Estimation génétique des dimensions corporelles et des niveaux d'activité chez les porcs à l'aide d'une estimation de pose automatisée

Rapports scientifiques volume 12, Numéro d'article : 15384 (2022) Citer cet article

2325 accès

2 Citations

11 Altmétrique

Détails des métriques

L'élevage porcin évolue rapidement en raison des progrès technologiques et des facteurs socio-écologiques. Les nouvelles technologies d'élevage de précision telles que les systèmes de vision par ordinateur sont cruciales pour le phénotypage automatisé à grande échelle de nouveaux caractères, car la robustesse et le comportement des porcs gagnent en importance dans les objectifs d'élevage. Cependant, l'identification individuelle, le traitement des données et la disponibilité de logiciels adéquats (open source) constituent actuellement les principaux obstacles. L'objectif global de cette étude était d'étendre la pesée des porcs avec des mesures automatisées des dimensions corporelles et des niveaux d'activité à l'aide d'un système vidéo-analytique automatisé : DeepLabCut. De plus, ces données ont été couplées à des informations généalogiques pour estimer les paramètres génétiques des programmes de sélection. Nous avons analysé 7428 enregistrements sur la période d'engraissement de 1556 porcs en finition (père Piétrain x mère croisée) avec des intervalles de deux semaines entre les enregistrements sur le même porc. Nous avons pu estimer avec précision les parties du corps pertinentes avec une erreur de suivi moyenne de 3,3 cm. Les métriques corporelles extraites des images vidéo étaient hautement héréditaires (61–74%) et génétiquement corrélées de manière significative avec le gain quotidien moyen (rg = 0,81–0,92). Les traits d'activité étaient faiblement à modérément héréditaires (22–35 %) et montraient de faibles corrélations génétiques avec les traits de production et les anomalies physiques. Nous avons démontré une méthode simple et rentable pour extraire les paramètres de dimension corporelle et les traits d'activité. Ces traits ont été estimés héréditaires et peuvent donc être sélectionnés. Ces résultats sont précieux pour les organisations d'élevage (de porcs), car ils offrent une méthode pour phénotyper automatiquement de nouveaux traits de production et de comportement au niveau individuel.

Le porc représente déjà près de 40 % de la production mondiale de viande, mais sa demande mondiale devrait encore augmenter1. De plus en plus, l'élevage porcin est confronté à des défis tels que la durabilité environnementale, le bien-être animal, l'efficacité de l'élevage et la concurrence mondiale. Les innovations en génétique sont considérées comme cruciales pour résoudre ces problèmes2,3. Les caractères liés à la robustesse et à la résilience sont désormais aussi pertinents pour les programmes de sélection animale que ceux liés à la (re)production2. Il existe évidemment un besoin de technologies d'élevage de précision pour optimiser le phénotypage porcin à haut débit, qui reste à ce jour difficile, laborieux et coûteux4.

Les systèmes de vision par ordinateur (CVS) pourraient permettre un phénotypage non invasif de la composition corporelle, du comportement et des anomalies physiques chez les porcs, mais il y a eu peu d'applications pratiques de la notation automatisée des traits morphologiques et/ou comportementaux. Fernandes et al.5 ont utilisé des caméras 3D à vue de dessus pour prédire le poids corporel, la profondeur musculaire et la graisse dorsale chez les porcs en finition. D'autres études ont utilisé le CVS pour évaluer les positions et la posture du corps6, l'agressivité7, le comportement des truies8 et l'alimentation9,10. Seules quelques études ont analysé la génétique de ces phénotypes4. Chez les bovins de boucherie, l'héritabilité et les corrélations génétiques ont été estimées à l'aide de l'analyse d'images pour les traits de carcasse11. De plus, des paramètres génétiques pour la couleur du pelage et les traits de conformation ont été estimés chez les bovins laitiers à l'aide d'images provenant de catalogues en ligne12.

