Prediction of Genetic Resistance for Scrapie in Ungenotyped Sheep Using a Linear Animal Model
Notice bibliographique
Résumé
Selection based on scrapie genotypes could improve the genetic resistance for scrapie in sheep. However, in practice, few animals are genotyped. The objectives were to define numerical values of scrapie resistance genotypes and adjust for their non-additive genetic effect; evaluate prediction accuracy of ungenotyped animals using linear animal model; and predict and assess selection response based on estimated breeding values (EBV) of ungenotyped animals. The scrapie resistance (SR) was defined by ranking scrapie genotypes from low (0) to high (4) resistance based on genotype risk groups and was also adjusted for non-additive genetic effect of the haplotypes. Genotypes were simulated for 1,671,890 animals from pedigree. The simulated alleles were assigned to scrapie haplotypes in two scenarios of high (SRh) and low (SRl) resistance populations. A sample of 20,000 genotyped animals were used to predict ungenotyped using animal model. Prediction accuracies for ungenotyped animals for SRh and SRl were 0.60 and 0.54, and for allele content were from 0.41 to 0.71, respectively. Response to selection on SRh and SRl increased SR by 0.52 and 0.28, and on allele content from 0.13 to 0.50, respectively. In addition, the selected animals had large proportion of homozygous for the favorable haplotypes. Thus, pre-selection prior to genotyping could reduce genotyping costs for breeding programs. Using a linear animal model to predict SR makes better use of available information for the 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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».