Abschätzung der Genetik von Körpermaßen und Aktivitätsniveaus bei Schweinen mithilfe automatisierter Posenschätzung

Wissenschaftliche Berichte Band 12, Artikelnummer: 15384 (2022) Diesen Artikel zitieren

2325 Zugriffe

2 Zitate

11 Altmetrisch

Details zu den Metriken

Die Schweinezucht verändert sich aufgrund des technologischen Fortschritts und sozioökologischer Faktoren rasant. Neue Technologien für die Präzisionstierhaltung wie Computer-Vision-Systeme sind für die groß angelegte automatisierte Phänotypisierung neuartiger Merkmale von entscheidender Bedeutung, da die Robustheit und das Verhalten von Schweinen für die Zuchtziele immer wichtiger werden. Die größten Hürden stellen derzeit jedoch die Personenidentifikation, die Datenverarbeitung und die Verfügbarkeit adäquater (Open-Source-)Software dar. Das übergeordnete Ziel dieser Studie bestand darin, das Wiegen von Schweinen um automatisierte Messungen von Körpermaßen und Aktivitätsniveaus mithilfe eines automatisierten Videoanalysesystems zu erweitern: DeepLabCut. Darüber hinaus wurden diese Daten mit Stammbauminformationen gekoppelt, um genetische Parameter für Zuchtprogramme abzuschätzen. Wir analysierten 7428 Aufzeichnungen während der Mastperiode von 1556 Mastschweinen (Piétrain-Vater x Kreuzungsmutter) mit zweiwöchigen Abständen zwischen den Aufzeichnungen desselben Schweins. Wir konnten relevante Körperteile mit einem durchschnittlichen Trackingfehler von 3,3 cm genau einschätzen. Aus Videobildern extrahierte Körpermaße waren in hohem Maße vererbbar (61–74 %) und korrelierten genetisch signifikant mit der durchschnittlichen täglichen Zunahme (rg = 0,81–0,92). Aktivitätsmerkmale waren gering bis mäßig vererbbar (22–35 %) und zeigten geringe genetische Korrelationen mit Produktionsmerkmalen und körperlichen Anomalien. Wir haben eine einfache und kostengünstige Methode zur Extraktion von Körpermaßparametern und Aktivitätsmerkmalen demonstriert. Es wurde angenommen, dass diese Merkmale vererbbar sind und daher selektiert werden können. Diese Erkenntnisse sind für (Schweine-)Zuchtorganisationen wertvoll, da sie eine Methode zur automatischen Phänotypisierung neuer Produktions- und Verhaltensmerkmale auf individueller Ebene bieten.

Schweinefleisch macht bereits fast 40 % der weltweiten Fleischproduktion aus, aber die weltweite Nachfrage wird voraussichtlich noch weiter steigen1. Die Schweinehaltung steht zunehmend vor Herausforderungen wie ökologische Nachhaltigkeit, Tierschutz, landwirtschaftliche Effizienz und globaler Wettbewerb. Innovationen in der Genetik gelten als entscheidend für die Lösung dieser Probleme2,3. Merkmale im Zusammenhang mit Robustheit und Widerstandsfähigkeit sind mittlerweile für Tierzuchtprogramme ebenso relevant wie solche im Zusammenhang mit der (Re-)Produktion2. Es besteht offensichtlich Bedarf an Präzisionstechnologien für die Tierhaltung, um die Phänotypisierung von Schweinen mit hohem Durchsatz zu optimieren, die bis heute schwierig, arbeitsintensiv und kostspielig ist4.

Computer-Vision-Systeme (CVS) könnten eine nicht-invasive Phänotypisierung der Körperzusammensetzung, des Verhaltens und körperlicher Anomalien bei Schweinen ermöglichen, es gab jedoch nur wenige praktische Anwendungen für die automatisierte Bewertung morphologischer und/oder Verhaltensmerkmale. Fernandes et al.5 verwendeten 3D-Kameras mit Draufsicht, um Körpergewicht, Muskeltiefe und Rückenfett bei Mastschweinen vorherzusagen. Andere Studien verwendeten CVS zur Beurteilung von Körperpositionen und Körperhaltung6, Aggression7, Sauenverhalten8 und Fütterung9,10. Nur wenige Studien analysierten die Genetik dieser Phänotypen4. Bei Fleischrindern wurden die Erblichkeit und genetische Korrelationen mithilfe einer Bildanalyse für Schlachtkörpermerkmale geschätzt11. Außerdem wurden genetische Parameter für Fellfarbe und Konformationsmerkmale bei Milchkühen anhand von Bildern aus Webkatalogen geschätzt12.

Es wird berichtet, dass morphologische Merkmale von Schweinen wie Körperlänge, -breite und -größe mäßig bis stark vererbbar sind, wobei die Schätzungen der Erblichkeit (h2) zwischen 20 und 60 % liegen13,14,15. Es wurde gezeigt, dass auch Verhaltensmerkmale vererbbar sind, die h2-Schätzungen weichen jedoch erheblich voneinander ab3. Diese Schätzungen basierten meist auf der manuellen Bewertung von Verhaltensmerkmalen, die anfällig für Beobachterverzerrungen sind16. Beispielsweise wurde geschätzt, dass die Aktivitätswerte während des Wiegens niedrig bis mäßig vererbbar sind (h2 = 10–23 %), obwohl es Umwelteinflüsse gibt, die diese Schätzungen beeinflusst haben3,17,18,19. Insbesondere zeigten Ott et al.16, dass CVS-Aktivitätswerte stark mit menschlichen Beobachtungen korrelierten (r = 0,92). Andere Studien führten Veränderungen der Aktivitätswerte im Stall auf Schwanzbeißen, Infektionen16,20,21,22 oder Restfutteraufnahme23 zurück. Übrigens war der Zusammenhang zwischen der Aktivität beim Wiegen und der Stiftaggression gering bis mäßig (r = 0,15–0,60)3,24.

Die automatische Identifizierung von Tieren bleibt eine große Herausforderung für CVS-Anwendungen in der Phänotyp-Genotyp-Analyse4,25,26. Auch die Datenverarbeitung und die Verfügbarkeit geeigneter Software sind ein Problem2,4,25. Jüngste Fortschritte bei Motion-Capture- und Deep-Learning-Tools ermöglichen es Forschern nun, detaillierte Verhaltensvariablen aus aufgezeichneten Videos zu extrahieren, ohne dass spezielle und übermäßige Aufzeichnungshardware oder -einstellungen erforderlich sind27. Diese Tools erreichen eine menschenähnliche Genauigkeit und übertreffen sogar die manuelle Bewertung28,29.

Die aktuelle Studie beschreibt eine Methode, die die Open-Source-Software DeepLabCut (DLC)27 verwendet, eine Python-basierte30 grafische Benutzeroberfläche für markerlose Posenschätzung, die auf einem Convolutional Neural Network (CNN) basiert. DLC ermöglicht die Erstellung zuverlässiger und übertragbarer Tracking-Modelle29 zur Quantifizierung verschiedener (Verhaltens-)Merkmale mit begrenztem Einfluss des Beobachters. Wir kombinieren klassisches Wiegen von Schweinen mit Videoanalyse, um neue Phänotypen abzuschätzen. Wir erfassen die Körperlänge, die Hüft- und Schulterbreite und die Körperoberfläche sowie die Aktivitätswerte der Schweine beim Wiegen. Basierend auf diesen Körperzusammensetzungs- und Aktivitätsmerkmalen haben wir genetische Parameter wie Erblichkeit und genetische Korrelationen in einer Population von Schlachtschweinen mit bekanntem Stammbaum geschätzt. Alle kommentierten Videos und Tracking-Modelle sind verfügbar unter: https://doi.org/10.17605/OSF.IO/QKW5Y.

Alle experimentellen Verfahren wurden von der Tierethikkommission der KU Leuven (P004/2020) gemäß der Richtlinie 86/609/EWG des Rates der Europäischen Gemeinschaft, den ARRIVE-Richtlinien und dem ILAR-Leitfaden für die Pflege und Verwendung von Versuchstieren genehmigt. Die Forscher holten von allen identifizierbaren Personen die Einwilligung nach Aufklärung zur Veröffentlichung ein, um Videos anzuzeigen und wiederzuverwenden.