Les traits morphologiques des porcs tels que la longueur, la largeur et la hauteur du corps seraient modérément à hautement héréditaires, avec des estimations d'héritabilité (h2) allant de 20 à 60 %13,14,15. Il a été démontré que les traits comportementaux sont également héréditaires, mais les estimations de h2 diffèrent considérablement3. Ces estimations étaient le plus souvent basées sur une notation manuelle des traits de comportement susceptibles d'être biaisés par l'observateur16. Par exemple, les scores d'activité pendant la pesée ont été estimés être faibles à modérément héréditaires (h2 = 10–23 %), bien qu'il existe des facteurs de confusion environnementaux qui ont influencé ces estimations3,17,18,19. Notamment, Ott et al.16 ont montré que les scores d'activité CVS étaient fortement corrélés avec les observations humaines (r = 0,92). D'autres études ont lié les changements des scores d'activité dans l'enclos aux morsures de queue, aux infections16,20,21,22 ou à la consommation alimentaire résiduelle23. Incidemment, la relation entre l'activité pendant la pesée et l'agressivité au stylo était faible à modérée (r = 0,15–0,60)3,24.

L'identification automatique des animaux reste un défi majeur pour les applications CVS dans l'analyse phénotype-génotype4,25,26. En outre, le traitement des données et la disponibilité de logiciels adéquats sont des problèmes2,4,25. Les avancées récentes en matière de capture de mouvement et d'outils d'apprentissage en profondeur permettent désormais aux chercheurs d'extraire des variables comportementales détaillées à partir de vidéos enregistrées sans matériel ni configuration d'enregistrement spécialisés et excessifs27. Ces outils atteignent une précision de type humain et surpassent même la notation manuelle28,29.

La présente étude décrit une méthode qui utilise le logiciel open source DeepLabCut (DLC)27, une interface utilisateur graphique basée sur Python30 pour la technologie basée sur le réseau de neurones convolutifs (CNN) d'estimation de pose sans marqueur. Le DLC permet de créer des modèles de suivi fiables et transférables29 pour quantifier divers traits (comportementaux) avec une influence limitée de l'observateur. Nous combinons la pesée classique des porcs avec l'analyse vidéo pour estimer de nouveaux phénotypes. Nous obtenons des mesures de la longueur du corps, de la largeur et de la surface des hanches et des épaules, ainsi que des scores d'activité des porcs lors de la pesée. Sur la base de ces traits de composition corporelle et d'activité, nous avons estimé des paramètres génétiques tels que l'héritabilité et les corrélations génétiques dans une population de porcs de boucherie de pedigree connu. Toutes les vidéos annotées et les modèles de suivi sont disponibles sur : https://doi.org/10.17605/OSF.IO/QKW5Y.

Toutes les procédures expérimentales ont été approuvées par le comité d'éthique animale de la KU Leuven (P004/2020), conformément à la directive 86/609/CEE du Conseil de la Communauté européenne, aux directives ARRIVE et au guide ILAR sur le soin et l'utilisation des animaux d'expérimentation. Les chercheurs ont obtenu le consentement éclairé pour la publication de toutes les personnes identifiables pour afficher et réutiliser les vidéos.

L'étude a été réalisée sur 794 femelles et 746 mâles castrés Piétrain x PIC Camborough (Vlaamse Piétrain Fokkerij, Belgique ; descendants de 73 pères différents et 204 mères), qui avaient un âge moyen de 83,4 (± 2,2) jours et un poids moyen de 30,6 (± 5,1) kg au début de l'expérience. Les observations ont été faites pendant la période d'engraissement qui pouvait durer jusqu'à 120 jours et se terminait lorsque les porcs atteignaient un poids corporel d'environ 115 kg. Par père, une médiane de 26 porcelets croisés (pleins frères et demi-frères du même père Piétrain) ont été répartis en nombre égal dans deux enclos identiques en groupes mixtes. Le bâtiment porcin (ferme expérimentale, située en Belgique) était composé de dix-sept compartiments identiques avec huit cases semi-caillebotis (2,5 m × 4,0 m) par compartiment et en moyenne treize porcs par case (0,77 m2 par porc). De la nourriture et de l'eau ont été fournies à volonté dans chaque enclos, à partir d'un abreuvoir et d'un abreuvoir à tétine.

