GS育种的核心展望
1)EBV预测方法
动物育种的目的是从根本上改善种群。阿尔伯塔大学和Genesus公司的Dinesh Thekkoot博士写道，换句话说，下一代应该优于当代。
挑战在于确定最佳动物是下一代的父母。为了确定未来的父母，我们需要知道他们真正的育种（遗传）价值（TBV）。在现实生活中，不可能观察到动物的TBV。因此，我们使用TBV的估计称为估计育种值（EBV）。根据他们的EBV选择下一代的父母。
一个重要的问题是估算TBV的EBV有多准确？EBV的准确性定义为真实和估计育种值之间的相关性。这种相关性给出了EBV与TBV的接近程度。EBV的准确度范围从0（不准确的估计）到1（EBV是TBV的完美估计）。EBV准确度越高，选择低TBV动物作为父母的风险越低。EBV准确度也影响选择程序的遗传增益。育种计划中的遗传增益与EBV的准确性成正比。EBV准确度越高，其他因素没有变化，选择的遗传增益越大。
每年的遗传增益使用以下公式计算：
每年的遗传增益在哪里，是选择的强度，是EBV的准确度，是选择下的性状的加性遗传标准偏差，是以年为单位表示的世代间隔。在大多数养猪计划中，选择强度和生成间隔接近于优化而不会对遗传变异产生负面影响。因此，对于任何进一步增加，我们需要引入可以提高EBV准确性的方法。
EBV的准确性取决于许多因素，如特征的遗传性，选择候选人和亲属可获得的信息的数量和质量，所有动物之间的遗传关系等。通常，可获得的信息量越高，将是EBV的准确性。
EBV准确度使用不同的方法
最佳线性无偏预测（BLUP）动物模型。该方法用于当今的大多数遗传程序中，并利用所有可用信息来计算EBV。使用选择候选者和亲属的表型以及谱系关系估计EBV。随着预测，BLUP动物模型同时校正系统环境影响的表型。例如，该方法在估算EBV时考虑了不同农场的遗传相关动物。这是利用谱系和表型预测EBV的最准确方法。
基因组选择（GS）。使用BLUP动物模型方法，没有自身表型的幼小动物将具有低EBV准确度。根据性状，可能需要相当长的时间来获得自己的表型，或者某些动物可能永远不会得到自己的表型。例如，需要大约12个月的时间才能获得有关小母猪的垃圾信息，选择的动物作为父母将永远不会获得胴体和肉质表型。因此，如果我们能够提高这些类型特征的EBV准确度，那将是一件好事。基因组预测是最近开发的解决该问题的方法。它准确地使用分子标记信息预测EBV，而不需要自己的表型。已经在Genesus和其他地方进行了研究，以估计使用GS的准确性。
结合基因组，表型和谱系信息可以获得比GS更高的准确度。单步基因组BLUP（SSBLUP）是组合这三种信息来源的方法。目前，该方法为幼小动物提供最高的EBV准确度。在Genesus进行的研究表明，SSBLUP EBV准确度比基于BLUP的EBV高约30-50％。更高的预测准确度意味着每年更大的遗传变化。
EBV的准确性和使用两种不同方法选择某些性状的预期遗传变化
从上表中可以看出，通过添加所有三个性状的基因组信息（BLUP与SSBLUP相比），EBV的准确性和每年产生的遗传变化增加。显然，基因组信息对每年遗传变化的影响是显着的。在Genesus，我们为我们的候选人提供最准确的EBV。我们投入了大量资金，为我们的细胞核，繁殖者和生产群中的所有动物收集有关所有生长，效率，繁殖，胴体和肉质特征的准确和最新信息。这些高质量的数据以及基因组信息有助于我们估算出最准确的EBV，确保Genesus客户获得最高的遗传响应和最大的盈利能力。
2）
我们都知道人工智能和机器学习正在使精密农业变得更加复杂。现在，荷兰格罗宁根大学伯努利数学，计算机科学和人工智能研究所的科学家正在使用人工智能来预测猪准备屠宰的年龄（也就是说，每只猪都会到达它的时候目标重量（体重）。
Ahmad Alsahaf 最近的一项研究，George Azzopardi及其同事在预测屠宰年龄时检测表型和遗传数据的准确性，这是因为正确预测猪的生长可以帮助确定饲料成本和笔空间要求等因素。增长率预测也可以用于其他方式 - 例如，确定哪些增长率因素可能比其他因素更重要。
然而，科学家们指出，由于个体猪生长方式的自然变化，预测增长率并不容易。为了解决这个问题，该团队使用机器学习 - 特别是一种称为随机森林（RF）回归的统计分析来检查个体猪的数据。
