Programmation néonatale dans l'espèce canine : impact à long terme de facteurs néonataux en race Labrador.
Notice bibliographique
Résumé
L’objectif de cette étude était d’analyser différents facteurs de la vie néonatale (poids de naissance, coefficient de variation des poids de naissance intra-portée, taux de croissance sur trois intervalles : J0-J2, J0-J7, J0-J21) et étudier leur influence sur les taux de croissance ainsi que sur des paramètres de la vie adulte (surpoids, pourcentage de masse grasse, épaisseurs de tissu adipeux sous-cutané à l’échographie, hauteur au garrot, scores de food motivation et de gloutonnerie, âge à la puberté et prolificité moyenne des femelles), dans une population de chiens Labrador issus d’un élevage de chiens guides. Au final, sur une population de 111 chiens, le taux de croissance dans les 7 premiers jours de vie était influencé par le taux de croissance J0-J2 ainsi que sa positivité ou sa négativité. De plus, le taux de croissance J0-J21 était influencé par le fait d’avoir un petit poids de naissance, par le coefficient de variation des poids intra-portée ainsi que par le taux de croissance J0- J2, son signe, ainsi que par le taux de croissance J0-J7. Ensuite, la hauteur au garrot était influencée par le fait de posséder un poids de naissance inférieur au seuil de 402 grammes (Brévaux, 2017). Le pourcentage de masse grasse était influencé par le fait d’avoir un poids de naissance inférieur à ce seuil ainsi que de faire partie des 25% des poids de naissance les plus légers de la population. Enfin, les scores de food motivation et de gloutonnerie sont influencés par le taux de croissance J0-J7. Ces résultats sont en faveur de l’existence d’une programmation néonatale, influençant à long terme les chiens.
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 | 0,006 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,002 | 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 ».