33 Quantifying Resilience from Individual Feed Intake Data in a Natural Disease Challenge Model for Growing Pigs.
Notice bibliographique
Résumé
Quantifying resilience in a health challenged environment could be beneficial to add information in commercial crossbred testing systems beyond mortality. Mortality and treatment records can be biased due to the subjective nature of euthanizing or treating individuals. Mortality may also capture other problems (e.g. ruptures) that are not linked to disease resilience. Objective measures would help quantify resilience to disease and other stressors. Feed intake is sensitive to disease due to the physiological effects of illness on feed intake. To study resilience, a natural challenge model was set up in Quebec, Canada. Every three weeks, batches of ~60-75 F1 (Large White x Landrace) healthy weaned barrows were sent to a high health quarantine nursery to take pre-challenge samples for potential predictors of resilience and then sent to the challenge facility after ~3 weeks. From the first 1341 animals, two separate measures of resilience were calculated using individual daily feed intake. The first involved regressing daily feed intake (FI) or duration at the feeder (DUR) on age and extracting the root mean square error (RMSE) within individual (RMSEFI and RMSEDUR, respectively). The second measure was computed as the percentage of negative residuals for an animal from quantile regression of FI on age using the 0.05 quantile across animals (FIQR05), which were classified as sick days. Mortality (0/1) and treatment rate per day times 180 days (TRT180) were used to validate the resilience measures. Heritability estimates for RMSEFI, RMSEDUR, and FIQR05 were 0.22 (±0.07), 0.25 (±0.08), and 0.17 (±0.06), respectively. Heritability estimates for mortality and TRT180 were 0.13 (0.05) and 0.29 (0.07). The genetic correlation between mortality and TRT180 was 0.93 (±0.14). RMSEFI and RMSEDUR had a genetic correlation with mortality of 0.54 (±0.36) and 0.65 (±0.35), respectively. RMSEFI and RMSEDUR had genetic correlations with TRT180 of 0.56 (±0.20) and 0.64 (±0.14), respectively. FIQR05 showed positive genetic correlations of 0.40 (±0.40) and 0.87 (±0.10) with mortality and TRT180, respectively. FIQR05 also showed moderate to strong negative genetic correlations of -0.70 (±0.18) and -0.76 (±0.19) with finishing average daily gain (ADG) and average daily feed intake (ADFI). RMSE measures showed lower genetic correlations with ADG and ADFI (-0.31 ± 0.27 and -0.19 ± 0.26 for RMSEFI and RMSEDUR, respectively). This research demonstrates that resilience measures that are genetically correlated with mortality and treatment rate can be extracted from feed intake data. Funding from Genome Alberta (ALGP2), Genome Canada, and PigGen Canada.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».