56 Awardee Talk: Genetic Improvement of Disease Resilience
Notice bibliographique
Résumé
Abstract Infectious disease represents one of the largest cost components to the swine industry, incurring veterinary costs, loss of pigs due to mortality, reduced performance, and reduced animal welfare. Strategies to reduce the incidence and impact of infectious disease include biosecurity, vaccination, veterinary treatment, and selection for genetic resistance. However, biosecurity protocols that keep most infectious pathogens out are not feasible at the commercial level in hog-dense regions, effective vaccines are only available and/or efficacious for some pathogens, and complete genetic resistance is also limited to only a few pathogens (e.g. F18 E.coli) or is only possible to achieve by gene editing (e.g. the PRRS-resistant pig created by editing the CD163 gene). Given these limitations, commercial pigs will continue to be exposed to and infected by pathogens for the foreseeable future. In such a scenario, the ability of an animal to clear the infection while maintaining performance is an important characteristic, which is referred to as disease resilience and is a useful target for inclusion in breeding programs. However, collection of data on disease resilience for genetic improvement requires animals to be exposed to disease, which is not possible in the nucleus herds of breeding programs that most selection is practiced in. To study the genetic basis of disease resilience and develop phenotypes, genetic tests, or indicator traits that could be used to select for disease resilience, a polymicrobial natural disease challenge model was established in grow-finish pigs at the Center de Développement du Porc du Québec, in collaboration with PigGen Canada. The purpose of this presentation is to present results on phenotypes that are relevant to disease resilience, including estimates of genetic parameters, and on potential indicator traits for disease resilience that could be collected in nucleus herds. Funding by Genome Canada, Genome Alberta, PigGen Canada, and USDA NIFA grant #2017-67007-26144.
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 | 0,006 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,073 | 0,016 |
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 ».