Estimativa de parâmetros genéticos de características de eficiência alimentar e de carcaça de touros Nelore, com uso de matriz genômica
Bibliographic record
Abstract
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.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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".