Estimation of genetic parameters for feed efficiency traits using random regression models in dairy cattle
Notice bibliographique
Résumé
Feed efficiency has become an increasingly important research topic in recent years. As feed costs rise and the environmental impacts of agriculture become more apparent, improving the efficiency with which dairy cows convert feed to milk is increasingly important. However, feed intake is expensive to measure accurately on large populations, making the inclusion of this trait in breeding programs difficult. Understanding how the genetic parameters of feed efficiency and traits related to feed efficiency vary throughout the lactation period is valuable to gain understanding into the genetic nature of feed efficiency. This study used 121,226 dry matter intake (DMI) records, 120,500 energy-corrected milk (ECM) records, and 98,975 metabolic body weight (MBW) records, collected on 7,440 first-lactation Holstein cows from 6 countries (Canada, Denmark, Germany, Spain, Switzerland, and the United States), from January 2003 to February 2022. Genetic parameters were estimated using a multiple-trait random regression model with a fourth-order Legendre polynomial for all traits. Weekly phenotypes for DMI were re-parameterized using linear regressions of DMI on ECM and MBW, creating a measure of feed efficiency that was genetically corrected for ECM and MBW, referred to as genomic residual feed intake (gRFI). Heritability (SE) estimates varied from 0.15 (0.03) to 0.29 (0.02) for DMI, 0.24 (0.01) to 0.29 (0.03) for ECM, 0.55 (0.03) to 0.83 (0.05) for MBW, and 0.12 (0.03) to 0.22 (0.06) for gRFI. In general, heritability estimates were lower in the first stage of lactation compared with the later stages of lactation. Additive genetic correlations between weeks of lactation varied, with stronger correlations between weeks of lactation that were close together. The results of this study contribute to a better understanding of the change in genetic parameters across the first lactation, providing insight into potential selection strategies to include feed efficiency in breeding 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 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 | 0,008 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».