MétaCan
Menu
Retour à la cohorte
Enregistrement W4282971553 · doi:10.3389/fgene.2022.942747

Editorial: Epigenetic Variation Influences on Livestock Production and Disease Traits

2022· editorial· en· W4282971553 sur OpenAlexaff
Eveline M. Ibeagha‐Awemu, Hélène Kiefer, Stephanie McKay, George E. Liu

Notice bibliographique

RevueFrontiers in Genetics · 2022
Typeeditorial
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueGenetic Mapping and Diversity in Plants and Animals
Établissements canadiensAgriculture and Agri-Food Canada
Organismes subventionnairesnon disponible
Mots-clésLivestockGenomicsEpigeneticsBiologyProduction (economics)GenomeBiotechnologyGeneticsEcologyGene

Résumé

récupéré en direct d'OpenAlex

Epigenetic Variation Influences on Livestock Production and Disease TraitsThe epigenome source of variation modulates gene expression without involving changes to the DNA sequence and is an underutilized source of information that may contribute to improved disease management, reproduction, productivity, and environmental adaptation of livestock.The epigenome which comprises DNA methylation, histone tail modifications, chromatin remodeling, and non-coding RNA species that can transmit epigenetic information (e.g.microRNAs and long non-coding RNAs, etc.) responds to environmental factors (nutrition, pathogens, and climate, etc.) to influence the expression of genes and the emergence of specific phenotypes.Increasing evidence indicates that phenotypic expression results from multi-level interactions between the genome, epigenome, environmental factors, and other non-genetic factors.Furthermore, numerous lines of evidence suggest the influence of epigenome variation on livestock production (e.g.milk production), disease traits, reproduction, and environmental adaptation.Given that livestock breeding depends heavily on the interaction between host genetics, environment (e.g.cold or warm climate, nutrition, pathogens, etc.), physiology (e.g.age) and management practices (e.g.type of feed material, form/ quantity of feed), many of which impact the epigenome, it is imperative that attention should be given to epigenome characterization and application in livestock breeding and disease management.Therefore, the aim of this Research Topic is to collect research data on the influences of epigenome alterations (DNA methylation, RNA methylation, histone tail modifications and chromatin remodeling) on livestock production traits, to facilitate gainful use of this important source of variation to support continued improvement in livestock traits and disease management.Non-coding RNA data on livestock is already covered by other Research Topics and is excluded from this topic.This Research Topic collates four review articles and 19 original research articles covering major topics in epigenetics (DNA methylation, RNA methylation, and histone modification) in relation to livestock health, reproduction, production and response to stress and environmental perturbations in many livestock species, including cattle (seven articles), chicken (five articles), sheep (three articles), pig (two articles), yak (one article), and pearl oyster (one article).Although, many livestock species and a broad range of epigenomics alterations are covered, there is a bias towards DNA methylation alterations and more concentration on cattle, highlighting the need to widen/intensify research efforts to include all livestock species as well as address more issues of health and productivity, which is vital for

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Éditorial · Signal consensuel: Éditorial
Score de désaccord entre enseignants0,026
Score d'incertitude au seuil0,086

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,012
Méta-épidémiologie (sens strict)0,0030,001
Méta-épidémiologie (sens large)0,0030,003
Bibliométrie0,0020,001
Études des sciences et des technologies0,0020,002
Communication savante0,0050,003
Science ouverte0,0040,001
Intégrité de la recherche0,0100,011
Charge utile insuffisante (le modèle a refusé de juger)0,0260,015

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 Opus0,006
Tête enseignante GPT0,219
Écart entre enseignants0,213 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreÉditorial

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

En bref

Citations10
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in GeneticsMême sujetGenetic Mapping and Diversity in Plants and AnimalsTravaux en français237 207