Genetic analysis of egg production traits in turkeys (Meleagris gallopavo) using a single-step genomic random regression model
Notice bibliographique
Résumé
BACKGROUND: Egg production traits are economically important in poultry breeding programs. Previous studies have shown that incorporating genomic data can increase the accuracy of genetic prediction of egg production. Our objective was to estimate the genetic and phenotypic parameters of such traits and compare the prediction accuracy of pedigree-based random regression best linear unbiased prediction (RR-PBLUP) and genomic single-step random regression BLUP (RR-ssGBLUP). Egg production was recorded on 7422 birds during 24 consecutive weeks from first egg laid. Hatch-week of birth by week of lay and week of lay by age at first egg were fitted as fixed effects and body weight as a covariate, while additive genetic and permanent environment effects were fitted as random effects, along with heterogeneous residual variances over 24 weeks of egg production. Predictions accuracies were compared based on two statistics: (1) the correlation between estimated breeding values and phenotypes divided by the square root of the trait heritability, and (2) the ratio of the variance of BLUP predictions of individual Mendelian sampling effects divided by one half of the estimate of the additive genetic variance. RESULTS: Heritability estimates along the production trajectory obtained with RR-PBLUP ranged from 0.09 to 0.22, with higher estimates for intermediate weeks. Estimates of phenotypic correlations between weekly egg production were lower than the corresponding genetic correlation estimates. Our results indicate that genetic correlations decreased over the laying period, with the highest estimate being between traits in later weeks and the lowest between early weeks and later ages. Prediction accuracies based on the correlation-based statistic ranged from 0.11 to 0.44 for RR-PBLUP and from 0.22 to 0.57 for RR-ssGBLUP using the correlation-based statistic. The ratios of the variances of BLUP predictions of Mendelian sampling effects and one half of the additive genetic variance ranged from 0.17 to 0.26 for RR-PBLUP and from 0.17 to 0.34 for RR-ssGBLUP. Although the improvement in accuracies from RR-ssGBLUP over those from RR-PBLUP was not uniform over time for either statistic, accuracies obtained with RR-ssGBLUP were generally equal to or higher than those with RR-PBLUP. CONCLUSIONS: Our findings show the potential advantage of incorporating genomic data in genetic evaluation of egg production traits using random regression models, which can contribute to the genetic improvement of egg production in turkey populations.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 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 ».