Estimativa de parâmetros genéticos de características de eficiência alimentar e de carcaça de touros Nelore, com uso de matriz genômica
Notice bibliographique
Résumé
A seleção de animais mais eficientes no uso de alimentos sem alterar a qualidade de carcaça é importante para os programas de melhoramento genético, podendo utilizar informações genômicas e de pedigree para aprimorar as estimativas de valores genéticos. Nesse contexto, o presente estudo tem como objetivo estimar parâmetros genéticos para as características consumo alimentar residual (CAR), consumo de matéria seca (CMS), área de olho do lombo (AOL) e espessuras de gordura subcutânea do lombo (EGS) e da garupa (EGS8) em animais Nelore participantes do Programa de Melhoramento Nelore Qualitas® utilizando matriz genômica. Os dados de CAR e CMS utilizados no estudo foram coletados em testes de eficiência alimentar nos anos de 2010 a 2023, em 1618 touros, com idade média de 643 ± 41 dias, em baias individuais e coletivas. A técnica de ultrassonografia foi realizada por técnicos de empresas comerciais, mensurando AOL, EGS e EGS8 dos animais dos testes. Modelo animal em análises uni e bivariadas, com abordagem bayesiana, foi aplicado para estimar os componentes de (co)variâncias e obter os parâmetros genéticos das características, utilizando o método single step genomic best linear unbiased prediction (GBLUP). Foram considerados os efeitos fixos de grupo de contemporâneos (baia e ano do teste), a covariável linear da idade do touro no início do teste, além dos efeitos aditivo e residual. As estimativas de herdabilidade variaram de moderadas a altas, com valores de 0,27 ± 0,05 (CAR), 0,30 ± 0,05 (CMS), 0,39 ± 0,05 (AOL), 0,37 ± 0,04 (EGS) e 0,58 ± 0,05 (EGS8). As correlações genéticas entre CAR e características de carcaça foram baixas, variando de -0,30 a 0,17, enquanto uma forte correlação positiva foi observada entre CAR e CMS (0,77 ± 0,06). O CMS apresentou correlações genéticas baixas com as características de carcaça, variando de -0,02 a 0,20 e uma correlação genética moderada/alta foi encontrada entre EGS_EGS8 (0,66 ± 0,06) e entre CAR_CMS (0,77 ± 0,06). A inclusão de características de eficiência e carcaça são passíveis de seleção e importantes para melhorar a qualidade da carcaça e a rentabilidade dos sistemas produtivos.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».