Effects of bovine leukemia virus seropositivity and proviral load on milk, fat, and protein production of dairy cows
Notice bibliographique
Résumé
The objective was to evaluate the effects of bovine leukemia virus (BLV) infection, as determined by BLV seropositivity and proviral load, on 305-d milk, fat, and protein production of dairy cows. A cross-sectional study was conducted among 1,712 cows from 9 dairy herds in Alberta, Canada. The BLV status was assessed using an antibody ELISA, whereas BLV proviral load in BLV-seropositive cattle was determined with quantitative PCR. Dairy Herd Improvement 305-d milk, fat, and protein production data were obtained for all enrolled cattle. Differences in these milk end points were assessed in 2 ways: first, by categorizing cows based on BLV serostatus (i.e., BLV positive or negative), and second, by categorizing based on BLV proviral load (i.e., BLV negative, low proviral load [LPL] BLV positive, and high proviral load [HPL] BLV positive). A mixed-effect multivariable linear regression model was used to assess differences in milk parameters. We found that BLV positivity, adjusted for parity and natural log-transformed somatic cell count (SCC), was not associated with reduction in 305-d milk, fat, or protein production. However, significant reductions in 305-d milk, fat, and protein yield occurred in HPL cows, but not in LPL cows, compared with BLV-negative cows, when adjusted for parity number and natural log-transformed SCC. In summary, BLV proviral load may predict effects of BLV infection on milk, fat, and protein production.
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 | 0,001 | 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 ».