Serum Metabolite Biomarkers for Predicting Residual Feed Intake (RFI) of Young Angus Bulls
Notice bibliographique
Résumé
Residual feed intake (RFI) is a feed efficiency measure commonly used in the livestock industry to identify animals that efficiently/inefficiently convert feed into meat or body mass. Selection for low-residual feed intake (LRFI), or feed efficient animals, is gaining popularity among beef producers due to the fact that LRFI cattle eat less and produce less methane per unit weight gain. RFI is a difficult and time-consuming measure to perform, and therefore a simple blood test that could distinguish high-RFI (HRFI) from LRFI animals (early on) would potentially benefit beef farmers in terms of optimizing production or selecting which animals to cull or breed. Using three different metabolomics platforms (nuclear magnetic resonance (NMR) spectrometry, liquid chromatography-tandem mass spectrometry (LC-MS/MS), and inductively coupled plasma mass spectrometry (ICP-MS)) we successfully identified serum biomarkers for RFI that could potentially be translated to an RFI blood test. One set of predictive RFI biomarkers included formate and leucine (best for NMR), and another set included C4 (butyrylcarnitine) and LysoPC(28:0) (best for LC-MS/MS). These serum biomarkers have high sensitivity and specificity (AUROC > 0.85), for distinguishing HRFI from LRFI animals. These results suggest that serum metabolites could be used to inexpensively predict and categorize bovine RFI values. Further validation using a larger, more diverse cohort of cattle is required to confirm these findings.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| 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 | 0,000 | 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 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 ».