Selection for Favorable Health Traits: A Potential Approach to Cope with Diseases in Farm Animals
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Disease is a global problem for animal farming industries causing tremendous economic losses (>USD 220 billion over the last decade) and serious animal welfare issues. The limitations and deficiencies of current non-selection disease control methods (e.g., vaccination, treatment, eradication strategy, genome editing, and probiotics) make it difficult to effectively, economically, and permanently eliminate the adverse influences of disease in the farm animals. These limitations and deficiencies drive animal breeders to be more concerned and committed to dealing with health problems in farm animals by selecting animals with favorable health traits. Both genetic selection and genomic selection contribute to improving the health of farm animals by selecting certain health traits (e.g., disease tolerance, disease resistance, and immune response), although both of them face some challenges. The objective of this review was to comprehensively review the potential of selecting health traits in coping with issues caused by diseases in farm animals. Within this review, we highlighted that selecting health traits can be applied as a method of disease control to help animal agriculture industries to cope with the adverse influences caused by diseases in farm animals. Certainly, the genetic/genomic selection solution cannot solve all the disease problems in farm animals. Therefore, management, vaccination, culling, medical treatment, and other measures must accompany selection solution to reduce the adverse impact of farm animal diseases on profitability and animal welfare.
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.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 découle