PSVII-27 Genetic analysis of disease resilience of nursery-to-finish pigs under a natural disease challenge model using reaction norms
Notice bibliographique
Résumé
Abstract Disease resilience is the ability of an animal to maintain performance across environments with different disease challenge loads (CL) and can be quantified using random regression reaction norm models that describe phenotype as a function of CL. Objectives of this study were to: 1) develop measures of CL using growth rate and clinical disease phenotypes under a natural disease challenge; 2) evaluate genetic variation in disease resilience. Data used were late nursery and finisher growth rates and clinical disease phenotypes, including medical treatment and mortality rates, and subjective health scores, collected on 50 batches of 60/75 crossbred (LRxY) barrows under a polymicrobial natural disease challenge. All pigs were genotyped using a 650K SNP panel. Different CL were derived from estimates of contemporary group effects and used as environmental covariates in reaction norm analyses of average daily gain (ADG) and treatment rate (TRT). The CL were compared based on model loglikelihoods and estimates of genetic variance, using both linear and cubic spline reaction norm models. Linear reaction norm models fitted the data significantly better than the standard genetic model and the cubic spline models fitted the data significantly better than the linear reaction norm model for most traits. CL based on early finisher ADG provided the best fit for nursery ADG, while CL based on clinical disease phenotypes was best for finisher ADG and TRT. With increasing CL, estimates of heritability for ADG initially decreased and then increased, while estimates of heritability for TRT generally increased with CL. Genetic correlations were low between ADG or TRT at high versus low CL but high for close CLs. Results can be used to select more resilient pigs across different CL levels, or high-performance animals at a given CL level, or a combination of these. Funded by Genome Canada, Genome Alberta, USDA-NIFA, and PigGenCanada.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».