Multi‐trait genomic predictions using GBLUP and Bayesian mixture prior model in beef cattle
Notice bibliographique
Résumé
Abstract Multiple trait genomic selection incorporating correlated traits can improve the predictive ability of low‐heritability traits. In this study, we evaluated genomic prediction accuracy using multi‐trait BayesCπ method (MT‐BayesCπ), which allows for a broader range of mixture priors for important traits in beef cattle. We compared the prediction performance of MT‐BayesCπ with single‐trait genomic best linear unbiased prediction (ST‐GBLUP), multi‐trait GBLUP (MT‐GBLUP), and single‐trait BayeCπ (ST‐BayesCπ) methods. We found that ribeye area (REA) and ribeye weight (REWT) showed high heritability, while slaughter weight (SWT) and carcass weight (CWT) displayed medium heritability, and slaughter rate (SR) and feedlot average daily gain (FDG) showed low heritability. Highly positive genetic correlations were observed between CWT and SWT (0.981) and SR and REWT (0.921). Notably, the MT‐BayesCπ method showed superior predictive abilities compared to other models. Using MT‐BayesCπ method, the accuracy increased from 0.272 to 0.694 for CWT compared to ST‐GBLUP and ST‐BayesCπ. MT‐GBLUP and ST‐BayesCπ showed similar prediction accuracies, while MT‐BayesCπ showed the least biased evaluations. Additionally, our results suggested that prediction accuracy of low‐heritability traits significantly increased when they were combined with traits with high genetic correlation in a multi‐trait prediction. Our study suggests that multi‐trait genomic predictions using GBLUP and Bayesian mixture prior models is feasible for genomic selection in beef cattle. Our findings indicate that MT‐BayesCπ outperforms other models (ST‐GBLUP, MT‐GBLUP and ST‐BayesCπ), especially for low‐heritability traits.
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 | 0,000 |
| 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 ».