Die Studie wurde an 794 weiblichen und 746 kastrierten männlichen Piétrain x PIC Camborough-Schweinen (Vlaamse Piétrain Fokkerij, Belgien; Nachkommen von 73 verschiedenen Vätern und 204 Müttern) durchgeführt, die ein Durchschnittsalter von 83,4 (± 2,2) Tagen und ein Durchschnittsgewicht aufwiesen von 30,6 (± 5,1) kg zu Beginn des Experiments. Die Beobachtungen erfolgten während der Mastperiode, die bis zu 120 Tage dauern konnte und endete, als die Schweine ein Körpergewicht von etwa 115 kg erreichten. Pro Vater wurden durchschnittlich 26 Kreuzungsferkel (Vollgeschwister und Halbgeschwister desselben Piétrain-Vaters) in gleicher Anzahl auf zwei identische Ställe in gemischtgeschlechtlichen Gruppen verteilt. Der Schweinestall (Versuchsbetrieb in Belgien) bestand aus siebzehn identischen Abteilen mit acht Halbspaltenställen (2,5 m × 4,0 m) pro Abteil und durchschnittlich dreizehn Schweinen pro Stall (0,77 m² pro Schwein). Futter und Wasser wurden in jedem Stall durchgehend aus einem Trog und einer Nippeltränke ad libitum bereitgestellt.

Die Schweine wurden während ihrer Mastperiode von Januar bis Juli 2021 alle zwei Wochen einzeln gewogen. Nacheinander wurden alle Tiere zum zentralen Flur des Stalls getrieben, wo die Schweine nacheinander gewogen wurden. Die Wiegung erfolgte zwischen 08:00 und 16:00 Uhr und wurde per Video aufgezeichnet. Alle Ferkel wurden dreizehn Tage nach Ankunft im Mastbetrieb zum ersten Mal gewogen. Aus praktischen Gründen wurde im Folgenden nur einer von zwei Ställen pro Vater für die anschließende Nachuntersuchung ausgewählt. Alle 1556 Schweine wurden bis zu acht Mal gewogen, was insgesamt 7428 Datensätze ergab.

Zusätzlich wurde jedes Schwein beim Wiegen manuell auf die folgenden körperlichen Anomalien hin bewertet: Schwellungen oder Hämatome an den Ohren (0 = keine, 1 = ein Ohr, 2 = beide Ohren); das Vorhandensein und die Größe eines Nabelbruchs (0 = nicht vorhanden, 1 = vorhanden); Ohrbisswunden (0 = keine, 1 = ein Ohr, 2 = beide Ohren) und Schwanzbisswunden (0 = keine, 1 = kleine Kratzer, 3 = blutiger und/oder infizierter Schwanz; Zusatzdatei 1). Alle Aufnahmen wurden von demselben ausgebildeten Fachmann gesammelt. Der Anteil an magerem Fleisch wurde individuell im Schlachthof der Belgian Pork Group in Meer (Belgien) mit AutoFom III™ (Frontmatec, Smoerum A/S, Dänemark) erfasst31. Die Futteraufnahme wurde auf Buchtenebene gemessen.

Der Durchlauf-Wägeaufbau für Schweine bestand aus einer Bodenwaage, einem RFID-Lesegerät (Radio Frequency Identification), einer Videokamera und einem Computer (Abb. 1). Die Bodenwaage (3,4 m × 1,8 m) hatte eine Genauigkeit von ± 0,5 kg (TELL EAG80, Vreden, Deutschland) und befand sich im zentralen Flur des Schweinestalls. Ein Holzgang half den Schweinen, einzeln und vorwärts über die Waage zu gehen (2,5 m × 0,6 m; Abb. 1a; Zusatzdatei 2Video S1). Das Körpergewicht wurde elektronisch registriert und mithilfe eines RFID-Lesegeräts und einer maßgeschneiderten Software mit der ID des Schweins verknüpft. Die Kamera (Dahua IPC-HDW4831EMP-ASE, Dahua Technology Co., Ltd, Hangzhou, China) wurde 2,5 m über dem Boden in der Mitte der Waage montiert. Schweine wurden aus der Perspektive einer Overhead-Kamera mit einer Bildrate von 15 Bildern pro Sekunde und einer Auflösung von 3840 × 2160 aufgenommen. Ein Beispiel unserer Datenerfassung und einer Videoaufzeichnung ist in Abb. 1b dargestellt.

Versuchsaufbau (erstellt mit BioRender.com). (a) Schematische Draufsicht des in dieser Studie verwendeten Versuchsaufbaus im mittleren Flur des Schweinegebäudes. Der blaue Bereich markiert die Erdplattform mit Holzgang (in Rot). Die roten gestrichelten Linien markieren Tore zur Regulierung des Durchgangs einzelner Schweine. (b) Schematische Seitenansicht des Versuchsaufbaus.

DeepLabCut 2.2b.827 wurde in einer Anaconda-Umgebung mit Python 3.7.7.30 auf einem speziell angefertigten Computer installiert, auf dem ein Windows 10 64-Bit-Betriebssystem mit Intel Core i5-vPro CPU-Prozessor (2,60 GHz) und 8 GB RAM-Speicher ausgeführt wurde. Das Training, die Bewertung und die Analyse des neuronalen Netzwerks wurden mit DeepLabCut im Google Colaboratory (COLAB) (https://colab.research.google.com/) durchgeführt.

Um Körperteile an einem Schwein zu erkennen, das durch den Versuchsaufbau läuft, wurde ein neuronales Netzwerk mit DeepLabCut 2.2b27 trainiert, wie in Nath et al.32 beschrieben. Zur Schätzung der Hüftbreite, Schulterbreite und Körperlänge war eine minimalistische Konfiguration mit acht Körperteilen (Abb. 2a; Tabelle 1) erforderlich. Operationelle Definitionen finden Sie in Tabelle 1. Kopfkörperteile (Nase, Ohr links und Ohr rechts) wurden ebenfalls beschriftet, jedoch nicht in unser endgültiges Strukturmodell einbezogen, da diese Körperteile häufig in aufeinanderfolgenden Bildern verdeckt wurden.

(a) Schematischer Überblick über die acht Körperpositionen, die für die Posenkonfiguration in DeepLabCut27 (erstellt mit BioRender.com) mit Anmerkungen versehen wurden. 1 = Wirbelsäule1; 2 = Schulter links; 3 = Schulter rechts; 4 = Mitte; 5 = Wirbelsäule2; 6 = Hüfte links; 7 = Hüfte rechts; 8 = Schwanzbasis. (b) Beispiel eines etikettierten Schweins beim Wiegen mit der DeepLabCut-Software.

Sieben Videos von etwa einer Stunde, die an zwei verschiedenen Tagen aufgenommen wurden, wurden ausgewählt, um unterschiedliche Schweinegrößen (20–120 kg) einzubeziehen, und jedes Video enthielt mehrere Schweinewägungen. Aus diesen sieben Videos wurden mehrere Frames zur Kommentierung mithilfe von K-Means-Clustering in DeepLabCut extrahiert. Wir haben zunächst 457 Frames (~ 1 Frame pro Schwein) mit Anmerkungen versehen, die in einen Trainingsdatensatz (95 %; 434 Frames) und einen Testdatensatz (5 %; 23 Frames) aufgeteilt wurden. Das Netzwerk wurde im Google Colaboratory unter Verwendung der ResNet-50-Architektur mit einer Stapelgröße von 2 trainiert. Wir trainierten unseren Algorithmus, bis die Verlustfunktion ein Optimum erreichte, was in dieser Studie einen minimalen Verlust mit einer minimalen Anzahl von Iterationen anzeigte. Als nächstes verglichen wir die mittleren Pixelfehler mehrerer Modelle innerhalb dieses optimalen Bereichs. Modelle mit den niedrigsten mittleren Pixelfehlern wurden visuell auf ihre Leistung bei der Verfolgung von Körperteilen in gesamten Videos überprüft. Anschließend wurde das Modell, das die optimale Leistung erbrachte, auf Flexibilität getestet, indem bisher unbekannte Einzelschweinevideos mit Schweinen unterschiedlicher Größe (20 vs. 120 kg) verwendet wurden, die an verschiedenen Tagen gewogen wurden. Da die Modellleistung zunächst nicht optimal war, wurden schlecht verfolgte Ausreißerbilder mithilfe des DeepLabCut-„Sprung“-Algorithmus32 extrahiert. Dieser Algorithmus identifiziert Frames, in denen ein oder mehrere Körperteile gegenüber dem letzten Frame um mehr als einen Kriteriumswert (in Pixeln) gesprungen sind32. Diese Ausreißerrahmen wurden manuell verfeinert und anschließend zum erneuten Training zum Trainingsdatensatz hinzugefügt. Insgesamt wurden 150 Ausreißerbilder aus sechs neuartigen Videos mit einem einzelnen Schwein extrahiert, um die Tracking-Leistung zu verbessern (± 25 Bilder pro Schwein). Der endgültige Trainingsdatensatz bestand aus 577 (95 %) Frames und einem Testdatensatz aus 30 Frames (5 %). Anschließend wurde das Netzwerk erneut mit denselben Funktionen wie beim ersten Training trainiert. Zusätzliche Datei 3Video S2 zeigt ein Beispiel eines Schweins mit Körperteilverfolgung.

