Leveraging Available Resources and Stakeholder Involvement for Improved Productivity of African Livestock in the Era of Genomic Breeding
Notice bibliographique
Résumé
The African continent is home to diverse populations of livestock breeds adapted to harsh environmental conditions with more than 70% under traditional systems of management. Animal productivity is less than optimal in most cases and is faced with numerous challenges including limited access to adequate nutrition and disease management, poor institutional capacities and lack of adequate government policies and funding to develop the livestock sector. Africa is home to about 1.3 billion people and with increasing demand for animal proteins by an ever growing human population, the current state of livestock productivity creates a significant yield gap for animal products. Although a greater section of the population, especially those living in rural areas depend largely on livestock for their livelihoods; the potential of the sector remains underutilized and therefore unable to contribute significantly to economic development and social well being of the people. With current advances in livestock management practices, breeding technologies and health management, and with inclusion of all stakeholders, African livestock populations can be sustainably developed to close the animal protein gap that exists in the continent. In particular, advances in gene technologies, and application of genomic breeding in many Western countries has resulted in tremendous gains in traits like milk production with the potential that, implementation of genomic selection and other improved practices (nutrition, healthcare, etc.) can lead to rapid improvement in traits of economic importance in African livestock populations. The African livestock populations in the context of this review are limited to cattle, goat, pig, poultry and sheep, which are mainly exploited for meat, milk and eggs. This review examines the current state of livestock productivity in Africa, the main challenges faced by the sector, the role of various stakeholders and discusses in-depth strategies that can enable the application of genomic technologies for rapid improvement of livestock traits of economic importance.
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 ».