MétaCan
Menu
Retour à la cohorte
Enregistrement W4391430055 · doi:10.3168/jdsc.2023-0460

Phenotypic and genomic modeling of lactation curves: A longitudinal perspective

2024· article· en· W4391430055 sur OpenAlexaff
Hinayah Rojas de Oliveira, Gabriel Soares Campos, Sirlene Fernandes Lázaro, J. Jamrozik, Alan Schinckel, Luiz F. Brito

Notice bibliographique

RevueJDS Communications · 2024
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueGenetic and phenotypic traits in livestock
Établissements canadiensUniversity of Guelph
Organismes subventionnairesnon disponible
Mots-clésLactationProduction (economics)Psychological resilienceMilk productionStatisticsPopulationBiologyMathematicsAnimal scienceMedicinePsychologyEnvironmental health

Résumé

récupéré en direct d'OpenAlex

Lactation curves, which describe the production pattern of milk-related traits over time, provide insightful information about individual cow health, resilience, and milk production efficiency. Key functional traits can be derived through lactation curve modeling, such as lactation peak and persistency. Furthermore, novel traits such as resilience indicators can be derived based on the variability of the deviations of observed milk yield from the expected lactation curve fitted for each animal. Lactation curve parameters are heritable, indicating that one can modify the average lactation curve of a population through selective breeding. Various statistical methods can be used for modeling longitudinal traits. Among them, the use of random regression models enables a more flexible and robust modeling of lactation curves compared with traditional models used to evaluate accumulated milk 305-d yield, as they enable the estimation of both genetic and environmental effects affecting milk production traits over time. In this symposium review, we discuss the importance of evaluating lactation curves from a longitudinal perspective and various statistical and mathematical models used to analyze longitudinal data. We also highlighted the key factors that influence milk production over time, and the potential applications of longitudinal analyses of lactation curves in improving animal health, resilience, and milk production efficiency. Overall, analyzing the longitudinal nature of milk yield will continue to play a crucial role in improving the production efficiency and sustainability of the dairy industry, and the methods and models developed can be easily translated to other longitudinal 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 machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,034
Tête enseignante GPT0,307
Écart entre enseignants0,273 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJDS CommunicationsMême sujetGenetic and phenotypic traits in livestockTravaux en français237 207