Breeding for disease resilience: opportunities to manage polymicrobial challenge and improve commercial performance in the pig industry
Notice bibliographique
Résumé
Disease resilience, defined as an animal's ability to maintain productive performance in the face of infection, provides opportunities to manage the polymicrobial challenge common in pig production. Disease resilience can deliver a number of benefits, including more sustainable production as well as improved animal health and the potential for reduced antimicrobial use. However, little progress has been made to date in the application of disease resilience in breeding programs due to a number of factors, including (1) confusion around definitions of disease resilience and its component traits disease resistance and tolerance, and (2) the difficulty in characterizing such a complex trait consisting of multiple biological functions and dynamic elements of rates of response and recovery from infection. Accordingly, this review refines the definitions of disease resistance, tolerance, and resilience based on previous studies to help improve the understanding and application of these breeding goals and traits under different scenarios. We also describe and summarize results from a "natural disease challenge model" designed to provide inputs for selection of disease resilience. The next steps for managing polymicrobial challenges faced by the pig industry will include the development of large-scale multi-omics data, new phenotyping technologies, and mathematical and statistical methods adapted to these data. Genome editing to produce pigs resistant to major diseases may complement selection for disease resilience along with continued efforts in the more traditional areas of biosecurity, vaccination and treatment. Altogether genomic approaches provide exciting opportunities for the pig industry to overcome the challenges provided by hard-to-manage diseases as well as new environmental challenges associated with climate change.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».