Editorial: Why Livestock Genomics for Developing Countries Offers Opportunities for Success
Notice bibliographique
Résumé
In the developing world, rural farmers rely on local breeds to play crucial roles aimed at ameliorating the effects of adverse environments and resources shortages in sustaining their livelihoods. The local breeds appear to be adapted to numerous unfavorable environmental stressors that include worsening droughts characterized by extreme temperatures and debilitating disease challenges, the epitome of low input production systems. Breeding and genetics research programs are striving to develop robust animals that are adapted to local conditions and can produce at optimal and sustainable levels under constrained environments. Elucidating the intertwined relationship between production environments and the genetics of animals, with the aim of establishing selection priorities and developing suitable improvement strategies, is critical. Previously, livestock improvement programs have failed to realize expected gains due to the lack of performance data, pedigree records and funding, and worsened by such factors as uncontrolled livestock breeding practices on communal pastures. Advances in livestock genomics have facilitated the generation of “big data” in genetics through the advent of whole genome/transcriptome sequencing, genome assemblies and genome-wide SNP genotyping. Regardless of the room for genetic gains in local breeds and the anticipated higher impact of genomics assisted breeding and selection, developing countries still lag behind in the uptake of genomic technologies. This Research Topic addresses the need for livestock genomics for developing countries through review articles, original research articles and considerations of future opportunities.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| 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 | 0,002 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».