Nach Haltungsextraktionen von Körperteilen mit DeepLabCut wurden Körpermaßparameter geschätzt. Der Rohdatensatz enthielt Körperteilpositionen und Tracking-Wahrscheinlichkeiten von 5.102.260 Bildern. Die einzelnen Schweine-IDs wurden zunächst mit Videoaufzeichnungen gekoppelt, die auf dem Zeitpunkt der Messung aus dem Gewichtsdatensatz basierten. Die folgenden Schritte und Analysen wurden in R33 durchgeführt. Frames mit einer mittleren Tracking-Wahrscheinlichkeit < 0,1 über alle acht Körperteile wurden entfernt (2.792.252 Frames übrig). Diese starke Reduzierung der Anzahl der Bilder (± 50 % entfernt) wurde hauptsächlich durch Videobilder ohne Schweine verursacht, beispielsweise zwischen den Wiegungen verschiedener Ställe oder zwischen den Wiegungen von Schweinen.

Anschließend wurden für jedes Wiegeereignis Start- und Endpunkte festgelegt, um Körpermaße und Aktivitätsmerkmale abzuschätzen. Für ein bestimmtes Wiegeereignis wurde zunächst eine Teilmenge erstellt, die alle Frames zwischen dem vorherigen und dem nächsten Wiegeereignis enthält. Der Zeitpunkt des Betretens und Verlassens des Schweins auf der Waage wurde anhand der x-Position (in Pixel) der Schwanzbasis geschätzt, da die Bewegung der Schweine überwiegend entlang der x-Achse (von rechts nach links) erfolgte (Abb. 2b). ). Der Eintrittsrahmen wurde als der erste Rahmen einer Teilmenge definiert, bei dem der gleitende Median (pro 10 Rahmen) der x-Position der Schwanzbasis 1100 Pixel überschritt (Abb. 3). Ebenso wurde das erste Bild nach dem Wiegen eines Schweins mit einer rollenden mittleren x-Position der Schwanzbasis < 250 Pixel verwendet, um den Zeitpunkt des Abgangs zu bestimmen. Wenn diese Kriterien nicht erfüllt waren, wurde der erste Rahmen und/oder der Rahmen, in dem die Gewichtsaufzeichnung erfolgte, als Zeitpunkt des Ein-/Ausstiegs herangezogen.

Festlegung des Zeitfensters für eine Gewichtserfassung. (a) Zunächst wird eine Teilmenge aller Schwanzbasis-X-Positionen zwischen dem Zeitpunkt der Aufzeichnung der nächsten (orange) und der vorherigen (rot) Gewichtsaufzeichnung erstellt. Als Startzeitpunkt des Zeitfensters wird der erste Wert vor der Eigengewichtsaufzeichnung (grün) oberhalb der Schwelle von 1100 Pixeln (gestrichelte violette Linie; Schwein betritt die Waage) ermittelt. Als Endzeitpunkt des Zeitfensters wird der erste Wert nach der Eigengewichtsaufzeichnung (grün) unterhalb der Schwelle von 250 Pixeln (gestrichelte violette Linie; Schwein verlässt die Waage) ermittelt. (b) Das extrahierte Zeitfenster, in dem die Körperteilabmessungen geschätzt und eine Flugbahnanalyse durchgeführt werden.

Hüftbreite, Schulterbreite und Körperlänge eines Schweins wurden geschätzt, indem der Medianwert des Abstands zwischen bestimmten Körperteilen über alle Frames für eine bestimmte Gewichtsaufzeichnung verwendet wurde (Tabelle 1, Abb. 2). Diese Körpermaße in Pixeln wurden in Metriken umgewandelt, da 1 cm als Äquivalent zu 29,1 Pixeln berechnet wurde. Das Umrechnungsverhältnis von Pixeln in Zentimeter basierte auf dem Abstand zwischen den Kacheln der Waage, der bekanntermaßen genau 50 cm betrug. Die Gesamtoberfläche wurde anhand des Mittelwerts der Fläche geschätzt, der mit der st_area-Funktion in R aus dem R-Paket sf34 unter Verwendung aller äußeren Körperteilpositionen berechnet wurde. Nach der Qualitätskontrolle (wie oben beschrieben) wurden auch Standardabweichungen der Körperteilpositionen für alle Frames zwischen Eingang und Ausgang berechnet, um die Stabilität der Schätzungen zu beurteilen.

Die Flugbahnanalyse wurde mit dem R-Paket „trajr“35 für die linke und rechte Schulter, die linke und rechte Hüfte und die Schwanzbasis durchgeführt. Für jeden Körperteil wurden Pixelkoordinaten extrahiert, Trajektorien von Pixeln auf cm neu skaliert und mit der Funktion TrajSmoothSG eine geglättete Trajektorie erstellt. Aus diesen geglätteten Trajektorien wurden die folgenden aktivitätsbezogenen Merkmale abgeleitet: Mittelwert und Standardabweichung von Geschwindigkeit und Beschleunigung („TrajDerivatives“), ein Geradheitsindex („TrajStraightness“) und eine Sinuosität („TrajSinuosity2“).

Der Geradheitsindex und die Biegung hängen mit dem Konzept der Tortuosität zusammen und sind mit der Orientierung und dem Suchverhalten eines Tieres verbunden35,36. Der Geradheitsindex errechnet sich aus der euklidischen Distanz zwischen Start- und Endpunkt dividiert durch die Gesamtlänge der Bewegung36. Der Geradheitsindex gibt an, wie nah der Weg des Tieres an einer geraden Linie war, die den Start- und Endpunkt verbindet, und variiert zwischen 0 und 1. Somit quantifiziert er die Wegeffizienz, wobei die Effizienz umso höher ist, je näher sie an 1 liegt. In unserem Experiment ist diese Wegeffizienz am höchsten, wenn ein Schwein während des Wiegens in einer geraden Linie geht (Geradheitsindex = 1). Jegliche Abweichung von dieser Geraden – aufgrund einer erhöhten Aktivität des Schweins beim Wiegen – senkt den Geradheitsindex gegen Null. Sinuosity versucht, die Gewundenheit eines zufälligen Forschungspfads abzuschätzen, indem es die Schrittlänge und den mittleren Kosinus der Drehwinkel eines Tieres kombiniert35,36,37. Die Sinusität einer Flugbahn variiert zwischen 0 (zufällige Bewegung) und 1 (gerichtete Bewegung).

In dieser Studie gehen wir davon aus, dass die mittlere Geschwindigkeit, der Geradheitsindex und die Kurvenform mit der Aktivität der Schweine während des Wiegens zusammenhängen. Im Extremfall läuft ein Schwein geradlinig auf den RFID-Leser zu, bleibt bis zur Gewichtserfassung regungslos stehen und setzt seinen Weg geradlinig fort, nachdem das Tor geöffnet wurde. Dies würde zu einer niedrigen Durchschnittsgeschwindigkeit (m/s), einer Sinusität > 0 und einem Geradheitsindex von 1 führen. Wir gehen davon aus, dass aktivere Schweine mehr seitliche Bewegungen zeigen, wodurch die Durchschnittsgeschwindigkeit steigt und der Geradheitsindex und die Sinusheit sinken. Generell gilt, dass ruhigere Schweine beim Wiegen eine geringere Durchschnittsgeschwindigkeit aufweisen, obwohl sie möglicherweise mit hoher Geschwindigkeit auf den RFID-Leser zugelaufen sind.