Les porcs ont été pesés individuellement pendant leur période d'engraissement toutes les deux semaines de janvier à juillet 2021. Case par case, tous les individus ont été conduits dans le couloir central de l'écurie, après quoi les porcs ont été pesés séquentiellement. La pesée a été effectuée entre 08h00 et 16h00 et a été enregistrée sur vidéo. Tous les porcelets ont été pesés pour la première fois treize jours après leur arrivée à la ferme d'engraissement. Pour des raisons pratiques, seul un enclos sur deux par taureau a été sélectionné par la suite pour un suivi ultérieur. Tous les 1556 porcs ont été pesés jusqu'à huit fois, ce qui a donné un total de 7428 enregistrements.

De plus, chaque porc a été noté manuellement lors de la pesée sur les anomalies physiques suivantes : gonflement des oreilles ou hématomes (0 = aucun, 1 = une oreille, 2 = les deux oreilles) ; la présence et la taille de la hernie ombilicale (0 = absent, 1 = présent) ; morsures d'oreille (0 = aucune, 1 = une oreille, 2 = les deux oreilles) et morsures de queue (0 = aucune, 1 = petites égratignures, 3 = queue ensanglantée et/ou infectée ; Fichier supplémentaire 1). Tous les enregistrements ont été recueillis par le même professionnel qualifié. Le pourcentage de viande maigre a été enregistré individuellement à l'abattoir du Belgian Pork Group à Meer (Belgique) à l'aide d'AutoFom III™ (Frontmatec, Smoerum A/S, Danemark)31. La prise alimentaire a été mesurée au niveau de l'enclos.

L'installation de pesée des porcs à passage libre consistait en une plate-forme de pesée au sol, un lecteur d'identification par radiofréquence (RFID), une caméra vidéo et un ordinateur (Fig. 1). La plate-forme de pesée au sol (3,4 m × 1,8 m) avait une précision de ± 0,5 kg (TELL EAG80, Vreden, Allemagne) et était située dans le couloir central de la porcherie. Une allée en bois aidait les porcs à marcher individuellement et à avancer sur la balance (2,5 m × 0,6 m ; Fig. 1a ; Fichier supplémentaire 2Vidéo S1). Les poids corporels ont été enregistrés électroniquement et couplés à l'identification du porc à l'aide d'un lecteur RFID et d'un logiciel personnalisé. La caméra (Dahua IPC-HDW4831EMP-ASE, Dahua Technology Co., Ltd, Hangzhou, Chine) a été montée à 2,5 m au-dessus du sol au centre de la balance. Les porcs ont été enregistrés du point de vue d'une caméra aérienne avec une fréquence d'images de 15 images par seconde et une résolution de 3840 × 2160. Un exemple de notre collecte de données et d'un enregistrement vidéo est fourni à la Fig. 1b.

Configuration expérimentale (créée avec BioRender.com). ( a ) Diagramme schématique de la vue de dessus de la configuration expérimentale utilisée dans cette étude dans le couloir central du bâtiment porcin. La zone bleue indique la plate-forme d'échelle au sol avec une allée en bois (en rouge). Les lignes pointillées rouges indiquent les portes pour réguler le passage des porcs individuels. (b) Schéma de vue latérale schématique de la configuration expérimentale.

DeepLabCut 2.2b.827 a été installé dans un environnement Anaconda avec Python 3.7.7.30 sur un ordinateur personnalisé exécutant un système d'exploitation Windows 10 64 bits avec processeur CPU Intel Core i5-vPro (2,60 GHz) et 8 Go de mémoire RAM. La formation, l'évaluation et l'analyse du réseau de neurones ont été réalisées à l'aide de DeepLabCut dans le Google Colaboratory (COLAB) (https://colab.research.google.com/).

