Use of dry-matter intake recorded at multiple time periods during lactation increases the accuracy of genomic prediction for dry-matter intake and residual feed intake in dairy cattle
Notice bibliographique
Résumé
Context Feed is the largest expense on a dairy farm, therefore improving feed efficiency is important. Recording dry-matter intake (DMI) is a prerequisite for calculating feed efficiency. Genetic variation of feed intake and feed efficiency varies across lactation stages and parities. DMI is an expensive and difficult-to-measure trait. This raises the question of which time periods during lactation would be most appropriate to measure DMI. Aims The aim was to evaluate whether sequence variants selected from genome-wide association studies (GWAS) for DMI recorded at multiple lactation time periods and parities would increase the accuracy of genomic estimated breeding values (GEBVs) for DMI and residual feed intake (RFI). Methods Data of 2274 overseas lactating cows were used for the GWAS to select sequence variants. GWAS was performed using the average of the DMI phenotypes in a 30-day window of six different time periods across the lactation. The most significant sequence variants were selected from the GWAS at each time period for either first or later parities. GEBVs for DMI and RFI in Australian lactating cows were estimated using BayesRC with 50 k single nucleotide polymorphisms (SNPs) and selected GWAS sequence variants. Key results There were differences in DMI genomic correlations and heritabilities between first and later parities and within parity across lactation time periods. Compared with using 50 k single-nucleotide polymorphisms (SNPs) only, the accuracy of DMI GEBVs increased by up to 11% by using the 50 k SNPs plus the selected sequence variants. Compared with DMI, the increase in accuracy for RFI was lower (by 6%) likely because the sequence variants were selected from GWAS for DMI not RFI. The accuracies for DMI and RFI GEBVs were highest by using selected sequence variants from the DMI GWAS in the mid- to late-lactation periods in later parity. Conclusions Our results showed that DMI phenotypes in late lactation time periods could capture more genetic variation and increase genomic prediction accuracy through the use of custom genotype panels in genomic selection. Implications Collecting DMI at the optimal time period(s) of lactation may help develop more accurate and cost-effective breeding values for feed efficiency in dairy cattle.
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 | 0,000 | 0,001 |
| 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 ».