Die Schätzungen der Körpermaße anhand von mit DeepLabCut analysierten Videoaufzeichnungen wurden nach dem ersten Experiment von einer unabhängigen Gruppe von 60 Schweinen validiert. Diese Schweine stammten aus fünf Ställen unterschiedlichen Alters (92–166 Tage) und wurden manuell mit einem einfachen Maßband auf Schwanzhalslänge und Hüftbreite gemessen. Die Schweineoberfläche wurde für die manuellen Aufzeichnungen als Multiplikation der Schwanzhalslänge und der Hüftbreite geschätzt. Die manuellen Schätzungen für Schwanzhalslänge, Hüftbreite und Schweineoberfläche wurden dann mit den Schätzungen aus der Videoanalyse verglichen, indem Pearson-Korrelationen und der mittlere quadratische Fehler (RMSE) berechnet wurden.

Automatisierte Aktivitätsmerkmale wurden validiert, indem diese Werte mit manuellen Aktivitätswerten verglichen wurden, die von fünf geschulten Beobachtern ermittelt wurden. Videoaufnahmen von 1748 Schweinewiegungen wurden von mindestens zwei Beobachtern pro Schwein manuell auf einer Skala von 1 (ruhig) bis 5 (sehr aktiv) auf Schweineaktivität bewertet. Diese ordinale Aktivitätsskala wurde basierend auf D'Eath et al. erstellt. und Holl et al.17,24. Anschließend wurde der durchschnittliche Aktivitätsscore pro Schwein durch Berechnung von Pearson-Korrelationen mit automatisierten Aktivitätsscores verglichen.

Nach der Schätzung der Körpergröße und der Aktivitätsmerkmale wurde eine zusätzliche Qualitätskontrolle durchgeführt. Zunächst wurden die Schätzungen der Hüft- und Schulterbreite, der Schwanzhalslänge und der Schweineoberfläche für Datensätze mit Frame-für-Frame-Standardabweichungsschätzungen höher als der Mittelwert + 3 × Standardabweichungen für alle Datensätze auf „Fehlend“ gesetzt. Die Schwellenwerte betrugen 10,2 cm für den Hüftabstand (132 Datensätze), 11,8 cm für den Schulterabstand (135 Datensätze), 20,6 cm für die Schwanz-Hals-Länge (121 Datensätze) und 0,058 m2 für die Schweineoberfläche (96 Datensätze). Wenn die Standardabweichung der geschätzten Hüftbreiten über Rahmen innerhalb eines Wiegevorgangs eines Schweins > 8,9 cm betrug, wurde der Datensatz auf „fehlend“ gesetzt.

Zweitens wurden für jedes Individuum mit mindestens vier Datensätzen (941 Schweine, 6807 Datensätze) Ausreißer mithilfe einer polynomialen Regression zweiter Ordnung auf der interessierenden Variablen als Funktion des Alters in Tagen ermittelt. Basierend auf der Verteilung der Differenz zwischen beobachteten und vorhergesagten Phänotypen für alle Tiere wurde ein Schwellenwert für den Ausschluss (Datensatz auf „fehlend“ gesetzt) ​​auf das Dreifache der Standardabweichung der Differenzen festgelegt. Die Schwellenwerte betrugen 2,1 cm für den Hüftabstand (61 Datensätze), 2,2 cm für den Schulterabstand (58 Datensätze), 6,4 cm für die Schwanzhalslänge (75 Datensätze), 0,021 m2 für die Schweineoberfläche (85 Datensätze) und 3,7 kg für das Gewicht (86 Datensätze).

Der endgültige Datensatz nach der Datenbereinigung umfasste 7428 Datensätze von 1556 Mastschweinen, die von 73 Piétrain-Vätern und 204 Kreuzungsmüttern abstammen. Der Stammbaum umfasste 4089 Tiere, wobei die mittlere Abstammungstiefe der Piétrain-Vererber 15 Generationen (min. 10; max. 17) und 3 (min. 0; max. 6) für Kreuzungsmütter betrug.

Wir haben genetische Parameter (Heritabilität und genetische Korrelationen) mithilfe der blupf90-Programmsuite38 geschätzt. Genetische Varianzen und Heritabilitäten wurden mit Average Information REML geschätzt, in airemlf90 implementiert und mit dem R-PaketbreedR39 mit den Optionen „EM-REML 20“, „use_yams“ und „se_covar_function“ aufgerufen. Genetische Parameter wurden zunächst anhand des gesamten Datensatzes und anschließend anhand von Teilmengen pro Schweinegewichtsaufzeichnung (1 bis 8) geschätzt. Die erste Gewichtserfassung entspricht beispielsweise einem Datensatz von 1176 Schweinen im Alter zwischen 78 und 89 Tagen (Tabelle 2). Wir haben h2 als den Anteil der additiven genetischen Varianz geteilt durch die Gesamtvarianz geschätzt, während der gemeinsame Umwelteffekt (c2) als den Anteil der Varianz geschätzt wurde, der durch zufällige Umwelteffekte (c) erklärt wurde, geteilt durch die Gesamtvarianz.

Genetische Korrelationen (rg) zwischen Merkmalen wurden mithilfe bivariater Tiermodelle (airemlf90) geschätzt. Zunächst wurden genetische Korrelationen zwischen allen möglichen Merkmalskombinationen anhand des vollständigen Datensatzes berechnet. Anschließend wurden die genetischen Korrelationen innerhalb der Merkmale für alle paarweisen Wägungsereignisse geschätzt (also wurden zwei Aufzeichnungen desselben Merkmals als zwei unterschiedliche Merkmale behandelt). Auf diese Weise können wir beurteilen, ob sich ein Merkmal im Laufe der Zeit genetisch verändert.

Die geschätzten Tiermodelle hatten die Form:

wobei y der Vektor mit Phänotypen für das/die untersuchte(n) Merkmal(e) ist; b ist der Vektor, der die festen Effekte (Geschlecht, 2 Stufen; Parität der Mutter, 4 Stufen) und Kovariaten (Alter) enthält; a ist der Vektor additiver genetischer Wirkungen (4089 Stufen); c ist der Vektor zufälliger Umwelteffekte (65 Stufen); e ist der Vektor der Resteffekte; X, Z und W sind Inzidenzmatrizen für jeweils feste Effekte, zufällige Tiereffekte und zufällige dauerhafte Umwelteffekte. Der zufällige Umwelteinfluss c ist eine Kombination aus Eingangsdatum im Mastbetrieb und Wiegedatum. Alle zwei Wochen kam eine neue Charge Schweine in den Mastbetrieb. Die Parität der Muttertiere bestand aus vier Klassen („1“, „2–3“, „4–5“, „6 +“).

Die Leistung des Netzwerks wurde durch die Berechnung von Zug- und Testfehlern bewertet. Diese Fehler werden anhand der durchschnittlichen euklidischen Differenz zwischen den Pixelkoordinaten aus den manuellen Anmerkungen und den DeepLabCut-Schätzungen für den Trainingsdatensatz und den Testdatensatz gemessen. Der mittlere Pixelfehler im Trainingsdatensatz ohne Wahrscheinlichkeitsgrenze (p-Grenze) betrug 99,2 Pixel oder 3,4 cm und 95,9 Pixel oder 3,3 cm für den Testdatensatz (Tabelle 2) für das endgültige Netzwerk (Zusatzdatei 3Video S2). . Die Anwendung eines p-Cut-Offs (p = 0,10) verbesserte den mittleren Pixelfehler im Trainingsdatensatz auf 81,1 Pixel oder 2,8 cm und 76,1 Pixel oder 2,6 cm für den Testdatensatz. Nach dem p-Cut-Off lagen die mittleren Pixelfehler einzelner Körperteile zwischen 14,0 und 136,0 Pixel, was 0,5 und 4,7 cm entspricht.

Um die Leistung des automatisierten Posenschätzungsalgorithmus zu validieren, wurden die geschätzte Schwanzhalslänge, Hüftbreite und Schweineoberfläche mit manuellen Aufzeichnungen verglichen. Die Pearson-Korrelationen zwischen manuellen Aufzeichnungen und Videoanalyse waren für die Schwanzhalslänge (r = 0,94; RMSE = 3,2 cm), die Hüftbreite (r = 0,80; RMSE = 1,8 cm) und die Schweineoberfläche (r = 0,91; RMSE = 0,019) hoch m2). Schätzungen mittels Videoanalyse lagen jedoch im Durchschnitt bei der Schwanzhalslänge um 7,4 cm und bei der Hüftbreite bei 2,3 cm höher. Darüber hinaus wurden automatisierte Aktivitätswerte validiert, indem sie mit manuell ermittelten Aktivitätswerten von geschulten Beobachtern verglichen wurden. Die Pearson-Korrelationen zwischen manuellen Aufzeichnungen und Videoanalyse waren für die mittlere Geschwindigkeit (r = 0,49), den Geradheitsindex (r = − 0,57) und den Sinuositätsindex (r = − 0,32) moderat bis hoch. Nach der Kombination dieser drei automatisierten Aktivitätsmerkmale in einem „Aktivitätsindex“ (1/3 Gewicht pro Merkmal nach Neuskalierung) erhöhte sich die Pearson-Korrelation mit manuellen Aktivitätswerten auf r = 0,62. Die Pearson-Korrelation zwischen Beobachtern für den Aktivitätswert war ebenfalls moderat bis hoch und reichte von r = 0,55–0,84. Paarweise Korrelationsdiagramme für alle Validierungen finden Sie in der Zusatzdatei 4, Abbildung S1.