Pour détecter des parties du corps sur un cochon qui marche dans la configuration expérimentale, un réseau de neurones a été formé à l'aide de DeepLabCut 2.2b27, comme décrit dans Nath et al.32. Une configuration minimaliste en huit parties du corps (Fig. 2a ; Tableau 1) était nécessaire pour estimer la largeur des hanches, la largeur des épaules et la longueur du corps. Les définitions opérationnelles peuvent être trouvées dans le tableau 1. Les parties du corps de la tête (nez, oreille gauche et oreille droite) ont également été étiquetées, mais non incluses dans notre modèle structurel final car ces parties du corps étaient fréquemment occluses dans des images consécutives.

(a) Aperçu schématique des huit positions du corps annotées pour la configuration de la pose dans DeepLabCut27 (créé avec BioRender.com). 1 = Spine1 ; 2 = Épaule gauche ; 3 = épaule droite ; 4 = Centre ; 5 = Spine2 ; 6 = Hanche gauche ; 7 = Hanche droite ; 8 = base de la queue. (b) Exemple d'un porc étiqueté lors de la pesée à l'aide du logiciel DeepLabCut.

Sept vidéos d'environ une heure enregistrées sur deux jours différents ont été sélectionnées pour inclure des porcs de tailles variables (20 à 120 kg) et chaque vidéo contenait plusieurs pesées de porcs. De ces sept vidéos, plusieurs images ont été extraites pour annotation à l'aide du clustering k-means dans DeepLabCut. Nous avons d'abord annoté 457 images (~ 1 image par porc) qui ont été divisées en un ensemble de données d'apprentissage (95 % ; 434 images) et un ensemble de données de test (5 % ; 23 images). Le réseau a été formé dans Google Colaboratory en utilisant l'architecture ResNet-50 avec une taille de lot de 2. Nous avons formé notre algorithme jusqu'à ce que la fonction de perte atteigne un optimum, ce qui indique une perte minimale avec un nombre minimum d'itérations dans cette étude. Ensuite, nous avons comparé les erreurs de pixel moyennes de plusieurs modèles dans cette région optimale. Les modèles avec les erreurs de pixels moyennes les plus faibles ont été visuellement vérifiés pour les performances de suivi des parties du corps sur des vidéos entières. Par la suite, le modèle qui a fonctionné de manière optimale a été testé pour sa flexibilité à l'aide de vidéos de porc unique invisibles avec des porcs de taille variable (20 contre 120 kg) pesés à des jours différents. Comme les performances du modèle n'étaient pas optimales au début, les cadres aberrants mal suivis ont été extraits à l'aide de l'algorithme de « saut » DeepLabCut32. Cet algorithme identifie les images dans lesquelles une ou plusieurs parties du corps ont sauté de plus d'une valeur de critère (en pixels) depuis la dernière image32. Ces cadres de valeurs aberrantes ont été affinés manuellement et ajoutés ci-après à l'ensemble de données d'entraînement pour le réentraînement. Au total, 150 images aberrantes ont été extraites de six nouvelles vidéos contenant un seul cochon pour améliorer les performances de suivi (± 25 images par cochon). L'ensemble de données d'entraînement final se composait de 577 cadres (95 %) et d'un ensemble de données de test de 30 cadres (5 %). Le réseau a ensuite été formé à nouveau en utilisant les mêmes fonctionnalités que la première formation. Le fichier supplémentaire 3Video S2 montre un exemple de cochon avec suivi des parties du corps.

