Accuracy of breeding values for production traits in turkeys (Meleagris gallopavo) using recursive models with or without genomics
Notice bibliographique
Résumé
BACKGROUND: Knowledge about potential functional relationships among traits of interest offers a unique opportunity to understand causal mechanisms and to optimize breeding goals, management practices, and prediction accuracy. In this study, we inferred the phenotypic causal networks among five traits in a turkey population and assessed the effect of the use of such causal structures on the accuracy of predictions of breeding values. METHODS: Phenotypic data on feed conversion ratio, residual feed intake, body weight, breast meat yield, and walking score in addition to genotype data from a commercial breeding population were used. Causal links between the traits were detected using the inductive causation algorithm based on the joint distribution of genetic effects obtained from a standard Bayesian multiple trait model. Then, a structural equation model was implemented to infer the magnitude of causal structure coefficients among the phenotypes. Accuracies of predictions of breeding values derived using pedigree- and blending-based multiple trait models were compared to those obtained with the pedigree- and blending-based structural equation models. RESULTS: In contrast to the two unconditioned traits (i.e., feed conversion ratio and breast meat yield) in the causal structures, the three conditioned traits (i.e., residual feed intake, body weight, and walking score) showed noticeable changes in estimates of genetic and residual variances between the structural equation model and the multiple trait model. The analysis revealed interesting functional associations and indirect genetic effects. For example, the structural coefficient for the path from body weight to walking score indicated that a 1-unit genetic improvement in body weight is expected to result in a 0.27-unit decline in walking score. Both structural equation models outperformed their counterpart multiple trait models for the conditioned traits. Applying the causal structures led to an increase in accuracy of estimated breeding values of approximately 7, 6, and 20% for residual feed intake, body weight, and walking score, respectively, and different rankings of selection candidates for the conditioned traits. CONCLUSIONS: Our results suggest that structural equation models can improve genetic selection decisions and increase the prediction accuracy of breeding values of selection candidates. The identified causal relationships between the studied traits should be carefully considered in future turkey breeding programs.
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 | 0,005 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».