MétaCan
Menu
← Retour à la cohorte
Enregistrement W3109653047 · doi:10.1093/jas/skaa278.335

396 Gaps and tips in the development of probiotics for swine production

2020· article· en· W3109653047 sur OpenAlexaff
Joshua Gong, Chengbo Yang

Notice bibliographique

RevueJournal of Animal Science · 2020
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAnimal Nutrition and Physiology
Établissements canadiensUniversity of ManitobaAgriculture and Agri-Food Canada
Organismes subventionnairesnon disponible
Mots-clésProbioticBiotechnologyBiologySelection (genetic algorithm)Consistency (knowledge bases)Animal productionAnimal healthProduction (economics)European unionDomestic animalComputational biologyBusinessComputer scienceGeneticsArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Abstract Probiotics have long been used in food animal production to improve animal health and nutrition. This practice has received an extensive interest after European Union countries restricted the use of antibiotics as animal growth promoters (AGP). Although probiotics have good potential to replace AGPs by offering various benefits to animal hosts in general, their efficacy and consistency remain to be a challenge in application. Developing scientific evidence-based probiotics is thus critical to resolve the issue. The current presentation points out the major gaps in the development and application of probiotics and is focused on the tips that can be used to select novel probiotic isolates with efficacy and specificity. These have been illustrated by the authors’ research. For instance, the efficiency of probiotic selection is largely limited by the use of farm animals and how a lab animal model can be used to speed up the selection and reveal the molecular mechanisms underlying probiotic effects. The potential of advanced genomic approaches in identifying such probiotics and determining their molecular mechanisms is also discussed using an unique example in the field, which is relevant to the control of diarrhea in piglets.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,012
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,065

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0120,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0040,004
Science ouverte0,0010,002
Intégrité de la recherche0,0030,003
Charge utile insuffisante (le modèle a refusé de juger)0,0080,003

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.

Tête enseignante Opus0,063
Tête enseignante GPT0,266
Écart entre enseignants0,203 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Animal Science→Même sujetAnimal Nutrition and Physiology→Travaux en français237 207→