9 A comparison of different genomic prediction methods in the Canadian Landrace swine population
Notice bibliographique
Résumé
Abstract Increasing the accuracy of breeding value prediction can lead to more profitability through accelerating genetic progress for economic traits. The objective of this study was to assess the predictive abilities and unbiasedness of best linear unbiased prediction (BLUP) and popular genomic prediction methods of BayesC, BayesC(π = 0.99), genomic BLUP (GBLUP), and single-step GBLUP (ssGBLUP). Genotypic information (50K and 60K) of 4,890 performance tested Landrace pigs before February 2019 and 471 validation Landrace pigs that both had phenotypic information on backfat thickness (BFT), average daily gain (ADG), and loin muscle depth (LMD) from two Canadian pig breeding companies (AlphaGene and Alliance Genetics Canada) were used. The de-regressed breeding values (DEBV) were employed in GBLUP and Bayesian methods. A total number of 48,580 single nucleotide polymorphisms remained after quality control and imputation steps. The prediction accuracies were calculated using the correlation between predicted breeding values before performance test and DEBVs after performance test. All employed genomic prediction methods showed higher prediction accuracies for BFT (50.80–52.68%), ADG (26.61–34.47%), and LMD (18.25–25.08%) compared to BLUP method (BFT = 28.54%, ADG = 16.41%, LMD = 17.15%). The highest prediction accuracies for BFT and ADG were obtained using ssGBLUP method, and for LMD it was obtained using BayesC(π = 0.99). The BayesC(π = 0.99) showed also the lowest prediction biases across the studied traits (+0.05 for BFT, 0.00 for AGD, and -0.10 for LMD). In conclusion, our results revealed the superiority of ssGBLUP (for BFT and ADG) and BayesC(π = 0.99) (for LMD) over other tested methods in this study. However, the prediction accuracies from the tested genomic prediction methods were not significantly different from each other. Thus, employing these methods can be helpful for accelerating the genetic improvement of BFT, ADG, and LMD in the moderate population size of Canadian Landrace.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 ».