Across‐country genomic predictions in Norwegian and New Zealand Composite sheep populations with similar development history
Notice bibliographique
Résumé
The goal of this study was to assess the feasibility of across-country genomic predictions in Norwegian White Sheep (NWS) and New Zealand Composite (NZC) sheep populations with similar development history. Different training populations were evaluated (i.e., including only NWS or NZC, or combining both populations). Predictions were performed using the actual phenotypes (normalized) and the single-step GBLUP via Bayesian inference. Genotyped NWS animals born in 2016 (N = 267) were used to assess the accuracy and bias of genomic estimated breeding values (GEBVs) predicted for birth weight (BW), weaning weight (WW), carcass weight (CW), EUROP carcass classification (EUC), and EUROP fat grading (EUF). The accuracy and bias of GEBVs differed across traits and training population used. For instance, the GEBV accuracies ranged from 0.13 (BW) to 0.44 (EUC) for GEBVs predicted including only NWS, from 0.06 (BW) to 0.15 (CW) when including only NZC, and from 0.10 (BW) to 0.41 (EUC) when including both NWS and NZC animals in the training population. The regression coefficients used to assess the spread of GEBVs (bias) ranged from 0.26 (BW) to 0.64 (EUF) for only NWS, 0.10 (EUC) to 0.52 (CW) for only NZC, and from 0.42 (WW) to 2.23 (EUC) for both NWS and NZC in the training population. Our findings suggest that across-country genomic predictions based on ssGBLUP might be possible for NWS and NZC, especially for novel traits.
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 | 0,004 | 0,006 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».