Perspectives for the use of genomic selection for genetic improvement of dairy cattle in Ukraine
Notice bibliographique
Résumé
An important problem in modern dairy cattle breeding is the achievement of a high level of genetic progress in economically important traits through the implementation of effective breeding programs. For this purpose, genomic selection is currently used in many countries of the world. The aim of the study was to investigate possibilities of use of genomic selection in dairy cattle breeding in Ukraine. On the basis of analysis of “Catalogue of sires of dairy and dual-purpose breeds for reproduction of cows in 2020” (sperm of these sires was used in Ukraine) two methods of breeding value estimation were compared: 1) traditional method based on pedigree and performance of progeny; 2) genomic method based on effects of SNPs. Considerable advantage of sires with genomic evaluations was proved. These sires excel sires with traditional evaluation for milk yield by 1.6 times, for fat percentage by 2.2 times, for fat yield by 1.7 times, for protein percentage by 2.1 times and for protein yield by 1.7 times. Using estimates of breeding values of sires pare-wise genetic correlations between main genetic traits were computed. The negative genetic relationship between milk yield and fat and protein percentages was revealed. Values of energy corrected milk (ECM) of daughters and dams of sires across breeds and countries of origin were calculated. It was shown that dams of sires of Holstein and Jersey breeds had highest values of energy corrected milk (9,132.0 kg and 8,041 kg, respectively) while dams of sires of Ukrainian Black-and-White dairy breed had lowest values of this trait (5,848.1 kg). According to country-of-origin daughters of sire’s form USA, Canada and the Netherlands had highest values of energy corrected milk. Values of response to selection using traditional breeding program and genomic selection were compared. It was proved that by means of shortening generation intervals on pathways of genetic improvement “sires of bulls”, “sires of cows” and “dams of bulls” using genomic selection it is possible to increase rate of genetic progress for milk yield from 100.1 kg to 180.0 kg that is by 80%
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 | 0,000 |
| 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 | 0,001 |
| 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 ».