استراتژیهای تعیین ژنوتیپ انتخابی گاوهای ماده در برنامههای انتخاب ژنومی با شبیهسازی جمعیت گاو شیری
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
زمینه مطالعاتی: افزودن اطلاعات ژنوتیپی و فنوتیپی گاوهای ماده به جمعیت مرجع، راهبردی سودمند در افزایش میزان صحت و کاهش اریب برآورد ارزش اصلاحی ژنومی ارزیابی شده است. هدف: مطالعه حاضر تأثیر بکارگیری دادههای ژنومی گاوهای ماده در جمعیت مرجع توسط استراتژیهای متفاوت انتخاب، تعداد افراد ژنوتیپ شده و وراثتپذیری بر صحت و اریبی ارزش اصلاحی ژنومی را در جمعیت تأیید مورد بررسی قرار داد. روش کار: پس از ایجاد جمعیت اولیه، جمعیتهای ثانویه و اصلی بهصورت روش چهار مسیری مشابه بهنژادی گاو شیری شبیهسازی شد. سپس تعداد متفاوتی از گاو ماده (2500، 5000 و 10000 ماده) جهت افزودن به جمعیت مرجع حاوی 5000 گاو نر برتر تعیین ژنوتیپ گردید. دو سطح وراثتپذیری متوسط (3/0) و پایین (05/0) بهطور مستقل در این مطالعه درنظر گرفته شد. نتایج: انتخاب گاوهای ماده جهت ژنوتیپ کردن با درنظر گرفتن صحت برآورد ارزش اصلاحی (AH و ATT)، ضمن صحت بالاتر، میانگین مربعات خطا و اریب کمتری را نسبت به انتخاب بدون درنظر گرفتن صحت (H و TT) نشان دادند. انتخاب گاوهای ماده با روش ATT، بهطورکلی برای دو صفت منجر به بیشترین افزایش صحت برآورد ارزیابی ژنومی در محدوده 123/0 تا 215/0 شد. به دنبال آن روشهای R و TT به ترتیب بیشترین افزایش صحت ارزیابی ژنومی را داشتند. بدینصورت افزایش صحت در محدوده 117/0 تا 204/0 در روش R و 113/0 تا 196/0 در روش TT مشاهده شد. تعیین ژنوتیپ گاوهای ماده با حداکثر ارزش اصلاحی (AH و H) منجر به کمترین صحت و بیشترین خطا و اریب گردید. با افزایش تعداد گاوهای ماده ژنوتیپ شده، MSE و اریب کمتر شد. متوسط ضریب رگرسیون TBV بر روی DGV در همه روشهای مورد مطالعه از 12/1 با 2500 گاو ماده به 08/1 با 10000 ماده برای صفت با وراثتپذیری متوسط رسید. نتیجهگیری نهایی: در میان روشهای مورد بررسی در این مطالعه افراد موجود در دو دامنه توزیع ارزش اصلاحی با حداکثر صحت کاندیداهای خوبی از افراد جامعه جهت تعیین ژنوتیپ و قرارگیری در جمعیت مرجع بهنظر میرسند و اطلاعات بهتری را برای پیشبینی افراد نسل بعد با هر نوع سطح ژنتیکی فراهم میکنند.
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.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.006 |
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 it