Genetic analysis of disease resilience of wean-to-finish pigs under a natural disease challenge model using reaction norms
Notice bibliographique
Résumé
BACKGROUND: Disease resilience is the ability to maintain performance across environments with different disease challenge loads (CL). A reaction norm describes the phenotypes that a genotype can produce across a range of environments and can be implemented using random regression models. The objectives of this study were to: (1) develop measures of CL using growth rate and clinical disease data recorded under a natural polymicrobial disease challenge model; and (2) quantify genetic variation in disease resilience using reaction norm models. METHODS: Different CL were derived from contemporary group effect estimates for average daily gain (ADG) and clinical disease phenotypes, including medical treatment rate (TRT), mortality rate, and subjective health scores. Resulting CL were then used as environmental covariates in reaction norm analyses of ADG and TRT in the challenge nursery and finisher, and compared using model loglikelihoods and estimates of genetic variance associated with CL. Linear and cubic spline reaction norm models were compared based on goodness-of-fit and with multi-variate analyses, for which phenotypes were separated into three traits based on low, medium, or high CL. RESULTS: Based on model likelihoods and estimates of genetic variance explained by the reaction norm, the best CL for ADG in the nursery was based on early ADG in the finisher, while the CL derived from clinical disease traits across the nursery and finisher was best for ADG in the finisher and for TRT in the nursery and across the nursery and finisher. With increasing CL, estimates of heritability for nursery and finisher ADG initially decreased, then increased, while estimates for TRT generally increased with CL. Genetic correlations for ADG and TRT were low between high versus low CL, but high for close CL. Linear reaction norm models fitted the data significantly better than the standard genetic model without genetic slopes, while the cubic spline model fitted the data significantly better than the linear reaction norm model for most traits. Reaction norm models also fitted the data better than multi-variate models. CONCLUSIONS: Reaction norm models identified genotype-by-environment interactions related to disease CL. Results can be used to select more resilient animals across different levels of CL, high-performance animals at a given CL, or a combination of these.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| 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 ».