image.png
问题：
通常，傅里叶变换红外 (FTIR) 预测是使用单品种种群开发的，然而，使用由不同品种组成的群体是设计交叉验证场景的一种有吸引力的方式，旨在增加对乳制品行业中难以测量的性状的预测。
使用 FTIR 牛奶光谱进行表型预测需要构建校准和验证集，通常来自小数据集，这可能会影响预测能力，尤其是对于复杂的表型。这个问题的解决方案可能是在训练集中结合来自不同品种和/或种群的信息 。
目的：
本研究旨在评估 FTIR 预测的潜力，使用训练集结合专业和两用奶牛品种来预测在生物学意义、变异性和遗传力方面存在差异的不同表型，例如身体状况评分 (BCS)、血清β-羟基丁酸(BHB) 和 kappa 酪蛋白 (k-CN) 在主要牛品种，即荷斯坦 - 弗里斯兰。
数据：
来自专用奶牛品种：Holstein（468 头奶牛）和 Brown Swiss（657 头奶牛），以及两用品种：Simmental（157 头奶牛）、Alpine Gray（75 头奶牛）和 Rendena（104 头奶牛），共有来自 41 个多品种奶牛群的 1461 头奶牛。
方法：
FTIR 预测模型是使用梯度提升机 (GBM) 开发的，并使用不同的交叉验证 (CV) 策略评估荷斯坦奶牛目标表型的预测能力：使用 10 倍交叉验证的品种内场景，其中，荷斯坦种群被随机分成 10 份，一份用于验证，其余九份用于训练（10-fold_HO）；一个跨品种场景（BS_HO），其中使用棕色瑞士奶牛作为训练集，使用荷斯坦奶牛作为验证集；一个专门的多品种场景（BS+HO_10-fold），其中整个棕色瑞士人和荷斯坦牛种群被合并成 10 折，以及一个多品种场景（多品种），其中训练集包括专业（荷斯坦奶牛和布朗瑞士奶牛）和两用奶牛（西门塔尔奶牛、高山灰奶牛和 Rendena），以及九倍的荷斯坦奶牛。最后实施了多品种 CV2 方案，假设记录数与参考方案相同，并使用与多品种相同的比例。
结果：
（1）在荷斯坦内，FTIR 预测对 BCS 的预测能力为 0.63，对 BHB 的预测能力为 0.81，对 k-CN 的预测能力为 0.80。使用专用品种（Brown Swiss）作为对荷斯坦种群进行预测的训练集，BCS 的预测准确度降低了 10%，BHB 的预测准确度降低了 7%，k-CN 的预测准确度降低了 11%。
（2）值得注意的是，训练集中的荷斯坦奶牛和布朗瑞士奶牛的组合使模型的预测能力提高了 6%，其中 BCS 为 0.66，BHB 为 0.85，k-CN 为 0.87。
在训练集中使用多种专门和双重用途的动物优于 10-fold_HO（标准）方法，BCS 的预测能力提高了 8%，BHB 的预测能力提高了 7%，k-CN 的预测能力提高了 10%。
（3）当实施多品种 CV2 时，没有观察到任何改进。
结论：
研究结果表明，通过在训练种群中加入不同的专业和双重用途品种，可以改进对荷斯坦品种不同表型的 FTIR 预测。当训练群体的规模和表型变异性增加时，预测能力会增强。
参考论文：“Comparison of Single-Breed and Multi-Breed Training Populations for Infrared Predictions of Novel Phenotypes in Holstein Cows”. 2021.(https://doi.org/10.3390/ani11071993)
网友评论