Après les extractions de posture des parties du corps à l'aide de DeepLabCut, les paramètres de dimension corporelle ont été estimés. L'ensemble de données brutes contenait les positions des parties du corps et les probabilités de suivi de 5 102 260 images. Les identifiants individuels des porcs ont d'abord été couplés à des enregistrements vidéo basés sur le temps de mesure à partir de l'ensemble de données de poids. Les étapes et analyses suivantes ont été effectuées dans R33. Les images avec une probabilité de suivi moyenne < 0,1 sur les huit parties du corps ont été supprimées (2 792 252 images restantes). Cette grande réduction du nombre d'images (± 50 % supprimés) a été principalement causée par des images vidéo sans aucun porc, par exemple entre les pesées de différents enclos ou entre les pesées de porcs.

Ensuite, pour chaque événement de pesée, des points de début et de fin ont été déterminés pour estimer les dimensions corporelles et les traits d'activité. Pour un événement de pesée spécifique, un sous-ensemble a d'abord été créé contenant toutes les trames entre l'événement de pesée précédent et suivant. L'heure d'entrée et de sortie du porc sur la balance a été estimée à l'aide de la position x (en pixels) de la base de la queue, car le mouvement des porcs se faisait principalement le long de l'axe x (de droite à gauche ; Fig. 2b ). La trame d'entrée a été définie comme la première trame d'un sous-ensemble où la médiane mobile (pour 10 trames) de la position x de la base de la queue dépassait 1100 pixels (Fig. 3). De même, la première image après un événement de pesée des porcs avec une position x de la base de la queue médiane roulante < 250 pixels a été utilisée pour déterminer l'heure de départ. Si ces critères n'étaient pas remplis, la première image et/ou l'image à laquelle l'enregistrement de poids avait eu lieu étaient utilisées pour l'heure d'entrée/de sortie.

Détermination de la fenêtre temporelle pour un enregistrement de poids. (a) Tout d'abord, un sous-ensemble est créé comme toutes les positions x de base de la queue entre le moment de l'enregistrement de l'enregistrement de poids suivant (orange) et précédent (rouge). L'heure de début de la fenêtre temporelle est déterminée comme la première valeur avant l'enregistrement de son propre poids (vert) au-dessus du seuil de 1100 pixels (ligne violette en pointillés ; porc entrant dans la balance). L'heure de fin de la fenêtre temporelle est déterminée comme la première valeur après l'enregistrement de son propre poids (vert) en dessous du seuil de 250 pixels (ligne violette en pointillés ; porc quittant la balance). (b) La fenêtre de temps extraite sur laquelle les dimensions des parties du corps seront estimées et l'analyse de la trajectoire sera effectuée.

La largeur des hanches, la largeur des épaules et la longueur du corps d'un porc ont été estimées en utilisant la valeur médiane de la distance entre certaines parties du corps sur toutes les images pour un enregistrement de poids spécifique (tableau 1, fig. 2). Ces dimensions corporelles en pixels ont été transformées en métriques car 1 cm a été calculé comme équivalent à 29,1 pixels. Le rapport de conversion des pixels en centimètres était basé sur la distance entre les carreaux de la balance, qui était connue pour être exactement de 50 cm. La surface totale a été estimée à l'aide de la valeur moyenne de la surface calculée avec la fonction st_area dans R à partir du R-package sf34 en utilisant tous les emplacements des parties extérieures du corps. Les écarts-types des positions des parties du corps ont également été calculés pour toutes les images entre l'entrée et le départ après le contrôle de qualité (comme décrit ci-dessus), afin d'évaluer la stabilité des estimations.

L'analyse de la trajectoire a été réalisée à l'aide du R-package 'trajr'35 pour l'épaule gauche et droite, la hanche gauche et droite et la base de la queue. Pour chaque partie du corps, les coordonnées des pixels ont été extraites, les trajectoires ont été redimensionnées de pixels en cm et une trajectoire lissée a été créée à l'aide de la fonction TrajSmoothSG. À partir de ces trajectoires lissées, les caractéristiques suivantes liées à l'activité ont été dérivées : moyenne et écart type de la vitesse et de l'accélération ("TrajDerivatives"), un indice de rectitude ("TrajStraightness") et de sinuosité ("TrajSinuosity2").

