Genomic Association Analysis of Growth and Backfat Traits in Large White Pigs
Notice bibliographique
Résumé
The pig industry is significantly influenced by complex traits such as growth rate and fat deposition, which have substantial implications for economic returns. Over the years, remarkable genetic advancements have been achieved through intense artificial selection to enhance these traits in pigs. In this study, we aimed to investigate the genetic factors that contribute to growth efficiency and lean meat percentages in Large White pigs. Specifically, we focused on analyzing two key traits: age at 100 kg live weight (AGE100) and backfat thickness at 100 kg (BF100), in three distinct Large White pig populations—500 Canadian, 295 Danish, and 1500 American Large White pigs. By employing population genomic techniques, we observed significant population stratification among these pig populations. Utilizing imputed whole-genome sequencing data, we conducted single population genome-wide association studies (GWAS) as well as a combined meta-analysis across the three populations to identify genetic markers associated with the aforementioned traits. Our analyses highlighted several candidate genes, such as CNTN1—which has been linked to weight loss in mice and is potentially influential for AGE100—and MC4R, which is associated with obesity and appetite and may impact both traits. Additionally, we identified other genes—namely, PDZRN4, LIPM, and ANKRD22—which play a partial role in fat growth. Our findings provide valuable insights into the genetic basis of these important traits in Large White pigs, which may inform breeding strategies for improved production efficiency and meat quality.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».