Evaluation of feed efficiency traits in different Hereford populations and their effect on variance component estimation
Notice bibliographique
Résumé
Context Residual feed intake is a relevant trait for beef cattle, given the positive impact on reducing feeding costs and greenhouse gas emissions. The lack of large databases is a restriction when estimating accurate genetic parameters for dry matter intake (DMI) and residual feed intake (RFI), and combining different data sets could be an alternative to increase the amount of data and achieve better estimations. Aim The main objective was to compare Uruguayan data (URY; 780 bulls) and Canadian data (CAN; 1597 bulls), and to assess the adequacy of pooling both data sets (ALL) for the estimation of genetic parameters for DMI and RFI. Methods Feed intake and growth traits phenotypes in both data sets were measured following the same protocols established by the Beef Improvement Federation. Pedigree connections among data sets existed, but were weak. Performance data were analysed for each data set, and individual partial regression coefficients for each energy sink on DMI were obtained and compared. Univariate and multivariate variance components were estimated by the restricted maximum likelihood (REML) for DMI, RFI and their energy sinks traits (average daily gain, metabolic mid weight and back fat thickness). Key results There were some differences in phenotypic performance among data (P < 0.01); however, no differences (P > 0.1) were observed for phenotypic values of RFI between sets. Heritability estimates for DMI were 0.42 (URY), 0.41 (CAN) and 0.45 for ALL data, whereas heritability estimates for RFI were 0.34 (URY), 0.20 (CAN) and 0.25 for ALL data. The results obtained indicate selection on reducing RFI could lead to a decrease in DMI, without compromising other performance traits, as genetic correlations between RFI, growth and liveweight were low or close to 0 (-0.12–0.07). Conclusions As genetic parameters were similar between national data sets (URY, CAN), pooling data (ALL) provided more accurate parameter estimations, as they presented smaller standard deviations, especially in multivariate analysis. Implications Parameters estimated here may be used in international or national genetic evaluation programs.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».