P5057 Use of genomics to simultaneously improve feed efficiency and meat quality in grow-finish pigs
Notice bibliographique
Résumé
For the pig industry, feed is the largest cost of production, with the largest proportion (approx. 74%) consumed in the grow-finish phase. Efforts to improve grow-finish feed conversion will significantly reduce production costs and consequently increase total profitability. Feed efficiency is usually defined as lean growth efficiency evaluated through feed intake, daily gain, loin depth and backfat thickness, but without any focus on pork quality. Better pork quality is another high priority for the pork industry to satisfy consumer demand for an enhanced eating experience. Selection based on pedigree and phenotype have shown that high emphasis on lean growth efficiency improves feed efficiency (lower feed intake and higher lean growth), but also reduces pork quality in terms of less marbling and tenderness, and lower pH and lighter meat color (Suzuki et al. J. Anim. Sci. 2005, 83: 2058–2065; Gilbert et al. J. Anim. Sci. 2006, 85: 3182–3188; Cai et al. J. Anim. Sci. 2008, 86: 287–298; 2008; Lefaucheur et al. J. Anim. Sci. 2011, 89: 996–1010). Improving lean growth efficiency without deterioration of pork quality is now a priority. We have performed large scale genomic studies with industry on both feed efficiency and meat quality for grow-finish pigs. We are utilizing whole genome sequence and different densities of SNP genotypes (60K, 80K and 650K) for genome-wide association studies. Our aims are to investigate the genetic architectures and relationships between these economically important traits and to develop genomic tools to increase genetic gain for both feed efficiency and meat quality. Significant genomic regions and markers have been identified for feed intake, loin depth, backfat thickness, meat color, pH, drip loss and marbling. Preliminary genomic prediction results show high accuracy for most feed efficiency component traits, but somewhat lower for meat quality. We are continuing to optimize the genomic selection methods by making good use of such abundant information to improve prediction power and validate the accuracy of the genomic estimated breeding values.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».