Inferring phenotypic causal structures among feed efficiency traits in a commercial turkey population (Meleagris gallopavo)
Notice bibliographique
Résumé
Feed costs are significant in animal production, consequently improving feed efficiency in animals has long been a selection goal. Variance component estimates for feed efficiency traits have been reported in the literature, however, in order to optimize breeding programs and management, potential functional relationships between traits should be examined. The objective of this study was to infer the phenotypic causal networks among feed intake (FI), body weight gain (WG), metabolic mid-weight (MMW), residual feed intake (RFI) and residual feed intake & body weight gain (RIG). Data from 5,619 toms with feed efficiency data was used for the analysis. As the causal links between these traits were not known a priori, the inductive causation (IC) algorithm was applied to search for them based on the joint distribution of genetic effects obtained from a standard Bayesian multi-trait model (MTM). Different highest posterior density (HPD) intervals were applied for the IC algorithm. Although the HPD interval 95% detected undirected links among the traits, lower HPD intervals (90%, 85%, 80% and 75%) uncovered identical fully directed graphs. Estimates of genetic variances and covariances for downstream traits were not similar between the two modelling approaches and the heritability estimates for those traits were higher under the structural equation model. The functional relationships (i.e., direct genetic effects) showed that hard interventions on WG would affect FI, but the reverse would not hold true. Similarly, hard intervention on FI would affect RIG, but not conversely. These causal effects suggest favorable conditions for the joint improvement and selection of MMW and RFI. Higher MMW and RFI would lead to higher WG. It is well known that WG is strongly associated with FI and there is a negative relationship between FI and RIG. The results indicate that the functional relationships between these traits should be carefully considered in designing optimized breeding programs that target improving feed efficiency in turkeys. In addition, adding behavior traits to the model may increase knowledge about causal effects for feed efficiency traits. Keywords: feed efficiency, causal inference, residual feed intake Acknowledgments The authors gratefully acknowledge support from Hybrid Turkeys (Kitchener, Canada), Genome Canada (Ottawa, Canada), Ontario Genomics (Toronto, Canada), and Hendrix Genetics (Boxmeer, Netherlands).
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».