758 Understanding the nature of complex phenotypes in beef cattle using systems biology
Notice bibliographique
Résumé
In recent years, breeders have combined the use of phenotypic appraisal and the estimation of breeding values (EPD) to make genetic selection decisions in beef and dairy cattle that have resulted in a steady genetic gain of 2% per year. However, the most extensive application of genomics has occurred in the dairy industry with the estimation of molecular breeding values that has improved selection efficiency to a much higher order of magnitude. Despite a growing molecular and physiological understanding of complex traits, little is known about the genes determining the traits and their precise function, and a significant unexplained source of variation of phenotypes remains in livestock. Within this context, a more complete understanding of the genes and regulatory pathways and networks involved in economically important traits (i.e. fertility and reproduction, feed efficiency, meat quality and carcass traits) in beef cattle will provide knowledge to help improve genetic selection and reproductive management. Currently, with all the new available technologies in livestock combined with statistical methodologies, the integration of structural and functional genomics information with other –OMICS into a systems biology approach has allowed development of a better biological understanding of phenotypes complementing the traditional genetic tools and further advance identification of functional genes. As part of the genomics tool box and the HD-genotyping SNP chips, whole genome sequencing technologies are now available in cattle and extensively utilized in genetic improvement. As a part of high throughput tools available for genomic analysis, RNA-Sequencing allows measuring not only gene expression, but also examining genome structure identifying SNP and other structural variation such as insertions, deletions and splice variants. The expectation is that the integration of all these types of genomic data will accelerate the genetic improvement by improving accuracy of selection and reducing the generation interval. Combining the information from the –OMICS technologies (i.e., transcriptomics, metagenomics, metabolomics, amongst several others) together with metabolic pathways and functional/biological analysis into a systems biology approach allows the identification of functional SNP increasing the accuracy of selection. The particular benefits of new integrated high-throughput genomics technologies within a systems biology approach will most likely be used to accelerate the genetic improvement of those traits that are difficult to measure such as health, feed efficiency, methane emission and fertility and reproduction traits in beef cattle.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».