A practical approach to the use of marker data to refine the additive relationship matrix used in the traditional best linear unbiased prediction (BLUP) methodology is presented. The technique allows the number of the mixed model equations to be kept to an animal level, blending polygenic pedigree data with marker haplotype information. The advantage of this marker‐assisted selection (MAS) approach over BLUP selection has been assessed through a stochastic simulation. A finite locus model with 32 independent biallelic loci was generated with normally distributed allelic effects. The heritability of the trait, measured on both sexes and on females only, was set to 0.2 and 0.5. Five‐allelic markers 2, 10 and 20 cM apart, bracketed the QTL with the largest effect on the trait, accounting for 17% of the genetic variance. The bracketed QTL had two or eight alleles and its position was undefined within the bracket. Results show a moderate 2% advantage of MAS over BLUP in terms of higher genetic response when trait was recorded on both sexes and heritability was 0.2. The benefit is in the short term, but it lasts longer with polyallelic QTL. When the trait was recorded on females only, MAS produced only a small and insignificant genetic gain, but reduced the overall inbreeding in the population. MAS was also inefficient when heritability was 0.5.
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 ».