Eine Übersicht über die deskriptive Statistik der wichtigsten Merkmale ist in Tabelle 3 dargestellt. Die Merkmale waren auf der Grundlage einer visuellen Untersuchung der Histogramme annähernd normalverteilt. Abbildung 4 zeigt die Entwicklung der Körpermaße und des Gewichts als Funktion des Alters der Schweine. Die Steilheit des Wachstums von Schwanzhalslänge, Hüftbreite und Schulterbreite nimmt mit der Zeit ab, im Gegensatz zu Gewicht und Oberfläche der Schweine, die einen annähernd linearen Anstieg zeigen.

Entwicklung der Körpermaße in Abhängigkeit vom Alter (in Tagen) und gefärbt nach Gewicht (in kg). Eine geglättete Regressionslinie wird in Rot angezeigt. Pro Schwein fanden alle vierzehn Tage maximal acht Aufzeichnungen statt, was die acht separaten Datenblöcke mit dazwischen liegenden Leerzeichen erklärt. (a) Entwicklung des Schwanz-Hals-Abstands. (b) Entwicklung der Hüftbreite. (c) Entwicklung der Schweineoberfläche. (d) Gewichtsentwicklung. Die Grafik zur Schulterbreite wird nicht angezeigt, da sie der Hüftbreite entsprach.

Die Wiederholbarkeit von Merkmalen wurde durch Betrachtung der phänotypischen Pearson-Korrelationsmatrix innerhalb eines Merkmals im Zeitverlauf für dieselben Schweine beurteilt (zusätzliche Datei 5, Abb. S2). Bei den Körpermaßen und der durchschnittlichen Tageszunahme war die Wiederholbarkeit im Allgemeinen sehr hoch und deutlich (p < 0,001) größer als Null (r = 0,41–0,98). Die geringsten Korrelationen wurden zwischen der ersten und der letzten Aufzeichnung gefunden. Die Wiederholbarkeit war für die Aktivitätsmerkmale mittlere Geschwindigkeit, Geradheit und Kurvenfahrt gering (r = 0,05–0,39), obwohl sie durchweg positiv war und bei den meisten Vergleichen deutlich von Null abweicht (p < 0,001; in der Zusatzdatei 5, Abb. S2, mit *** gekennzeichnet). . Darüber hinaus zeigten aufeinanderfolgende Aufzeichnungen (zweiwöchige Intervalle) für Aktivitätsmerkmale eine konsistente und signifikante (p < 0,001) Pearson-Korrelation in der Größenordnung von r = 0,3. Darüber hinaus stiegen die internen Korrelationen der Reihenfolge, in der Schweine gewogen wurden, im Laufe der Zeit stetig von etwa r = 0,10 auf r = 0,40.

Schätzungen von h2 und c2 für den gesamten Datensatz sind in Tabelle 4 aufgeführt, während diese Schätzungen für Teilmengen pro Gewichtsaufzeichnung in der Zusatzdatei 6, Abb. S3, angegeben sind. Die Erblichkeitsschätzungen waren für die geschätzten Körpermaßparameter Hüftbreite (64,1 %), Schulterbreite (66,4 %), Schwanzhalslänge (71,9 %) und Schweineoberfläche (74,8 %) hoch. Bei den Verhaltensparametern war h2 für die Wiegedauer (2,9 %), die Standardabweichung der Schwanzbasisgeschwindigkeit (6,3 %) sowie den Mittelwert und die Standardabweichung der Schwanzbasisbeschleunigung (8,7 % bzw. 5,5 %) sehr niedrig. Allerdings waren die h2-Schätzungen niedrig bis mäßig für die mittlere Geschwindigkeit (24,5 %), den Geradheitsindex (25,9 %) und die Biegung (23,8 %) der Schwanzbasis, und die Schätzungen lagen sogar noch höher für diese Merkmale, die aus den Flugbahnen der linken und rechten Schulter und der Hüfte berechnet wurden (22). –35 %; Zusatzdatei 7, Tabelle S1).

Eine Auswahl der relevantesten rg-Schätzungen für den gesamten Datensatz ist in Abb. 5 dargestellt. Eine Liste mit allen bivariaten genetischen Korrelationen für alle möglichen Merkmalskombinationen finden Sie in der Zusatzdatei 8, Tabelle S2. Es wurden hohe genetische Korrelationen (rg = 0,81–0,92) zwischen Körpermaßparametern und ADG beobachtet, und geringe bis mäßige negative Korrelationen (rg = – 0,46 bis – 0,34) wurden zwischen Körpermaßparametern und Fleischanteil gefunden. Die mittlere Geschwindigkeit korrelierte stark negativ mit dem Geradheitsindex (rg = − 0,93) und der Sinuosität (rg = − 0,84). Zwischen Körpermaßparametern und Verhaltensparametern wurden geringe genetische Korrelationen (rg = − 0,34–0,19) beobachtet. Es wurden sehr geringe genetische Korrelationen zwischen Verhaltensparametern und Schwanzbeißen, Ohrenbeißen und Ohrenschwellungen geschätzt (Zusatzdatei 8, Tabelle S2).

Heatmap der Schätzungen der genetischen Korrelation (rg) zwischen einer Reihe ausgewählter Merkmale für den gesamten Datensatz. Alle geschätzten genetischen Korrelationen (mit Standardfehlern) finden Sie in der Zusatzdatei 8, Tabelle S2.

Verhaltensanalysen gewinnen bei der Beurteilung des Tierwohls, einem Grundpfeiler einer modernen, nachhaltigen Schweinezucht, zunehmend an Bedeutung. Das übergeordnete Ziel dieser Studie bestand darin, routinemäßige Schweinewiegeverfahren um automatisierte Messungen der Körperzusammensetzung und des Aktivitätsniveaus zu erweitern. Mithilfe der Software DeepLabCut (DLC) haben wir ein Modell zur Posenschätzung einzelner Mastschweine entwickelt. Mit einem durchschnittlichen Trackingfehler von 3,3 cm konnten wir relevante Körperteile genau einschätzen. Anhand der Tracking-Ausgabe konnten wir Körpermaße und Verhaltensaktivitätsmerkmale abschätzen. DLC-Schätzungen wurden validiert, indem manuell erfasste Körpermaße als goldener Standard verwendet wurden. Die Pearson-Korrelationen zwischen den automatisierten Schätzungen und den manuellen Beobachtungen waren hoch und lagen zwischen 0,80 und 0,94. Darüber hinaus wiesen automatisierte Aktivitätsbewertungen mäßige bis hohe Korrelationen mit manuell bewerteten Aktivitätsmerkmalen auf (r = 0,32–0,62). Diese Validierung zeigt, dass unsere Methodik zur Quantifizierung der allgemeinen Schweineaktivität geeignet ist, insbesondere weil die Korrelationen zwischen Beobachtern für die Aktivität ähnlich waren (r = 0,55–0,84).

