Integration of genomic information into beef cattle and sheep genetic evaluations in Australia
Notice bibliographique
Résumé
Genomic information has the potential to change the way beef cattle and sheep are selected and to substantially increase genetic gains. Ideally, genomic data will be used in combination with pedigree and phenotypic data to increase the accuracy of estimated breeding values (EBVs) and selection indexes. The first example of this in Australia was the integration of four markers for tenderness into beef cattle breeding values. Subsequently, the availability of high-density single nucleotide polymorphism (SNP) panels has made selection using genomic information possible, while at the same time creating significant challenges for genetic evaluation with regard to both data management and statistical modelling. Reference populations have been established in both the beef cattle and sheep industries, in which an extensive range of phenotypes have been collected and animals genotyped mainly using 50K SNP panels. From this information, genomic predictions of breeding value have been developed, albeit with varying levels of accuracy. These predictions have been incorporated into routine genetic evaluations using three approaches and trial results are now available to breeders. In the first, genomic predictions have been included in genetic evaluation models as additional traits. The challenges with this method have been the construction of consistent genetic covariance matrices, and a significant increase in computing time. The second approach has been to use a selection index procedure to blend genomic predictions with existing EBVs. This method has been shown to produce very similar results, and has the advantage of being simple to implement and fast to operate, although consistent genetic covariance matrices are still required. Third, in sheep a single-step analysis combining a genomic relationship matrix with a standard pedigree-based relationship matrix has been used to estimate breeding values for carcass and eating-quality traits. It is likely that this procedure or one similar will be incorporated into routine evaluations in the near future. While significant progress has been made in implementing methods of integrating genomic information in both beef and sheep evaluations in Australia, the major challenges for the future will be to continue to collect the phenotypes needed to derive accurate genomic predictions, and in managing much larger volumes of genomic data as the number of animals genotyped and the density of markers increase.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».