Генетическое разнообразие и структура национальных пород собак
Bibliographic record
Abstract
Генетическое разнообразие является ключевым фактором, обеспечивающим здоровье, адаптивный потенциал и выживаемость любых популяций. Высокое генетическое разнообразие создаёт основу для устойчивого развития популяций, в том числе домашних животных. В данной работе проведён обзор генетических исследований структуры популяций различных национальных пород собак, рассмотрены основные закономерности и факторы, влияющие на уровень генетического разнообразия. В обзоре приведены данные, полученные с применением современных методов генетического анализа, включая оценку наблюдаемой и ожидаемой гетерозиготности, а также расчёт коэффициентов инбридинга, что позволяет детально оценить степень генетической вариативности в популяциях. В работе также проведён сравнительный анализ генетической структуры казахских национальных пород собак тазы и тобет с другими известными породами. Рассматриваются проблемы, связанные с ограниченным генофондом, возникающие в результате исторической изоляции, селекционных практик и сокращения численности пород, что приводит к повышенному риску наследственных заболеваний и снижению адаптивности. Обсуждаются стратегии по расширению генофонда через контролируемое скрещивание, инбридинг и сохранение редких генетических линий, предлагаются подходы и рекомендации для эффективного и устойчивого разведения пород. Результаты генетических исследований важны для сохранения биологического разнообразия, и могут быть использованы в ветеринарии и в племенном деле. Они вносят существенный вклад в разработку эффективных программ сохранения и разведения пород, поскольку позволяют повысить устойчивость к внешним стрессовым факторам, снизить вероятность возникновения генетических дефектов и обеспечить долгосрочное сохранение уникальных генетических ресурсов национальных пород собак.
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 | 0.003 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.004 | 0.007 |
| Scholarly communication | 0.011 | 0.006 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.040 | 0.013 |
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".