Eine ausschließliche Fokussierung auf die Steigerung der Produktion geht mit einer erhöhten Zahl produktionsbedingter Krankheiten und Beschwerden wie Beinproblemen bei Mastschweinen40 einher. Die Kombination von Genetik mit der Analyse von Körperbau und Tierverhalten könnte dazu beitragen, in Zukunft eine nachhaltigere und robustere Zucht zu entwickeln40. Allerdings bleibt es problematisch, Verhaltensanzeigen bei Schweinen im großen Maßstab für die Anwendung in Zuchtprogrammen zu definieren und zu bewerten. Darüber hinaus sind große Datensätze mit einer ausreichenden Stammbaumstruktur erforderlich, um Erblichkeiten und genetische Korrelationen genau abzuschätzen41. Hier konnten wir genetische Informationen mit direkten Verhaltensdaten kombinieren. Die Heritabilität der Körpermaßparameter war hoch (h2 = 61–74 %) und sogar etwas höher als in der Literatur gefundene Schätzungen (h2 = 30–60 %)14,15. Dies könnte auf eine hohe Standardisierung und geringe Umweltvariabilität in unserer Studie zurückzuführen sein: Alle Messungen fanden im selben Versuchsmastbetrieb innerhalb derselben Saison (Januar–Juli 2021) statt. Dies spiegelt sich auch in den niedrigen Schätzungen für dauerhafte Umweltauswirkungen (c2 = 7,7–17,6 %) für diese Merkmale wider. Die Schätzungen zur Heritabilität waren für die Aktivitätsmerkmale mittlere Geschwindigkeit, Geradheitsindex und Kurvenfahrt niedrig bis mäßig (h2 = 22–35 %). Diese Schätzungen ähneln denen manuell bewerteter Aktivitäts- und Handhabungsmerkmale bei Schweinen während des Wiegens (h2 = 10–23 %)3,17,18,19,24.

Es wurden keine nachteiligen Korrelationen zwischen Aktivitätsmerkmalen und Körpermaßparametern gefunden (rg = − 0,34–0,19), was darauf hindeutet, dass Schweine für beide Arten von Merkmalen gleichzeitig ausgewählt werden können. Diese Ergebnisse stehen im Einklang mit Holl et al.17, die eine geringe genetische Korrelation zwischen Aktivitätswert und Rückenfettdicke (rg = − 0,11 bis − 0,16) sowie einen moderaten Zusammenhang zwischen Aktivitätswert und Wachstum (rg = − 0,38) berichten. Ähnlich wie bei Ohnishi und Satoh42 waren die genetischen Korrelationen zwischen Körpermaßparametern und durchschnittlicher Tageszunahme hoch (rg = 0,81–0,92). Trotz dieser hohen genetischen Korrelationen bleibt die Kombination von Körpermaßparametern mit Gewichtsaufzeichnungen in der (Schweine-)Zucht relevant. Die Körperlänge korreliert beispielsweise mit der Anzahl der Wirbel, den Zitzen und der Wurfgröße43,44. Die Aktivitätsmerkmale bedeuten, dass Geschwindigkeit, Geradheitsindex und Kurvenfahrt stark korrelierten, vermutlich weil diese Merkmale auf das Aktivitätsniveau der Schweine während des Wiegens zurückgeführt werden können.

Es wurden geringe Korrelationen zwischen den Schwanz- oder Ohrenbeißwerten, der Körpergröße und den Aktivitätsparametern festgestellt. Daher erscheint es nicht möglich, das Schwanzbeißen als korrelierende Reaktion bei der Auswahl von Schweinen auf der Grundlage dieser Aktivitätsmerkmale zu reduzieren. Ursinus et al.45 berichteten auch, dass das Schwanzbeißen anhand des individuellen Verhaltens schwer vorherzusagen sei. Es gibt jedoch Hinweise auf einen geringen bis mäßigen Zusammenhang zwischen der Aktivität beim Wiegen und der Aggression im Gehege3,24. Daher kann die Zucht von Schweinen mit reduzierter Aktivität beim Wiegen zu einem geringeren Aggressions- und Verletzungsrisiko führen. Die selektive Züchtung gegen unerwünschte Verhaltensweisen wie Aggression hat sich bei Schweinen bereits als wirksam erwiesen46.

Leider konnten wir unsere Aktivitätsmerkmale beim Wiegen nicht mit der Aktivität im Stall vergleichen. Allerdings haben Studien einen Zusammenhang zwischen der Aktivität beim Wiegen und der Aggression im Stall festgestellt3,24, wohingegen andere Veränderungen der Aktivitätswerte im Stall mit Schwanzbeißen und Infektionen16,20,21,22 oder Restfutteraufnahme23 in Zusammenhang gebracht wurden. Derzeit fehlen jedoch Belege für den Zusammenhang zwischen der Aktivität beim Wiegen und der Aktivität im Stall. Dieser Zusammenhang zwischen Wiegeaktivität und Stiftaktivität bedarf weiterer Forschung. Es ist zu beachten, dass in unserem Fall ein einzelner Stall (normalerweise 13 Schweine) zunächst in einen zentralen Flur gebracht wurde und anschließend die Schweine nacheinander gewogen wurden. Normalerweise erreichten Schweine das RFID-Lesegerät innerhalb weniger Sekunden, danach dauerte es etwa 10 bis 20 Sekunden, bis sie tatsächlich gewogen wurden. Daher gibt die von uns geschätzte Durchschnittsgeschwindigkeit vor allem an, wie weit sich ein Schwein beim Wiegen hin und her bewegte. Darüber hinaus werden in ökologischen Studien meist Kurven- und Geradheitsindizes unter der Annahme verwendet, dass sich Tiere frei bewegen können35,36. In unserem Aufbau waren Schweine auf eine begrenzte Fläche von etwa 2,5 m × 0,6 m beschränkt (Abb. 1). Obwohl die Interpretation unterschiedlich ist, argumentieren wir, dass diese Merkmale für die Charakterisierung des Schweineverhaltens immer noch sehr relevant sind, da sie einen guten Hinweis auf die Aktivität beim Wiegen liefern.

Obwohl unser neuronales Netzwerk für spezifische Merkmale und Situationen entwickelt wurde (z. B. weiße Mastschweine, einzeln auf einer großen Waage gewogen), kann das Netzwerk relativ einfach verallgemeinert oder erweitert werden, wie Winters et al.47 erklären. Eine praktische Einschränkung unseres Verfahrens bestand darin, dass Videos nach der Aufzeichnung analysiert und gespeichert und anschließend mit dem Gewichtsdatensatz (der IDs enthielt) verknüpft werden mussten. Diese Einschränkung könnte durch den Einsatz einer Echtzeitversion von DeepLabCut in Kombination mit einem RFID-Lesegerät48 oder durch Verbesserungen bei der Tieridentifizierung mithilfe von Computer-Vision-Systemen behoben werden, was derzeit eine große Herausforderung darstellt. Das entwickelte Modell könnte auch erweitert werden, um mithilfe der Software SimBA (Simple Behavioral Analysis) (https://github.com/sgoldenlab/simba)49 sehr spezifische Verhaltensweisen von Schweinen beim Wiegen zu erkennen, wie z. B. Springen oder Umdrehen (U-Turns). . Während unseres Experiments versuchten mehrere Schweine, der Waage zu entkommen, indem sie versuchten, herauszuspringen, was ein Hinweis auf flatterhafte Tiere sein könnte3. Darüber hinaus könnte unser Modell erweitert werden, um Schwanz- und Ohrbissspuren und/oder Hautverletzungen zu identifizieren, wie Blömke et al.50 gezeigt haben. Das Hinzufügen einer Seitenansichtskamera und/oder einer 3D-Kamera würde es uns möglicherweise ermöglichen, unsere Analysen zu verfeinern, obwohl dies die Komplexität erhöhen und daher den Einsatz auf landwirtschaftlichen Betrieben in groß angelegten Programmen einschränken würde. Dies würde es uns ermöglichen, die Körpergröße, Muskeltiefe und das Rückenfett von Schweinen abzuschätzen5 oder eine Ganganalyse im Zusammenhang mit Lahmheit oder anderen Bewegungsproblemen durchzuführen51.

In der vorliegenden Studie haben wir die Körpergröße und Aktivitätsmerkmale von Schweinen mithilfe einer automatisierten Posenschätzung anhand aufgezeichneter Videos geschätzt. Unsere Methodik erweitert die Standardroutine des Schweinewiegens um ein Computer-Vision-System, das in der Lage ist, sowohl die Körpermaße als auch die Aktivitätsmerkmale der Schweine genau zu phänotypisieren. Darüber hinaus haben wir unsere Ergebnisse validiert und gezeigt, dass diese Merkmale vererbbar sind und keine negative genetische Korrelation mit Produktionsmerkmalen aufweisen. Diese Methoden sind für (Schweine-)Zuchtorganisationen wertvoll, um neue Produktions- und Verhaltensmerkmale automatisch zu phänotypisieren.

Der Datensatz wird auf begründete Anfrage hin zugänglich gemacht. Alle unsere kommentierten Bilder und Tracking-Modelle sind verfügbar unter: https://doi.org/10.17605/OSF.IO/QKW5Y. Für weitere Rückfragen wenden Sie sich bitte an den entsprechenden Autor.