Alsahaf说，他们选择了这种特殊的分析，因为它长期以来一直是机器学习应用中的一种流行算法，并且适合于研究目的。
“它属于一系列基于决策树的算法，”他解释道。“这些算法非常适合具有异构输入类型的预测问题，就像我们的数据一样。另一个优点是该方法在概念上很容易，并且由于该方法产生的“重要性分数”，结果很容易解释。“但是，他指出可以使用其他同样有效的分析方法。
Alsahaf和Azzopardi还使用RF回归得出的“变量重要性得分”来衡量不同类型的输入数据在进行预测时的重要性。
准确预测屠宰年龄
分析方法可以准确地利用表型和基因数据来预测猪准备屠宰的年龄。
我们都知道人工智能和机器学习正在使精密农业变得更加复杂。现在，荷兰格罗宁根大学伯努利数学，计算机科学和人工智能研究所的科学家正在使用人工智能来预测猪准备屠宰的年龄（也就是说，每只猪都会到达它的时候目标重量（体重）。
Ahmad Alsahaf 最近的一项研究，George Azzopardi及其同事在预测屠宰年龄时检测表型和遗传数据的准确性，这是因为正确预测猪的生长可以帮助确定饲料成本和笔空间要求等因素。增长率预测也可以用于其他方式 - 例如，确定哪些增长率因素可能比其他因素更重要。
然而，科学家们指出，由于个体猪生长方式的自然变化，预测增长率并不容易。为了解决这个问题，该团队使用机器学习 - 特别是一种称为随机森林（RF）回归的统计分析来检查个体猪的数据。
Alsahaf说，他们选择了这种特殊的分析，因为它长期以来一直是机器学习应用中的一种流行算法，并且适合于研究目的。
“它属于一系列基于决策树的算法，”他解释道。“这些算法非常适合具有异构输入类型的预测问题，就像我们的数据一样。另一个优点是该方法在概念上很容易，并且由于该方法产生的“重要性分数”，结果很容易解释。“但是，他指出可以使用其他同样有效的分析方法。
Alsahaf和Azzopardi还使用RF回归得出的“变量重要性得分”来衡量不同类型的输入数据在进行预测时的重要性。
研究细节
该研究涉及在近33,000只个体纯种大白猪的不同生长阶段的个体体重测量，数据由拥有猪的主要育种公司提供。科学家们还利用该公司的表型数据（如晚期体重测量，猪的性别，垫料信息和出生体重相对于平均产仔数），估计的育种值（EBV）以及谱系和谱系 - 遗传关系。
该研究的具体预测（也称为产出）是个体猪达到120kg屠宰体重的年龄。其结果 - 将研究人员的统计分析与每只动物达到120公斤的实际年龄进行比较 - 表明，总体而言，该方法的准确度非常高。
“在我们的实验中，这种准确性相当于预测平均真实值9天内的屠宰年龄（准确的平均绝对误差为8.48天），”Alsahaf说。“据我们了解，与目前的标准相比，这已经可以提供后勤优势。”
该研究还表明，重量测量（出生，断奶和育肥阶段开始时）的表型特征是预测目标产量最有效的特征; 这些特征解释了大约62％的输出方差。
“我们选择的功能主要是因为他们潜在的相关性，由该领域的专家确定，以及我们想要预测的输出，”Alsahaf说。“我们的选择也仅限于已经为这些动物常规收集的数据。”例如，个人饲料消费数据不可用。
结果如预期？
Alsahaf解释说，个体猪的生长预测是一个新的研究领域，他希望未来的研究可以改善他的团队的工作。“在我看来，这个阶段的准确性差异归结为实验设计和可用数据的差异，而不是使用的特定预测方法，”他指出。“我认为我们提出的框架，使用表型和遗传数据的组合，对于这些类型的预测问题是有效的。”
根据Alsahaf的说法，包含额外的相关数据（必须大规模收集）将提高预测的准确性 - 特别是，在猪的不同生命阶段进行更多的重量测量，并预计相应的采食量测量提高增长率预测的精确度。
当被问及早期护理，温度和空气质量控制等多少生产实践对商业猪的生长速度产生影响时，Alsahaf指出他个人无法发表评论，因为这不是他研究的内容。“我认为在未来的研究中探索这是一个有趣的话题，”他说，“但收集数据的方式确保其在不同农场和地点之间的一致性本身就是一个挑战。”
前人结论：
基因组、环境和机器人信息对参数化方法的挑战
未来:分析转变?半参数和“机器学习”类型的技术?
定量遗传学理论将继续指导动物和植物的育种计划，但它不是适用于解释复杂的性状
动物饲养员很快就接受了统计学的观点。CRH仪器和先驱
育种者也对统计学做出了贡献:BLUP、REML、贝叶斯建模、贝叶斯线性回归、基因组支持预测