Kananmunan kuoren kestävyyden parantaminen
Bibliographic record
Abstract
SABRE-hankkeessa tutkimuspopulaatio koostuu Lohmann Tierzucht jalostusyhtiön kahden eri ruskean linjan risteytyksestä. Noin 2000 kanasta koostuva tutkimussukupolvi oli koko tuotantokauden (elinviikot 18 - 60) tuotannontarkkailussa. Munan laatua tutkittiin Canadian Egg Shell Tester laitteella, jolla saadaan selville munankuoren jousto ja kesto. Kuorenpaino mitattiin kerran 42 viikon iässä. Vuoden 2007 loppuun mennessä tehtiin alustava ominaisuuksiin vaikuttavien kromosomialueiden kartoitus tutkimuspopulaation 668 eläimestä. Kaikista tutkimusukupolven eläimistä ja niiden vanhemmista ja isovanhemmista otettiin verinäyte, josta eristettiin DNA. DNA- merkkeinä käytettiin selkeästi tunnistettavia DNA-jaksoja, joiden paikka kromosomissa on tarkalleen jo määritetty. Näillä merkeillä ei itse ole vaikutusta tutkittavaan ominaisuuteen. Mitä lähempänä tiettyä geenimerkkiä ominaisuuteen vaikuttava geeni sijaitsee, sitä useammin geenimerkki ja geeni periytyvät yhdessä. Tätä tietoa käytetään hyväksi kun tilastotieteen menetelmillä analysoidaan minkä geenimerkin läheisyydessä tutkittavaan ominaisuuteen vaikuttava geeni sijaitsee. Tutkimus käsitti 160 DNA-merkkiä 26 kromosomissa. Tutkimuksessa testattiin erilaisia tilastollisia analyysimalleja sekä geenien yhdysvaikutuksia kuoren laatuominaisuuksiin yhteistyössä Roslin Instituutin kanssa. Kanan genomista löytyi useita kuoren laatuun vaikuttavia kromosomialueita, joista lupaavimmat valittiin jatkotutkimuksiin. Kuoren kestävyyteen ja joustoon sekä alku- että loppumunintakaudella vaikuttavia alueita löytyi kromosomeista 2, 3, 6, 14, ja Z. Jatkokartoituksessa keskitytään näiden alueiden tarkempaan analysointiin koko 2000 eläimen populaatiossa käyttäen lähekkäin sijaitsevia DNA-merkkejä. MTT:ssä keskitytään kromosomeissa 14 ja Z oleviin alueisiin.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.076 | 0.022 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".