Durchschnittlicher Tagesgewinn

Häufige Umweltauswirkungen

Computer-Vision-Systeme

DeepLabCut

Futterverwertungsverhältnis

Erblichkeit im engeren Sinne

Pearson Korrelation

Radiofrequenz-Identifikation

Genetische Korrelation

FAO. Welternährung und Landwirtschaft: Statistisches Jahrbuch 2020 (FAO, 2020).

Google Scholar

Knap, PW Die wissenschaftliche Entwicklung, die wir in der Tierzuchtindustrie brauchen. J. Anim. Züchten. Genet. 137(4), 343–344 (2020).

Artikel MathSciNet PubMed Google Scholar

Rydhmer, L. & Canario, L. Verhaltensgenetik bei Schweinen und Beziehungen zum Wohlergehen. Genetik und Verhalten von Haustieren 397–434 (Elsevier Inc., 2014).

Buchen Sie Google Scholar

Fernandes, AFA, Dórea, JRR & Rosa, GJM Bildanalyse und Computer-Vision-Anwendungen in den Tierwissenschaften: Ein Überblick. Vorderseite. Tierarzt. Wissenschaft. 7, 1269 (2020).

Artikel Google Scholar

Fernandes, AFA et al. Vergleich von Datenanalysestrategien in Computer-Vision-Systemen zur Vorhersage der Körperzusammensetzungsmerkmale von Schweinen aus 3D-Bildern. J. Anim. Wissenschaft. 98, 8 (2020).

Artikel Google Scholar

Riekert, M., Klein, A., Adrion, F., Hoffmann, C. & Gallmann, E. Automatische Erkennung der Schweineposition und -haltung durch 2D-Kamerabildgebung und Deep Learning. Berechnen. Elektron. Landwirtschaft. 174, 105391 (2020).

Artikel Google Scholar

Chen, C. et al. Erkennung aggressiver Episoden bei Schweinen basierend auf einem Faltungs-Neuronalen Netzwerk und einem langen Kurzzeitgedächtnis. Berechnen. Elektron. Landwirtschaft. 169, 105166 (2020).

Artikel Google Scholar

Leonard, SM, Xin, H., Brown-Brandl, TM & Ramirez, BC Entwicklung und Anwendung eines Bilderfassungssystems zur Charakterisierung des Sauenverhaltens in Abferkelställen. Berechnen. Elektron. Landwirtschaft. 163, 104866 (2019).

Artikel Google Scholar

Yang, Q., Xiao, D. & Lin, S. Erkennung des Fressverhaltens von Schweinen in Gruppenhaltung mit dem Faster R-CNN. Berechnen. Elektron. Landwirtschaft. 155, 453–460 (2018).

Artikel Google Scholar

Chen, C. et al. Erkennung des Fressverhaltens von Schweinen und Bestimmung der Fresszeit jedes Schweins durch eine videobasierte Deep-Learning-Methode. Berechnen. Elektron. Landwirtschaft. 176, 105642 (2020).

Artikel Google Scholar

Moore, KL, Mrode, R. & Coffey, MP Genetische Parameter der visuellen Bildanalyse, Merkmale von Primärschnittschlachtkörpern kommerziell genutzter erstklassiger Schlachtrinder. Tier 11(10), 1653–1659 (2017).

Artikel CAS PubMed Google Scholar

Nye, J., Zingaretti, LM & Pérez-Enciso, M. Schätzung von Konformationsmerkmalen bei Milchvieh mit DeepAPS: Ein zweistufiger Deep-Learning-Ansatz zur automatisierten Phänotypisierung und Segmentierung. Vorderseite. Genet. 11, 513 (2020).

Artikel PubMed PubMed Central Google Scholar

Johnson, ZB & Nugent, RA Heritabilität der Körperlänge und Maße der Körperdichte und ihr Zusammenhang mit der Rückenfettdicke und der Lendenmuskelfläche bei Schweinen. J. Anim. Wissenschaft. 81(8), 1943–1949 (2003).

Artikel CAS PubMed Google Scholar

Rothschild, MF & Ruvinsky, A. The Genetics of the Pig 2. Aufl. (Springer, 2022).

Google Scholar

Song, H., Zhang, J., Zhang, Q. & Ding, X. Verwendung verschiedener Einzelschrittstrategien zur Verbesserung der Effizienz der genomischen Vorhersage von Körpermessmerkmalen bei Schweinen. Vorderseite. Genet. 10, 1–10 (2019).

CAS Google Scholar

Ott, S. et al. Die automatisierte Videoanalyse der Schweineaktivität auf Buchtenebene korreliert stark mit menschlichen Beobachtungen von Verhaltensaktivitäten. Livest Sci. 160(1), 132–137 (2014).

Artikel Google Scholar

Holl, JW, Rohrer, GA & Brown-Brandl, TM Schätzungen genetischer Parameter unter den Skalenaktivitätswerten, dem Wachstum und dem Fettgehalt bei Schweinen. J. Anim. Wissenschaft. 88(2), 455–459 (2010).

Artikel CAS PubMed Google Scholar

Jones, RM, Hermesch, S. & Crump, RE Bewertung der Flugzeit von Schweinen, der durchschnittlichen Tageszunahme und des Rückenspecks unter Verwendung von Zufallseffektmodellen einschließlich Wachstumsgruppe. Proz. Assoc. Adv. Anim. Züchten. Genet. 18, 199–202 (2009).

Google Scholar

Schneider, JF, Rempel, LA, Rohrer, GA & Brown-Brandl, TM Genetische Parameterschätzungen zwischen Skalenaktivitätsbewertung und Abferkelneigung mit Fortpflanzungsmerkmalen bei Schweinen. J. Anim. Wissenschaft. 89(11), 3514–3521 (2011).

Artikel CAS PubMed Google Scholar

Escobar, J., Van Alstine, WG, Baker, DH & Johnson, RW Verhalten von Schweinen mit viraler und bakterieller Lungenentzündung. Appl. Anim. Verhalten. Wissenschaft. 105(1–3), 42–50 (2007).

Artikel Google Scholar

Reiner, G., Hübner, K. & Hepp, S. Leiden bei erkrankten Schweinen, ausgedrückt durch Verhaltens-, klinische und klinisch-chemische Merkmale, in einem genau definierten Parasitenmodell. Appl. Anim. Verhalten. Wissenschaft. 118(3–4), 222–231 (2009).

Artikel Google Scholar

Statham, P., Green, L., Bichard, M. & Mendl, M. Vorhersage des Schwanzbeißens anhand des Verhaltens von Schweinen vor Ausbrüchen. Appl. Anim. Verhalten. Wissenschaft. 121(3–4), 157–164 (2009).

Artikel Google Scholar

Sadler, LJ, Johnson, AK, Lonergan, SM, Nettleton, D. & Dekkers, JCM Die Auswirkung der Selektion auf Restfutteraufnahme auf die allgemeine Verhaltensaktivität und das Auftreten von Läsionen bei Jungsauen aus Yorkshire. J. Anim. Wissenschaft. 89(1), 258–266 (2011).

Artikel CAS PubMed Google Scholar

D'Eath, RB et al. Genetik des tierischen Temperaments: Aggressives Verhalten beim Mischen ist genetisch mit der Reaktion auf die Handhabung bei Schweinen verbunden. Tier 3(11), 1544–1554 (2009).

Artikel PubMed Google Scholar

Psota, ET, Mittek, M., Pérez, LC, Schmidt, T. & Mote, B. Erkennung und Zuordnung mehrerer Schweineteile zu einem vollständig Faltungsnetzwerk. Sensoren 19, 4 (2019).

Artikel Google Scholar

Pérez-Enciso, M. & Steibel, JP Phänomene: Die aktuellen Grenzen in der Tierzucht. Genet. Sel. Entwicklung 53, 1 (2021).

Artikel CAS Google Scholar

Mathis, A. et al. DeepLabCut: Markerlose Posenschätzung benutzerdefinierter Körperteile mit Deep Learning. Nat. Neurosci. 21(9), 1281–1289 (2018).

Artikel CAS PubMed Google Scholar

Sturman, O. et al. Auf Deep Learning basierende Verhaltensanalysen erreichen menschliche Genauigkeit und sind in der Lage, kommerzielle Lösungen zu übertreffen. Neuropsychopharmacology 45(11), 1942–1952 (2020).

