50 Genomic selection in the dairy industry: excitement, challenges, and future directions
Notice bibliographique
Résumé
Abstract Dairy cattle, and Holsteins in particular, were the first major agricultural industry to fully embrace genomic selection (GS). Few of us had predicted that, by May 2019, the number of genotyped animals would exceed 3 million. Farmers are changing the frequency of individual alleles and making use of genomic information to select better bulls; identify elite embryo donors; determine if a cow should be bred with conventional, sexed or beef semen; become an embryo recipient or be culled. Our industry has traditionally been an open system, where top genetics are sourced from the general population and phenotypes are provided on a voluntary basis. Contractual agreements have allowed this system to continue and have been extended to access of data, differential pricing, international collaboration and more. Phenotypes no longer come from well designed, highly organized progeny testing programs but rather from paid contributors who provide data that are quality certified and representative of the population. Over time, we’ve improved our genome map, SNP chips, reference populations, statistical models, computing ability, data pipeline, and most importantly our knowledge of genetics. Combining different types of data from multiple sources continues to be a challenge. Interdisciplinary approach and collaboration with other scientists are now the norm. GS has caused a paradigm shift within the dairy industry. But, after 10 years, we are in a better position to more quickly integrate new scientific knowledge. Making our industry and the production of dairy products more efficient and sustainable.
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 | 0,015 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,006 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».