Estimating the Value of Including Resilience in a Multi‐Trait Selection Index Designed for Australian Merino Sheep
Notice bibliographique
Résumé
General resilience in livestock can be estimated from the variability in longitudinal data and may support balanced breeding objectives by helping animals better cope with environmental stress. However, its economic value and inclusion within multi-trait selection indexes remain largely unexplored. Current genetic improvement programs for sheep primarily focus on wool growth, reproduction and lean meat production. This study developed a bioeconomic model to estimate the economic value of general resilience, using the natural logarithm of variance of wool fibre diameter as a resilience indicator trait in sheep. A commercial Merino sheep enterprise was considered, and the economic value of resilience was derived from its association with health, mortality, and energy allocation for production. The breeding objective included key traits related to meat production, reproduction, and wool quality and quantity, to compare the economic impact of resilience with these traits. Among 13 traits, resilience contributed 2.02% to the total value of the index and ranked 11th in economic importance. After 10 years of simulated selection, resilience was expected to improved by 0.07 genetic standard deviations, translating to a modest economic gain of $0.08 per ewe. A sensitivity analysis was conducted to assess the impacts of increasing the relative contribution of resilience within the index on selection responses under four scenarios: (i) base genetic correlations, (ii) stronger correlations, (iii) weaker correlations, and (iv) adding genomic information. Resilience responded 50%-75% more effectively to selection when it had stronger genetic correlations with production traits or when genomic information was incorporated. However, placing greater emphasis on resilience (> 10% of the index) reduced progress in key production traits. Future research should explore these trade-offs in industry selection indexes to integrate resilience effectively without compromising productivity.
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 ».