Artikel PubMed PubMed Central Google Scholar

von Ziegler, L., Sturman, O. & Bohacek, J. Großes Verhalten: Herausforderungen und Chancen in einer neuen Ära der umfassenden Verhaltensprofilierung. Neuropsychopharmakologie 46, 33–44 (2021).

Artikel Google Scholar

Van Rossum, G. & Drake, FL Jr. Python-Referenzhandbuch (Zentrum für Mathematik und Informatik Amsterdam, 1995).

Google Scholar

Frontmatec. Vollautomatische Ultraschall-Karkassenbewertung AutoFom IIITM. https://www.frontmatec.com/media/5125/frontmatec-instruments-autofom-iii-_web.pdf. (2019).

Nath, T. et al. Verwendung von DeepLabCut zur markierungslosen 3D-Positionsschätzung für verschiedene Arten und Verhaltensweisen. Nat. Protokoll. 14(7), 2152–2176 (2019).

Artikel CAS PubMed Google Scholar

R-Kernteam. R: Eine Sprache und Umgebung für statistisches Rechnen (R Foundation for Statistical Computing, 2020).

Google Scholar

Pebesma, E. Einfache Funktionen für R: Standardisierte Unterstützung für räumliche Vektordaten. RJ. 10(1), 439–446 (2018).

Artikel Google Scholar

McLean, DJ & Skowron Volponi, MA Trajr: Ein R-Paket zur Charakterisierung von Tierflugbahnen. Ethologie 124(6), 440–448 (2018).

Artikel Google Scholar

Benhamou, S. Wie lässt sich die Gewundenheit des Weges eines Tieres zuverlässig abschätzen: Geradlinigkeit, Kurvenform oder fraktale Dimension? J. Theor. Biol. 229(2), 209–220 (2004).

Artikel ADS MathSciNet PubMed MATH Google Scholar

Bovet, P. & Benhamou, S. Räumliche Analyse der Bewegungen von Tieren mithilfe eines korrelierten Random-Walk-Modells. J. Theor. Biol. 131(4), 419–433 (1988).

Artikel ADS Google Scholar

Misztal, I. et al. Handbuch für die BLUPF90-Programmfamilie (Athens University Georgia, 2014).

Google Scholar

Muñoz, F. & Sanchez, L. BreedR: Statistical Methods for Forest Genetic Resources Analysts (Springer, 2019).

Google Scholar

Jensen, P. & Andersson, L. Genomik trifft Ethologie: Ein neuer Weg zum Verständnis von Domestikation, Verhalten und Nachhaltigkeit in der Tierzucht. Ambio 2, 320–324 (2005).

Artikel Google Scholar

Kanis, E., De Greef, KH, Hiemstra, A. & Van Arendonk, JAM Zucht für gesellschaftlich wichtige Merkmale bei Schweinen. J. Anim. Wissenschaft. 83, 948–957 (2005).

Artikel CAS PubMed Google Scholar

Ohnishi, C. & Satoh, M. Schätzung genetischer Parameter für Leistungs- und Körpermaßmerkmale bei Duroc-Schweinen, ausgewählt nach durchschnittlicher Tageszunahme, Lendenmuskelfläche und Rückenfettdicke. Livest Sci. 214, 161–166 (2018).

Artikel Google Scholar

Duijvesteijn, N., Veltmaat, JM, Knol, EF & Harlizius, B. Die hochauflösende Assoziationskartierung der Anzahl der Zitzen bei Schweinen zeigt Regionen, die die Wirbelentwicklung steuern. BMC-Genom. 15, 1 (2014).

Artikel Google Scholar

Rohrer, GA & Nonneman, DJ Die genetische Analyse der Zitzenzahl bei Schweinen zeigt einige Entwicklungspfade unabhängig von der Wirbelzahl und mehrere Loci, die nur eine bestimmte Seite betreffen. Genet. Sel. Entwicklung 49, 1 (2017).

Artikel CAS Google Scholar

Ursinus, WW, Van Reenen, CG, Kemp, B. & Bolhuis, JE Schwanzbeißverhalten und Schwanzschäden bei Schweinen und die Beziehung zum allgemeinen Verhalten: Das Unvermeidliche vorhersagen?. Appl. Anim. Verhalten. Wissenschaft. 156, 22–36 (2014).

Artikel Google Scholar

Turner, SP Züchtung gegen schädliches Sozialverhalten bei Schweinen und Hühnern: Stand der Technik und der Weg in die Zukunft. Appl. Anim. Verhalten. Wissenschaft. 134, 1–9 (2011).

Artikel Google Scholar

Winters, C. et al. Automatisiertes Verfahren zur Beurteilung der Jungtiergewinnung bei Labormäusen. Wissenschaft. Rep. 12(1), 1663 (2022).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Kane, GA, Lopes, G., Saunders, JL, Mathis, A. & Mathis, MW Echtzeit-Feedback im geschlossenen Regelkreis mit geringer Latenz und markerloser Haltungsverfolgung. Elife 9, 1–29 (2020).

Artikel Google Scholar

Nilsson, SRO et al. Simple Behavioral Analysis (SimBA): Ein Open-Source-Toolkit zur computergestützten Klassifizierung komplexer sozialer Verhaltensweisen bei Versuchstieren. BioRxiv. https://doi.org/10.1101/2020.04.19.049452v2 (2020).

Artikel Google Scholar

Blömke, L., Volkmann, N. & Kemper, N. Evaluierung eines automatisierten Bewertungssystems für Ohren- und Schwanzläsionen als Tierwohlindikatoren bei Schlachtschweinen. Fleischwissenschaft. 159, 1–10 (2020).

Artikel Google Scholar

Pluym, LM et al. Entwicklung eines Systems zur automatischen Messung von Kraft- und visuellen Standvariablen zur objektiven Lahmheitserkennung bei Sauen: SowSIS. Biosystem. Ing. 116(1), 64–74 (2013).

Artikel Google Scholar

Referenzen herunterladen

Wir möchten Steven Broekx für seine Hilfe beim Aufbau des Versuchsaufbaus danken. Darüber hinaus möchten wir Nathalie Cenens, Simon Cardinaels und Hannelore Vermoesen für ihre Hilfe beim Wiegen der Schweine sowie Kato Van Dyck, Witze de Wolf, Britt Clerens, Florence Sanders und Raf Mary für die manuelle Bewertung der Schweineaktivität danken. Wir möchten der Vlaamse Piétrain Fokkerij vzw für die Bereitstellung der Stammbäume und ihre Hilfe bei dieser Studie danken.

Diese Studie wurde teilweise durch ein FR-Doktorandenstipendium (1104320N; WG) und zwei SB-Doktorandenstipendien (1S05818N (CW) und 1S37119N (RM)) der Forschungsstiftung Flandern (FWO) finanziert. Die Fördergeber spielten keine Rolle bei der Gestaltung der Studie und der Erhebung, Analyse und Interpretation der Daten sowie beim Verfassen des Manuskripts.

Diese Autoren haben gleichermaßen beigetragen: Wim Gorssen und Carmen Winters.

Zentrum für Tierzucht und Genetik, Abteilung Biosysteme, KU Leuven, Kasteelpark Arenberg 30, Box 2472, 3001, Leuven, Belgien

Wim Gorssen, Roel Meyermans, Steven Janssens und Nadine Buys

Labor für biologische Psychologie, KU Leuven, Tiensestraat 102, Box 3714, 3000, Leuven, Belgien

Carmen Winters & Rudi D'Hooge

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

WG und CW analysierten die Daten und verfassten das Manuskript. WG, CW, RM und NB haben diese Studie entworfen und konzipiert. RM, SJ, RD und NB überprüften die Analysen und das Manuskript kritisch. Alle Autoren haben das endgültige Manuskript gelesen und genehmigt.

Korrespondenz mit Nadine Buys.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Zusatzvideo 1.

Zusatzvideo 2.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Gorssen, W., Winters, C., Meyermans, R. et al. Abschätzung der Genetik von Körpermaßen und Aktivitätsniveaus bei Schweinen mithilfe automatisierter Posenschätzung. Sci Rep 12, 15384 (2022). https://doi.org/10.1038/s41598-022-19721-4

Zitat herunterladen

Eingegangen: 18. Februar 2022

Angenommen: 02. September 2022

Veröffentlicht: 13. September 2022

DOI: https://doi.org/10.1038/s41598-022-19721-4

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.