MétaCan
Menu
Retour à la cohorte
Enregistrement W4213266223 · doi:10.3390/foods11040518

Influence of Production Factors on Beef Primal Tissue Composition

2022· article· en· W4213266223 sur OpenAlexaff
Vipasha Sood, Argenis Rodas‐González, Stephanie Lam, Ó. López-Campos, José Segura, Timothy Schwinghamer, M.E.R. Dugan, J. A. Basarab, J.L. Aalhus, M. Juárez

Notice bibliographique

RevueFoods · 2022
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueGenetic and phenotypic traits in livestock
Établissements canadiensUniversity of AlbertaAgriculture and Agri-Food CanadaUniversity of Manitoba
Organismes subventionnairesnon disponible
Mots-clésMarbled meatLoinBreedCrossbreedLean tissueAnimal scienceComposition (language)BiologyProduction system (computer science)Food scienceBiotechnologyProduction (economics)Adipose tissueBiochemistry

Résumé

récupéré en direct d'OpenAlex

This study used 1076 crossbred steers to evaluate the effects of calf-fed and yearling-fed beef production systems, implant strategies (with and without implants), and their interactions on the primal tissue composition (lean and fat components) of individual primal cuts using complete carcass dissection data. The results indicate that production system × implant interactions affected loin and rib primal weight percentages as well as marbling (p < 0.05) but did not affect the dissectible lean and fat contents of the individual primal cut (p > 0.05). Implants increased lean and decreased fat tissue contents of primal cut; however, the production system only affected lean content in the loin (p < 0.05) and fat content in the loin, round, and rib (p < 0.05). Redundancy analysis revealed a strong association between Angus breed percentage and marbling, as well as between Simmental breed percentage and multiple primal lean traits. Response surface regression models explained less variability in the tissue composition traits in calf-fed compared with yearling-fed animals, suggesting the need for further exploration using genomic studies.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,261
Score d'incertitude au seuil0,271

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,245
Écart entre enseignants0,235 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFoodsMême sujetGenetic and phenotypic traits in livestockTravaux en français237 207