L'indice de rectitude et la sinuosité sont liés au concept de tortuosité et associés à l'orientation et au comportement de recherche d'un animal35,36. L'indice de rectitude est calculé comme la distance euclidienne entre le début et le point final divisée par la longueur totale du mouvement36. L'indice de rectitude est une indication de la proximité du chemin de l'animal par rapport à une ligne droite reliant le point de départ et d'arrivée et varie de 0 à 1. Ainsi, il quantifie l'efficacité du chemin alors que plus il est proche de 1, plus l'efficacité est élevée. Dans notre expérience, cette efficacité de trajectoire sera la plus élevée lorsqu'un porc marche en ligne droite pendant la pesée (indice de rectitude = 1). Tout écart par rapport à cette ligne droite, dû à une activité accrue du porc pendant la pesée, abaissera l'indice de rectitude vers zéro. La sinuosité tente d'estimer la tortuosité d'un chemin de recherche aléatoire en combinant la longueur du pas et le cosinus moyen des angles de rotation d'un animal35,36,37. La sinuosité d'une trajectoire varie entre 0 (mouvement aléatoire) et 1 (mouvement dirigé).

Dans cette étude, nous émettons l'hypothèse que la vitesse moyenne, l'indice de rectitude et la sinuosité sont liés à l'activité des porcs pendant la pesée. Dans un cas extrême, un porc marche en ligne droite vers le lecteur RFID, reste immobile jusqu'à ce que le poids soit enregistré et continue sa marche en ligne droite après l'ouverture de la porte. Cela se traduirait par une faible vitesse moyenne (m/s), une sinuosité > 0 et un indice de rectitude de 1. Nous émettons l'hypothèse que les porcs plus actifs présenteront plus de mouvements latéraux, augmentant la vitesse moyenne et diminuant l'indice de rectitude et la sinuosité. Ainsi, généralement, les porcs plus calmes lors de la pesée afficheront une vitesse moyenne inférieure, bien qu'ils aient pu courir à grande vitesse vers le lecteur RFID.

Les estimations des dimensions corporelles à l'aide d'enregistrements vidéo analysés avec DeepLabCut ont été validées par un ensemble indépendant de 60 porcs après l'expérience initiale. Ces porcs provenaient de cinq enclos d'âges différents (92 à 166 jours) et ont été mesurés manuellement pour la longueur du cou de la queue et la largeur des hanches à l'aide d'un simple ruban à mesurer. La surface du porc a été estimée pour les enregistrements manuels comme la multiplication de la longueur du cou de la queue et de la largeur des hanches. Les estimations manuelles de la longueur du cou de la queue, de la largeur des hanches et de la surface du porc ont ensuite été comparées aux estimations de l'analyse vidéo en calculant les corrélations de Pearson et l'erreur quadratique moyenne (RMSE).

Les traits d'activité automatisés ont été validés en comparant ces valeurs avec les scores d'activité manuelle donnés par cinq observateurs entraînés. Des séquences vidéo de 1748 pesées de porcs ont été notées manuellement pour l'activité des porcs par au moins deux observateurs par porc sur une échelle de 1 (calme) à 5 (très actif). Cette échelle d'activité ordinale a été construite sur la base de D'Eath et al. et Holl et al.17,24. Le score d'activité moyen par porc a ensuite été comparé aux scores d'activité automatisés en calculant les corrélations de Pearson.

Après estimation de la dimension corporelle et des traits d'activité, un contrôle de qualité supplémentaire a été effectué. Premièrement, les estimations de la largeur des hanches et des épaules, de la longueur du cou de la queue et de la surface du porc ont été définies comme manquantes pour les enregistrements avec des estimations d'écart-type image par image supérieures à la moyenne + 3 × écarts-types pour tous les enregistrements. Les seuils étaient de 10,2 cm pour la distance des hanches (132 enregistrements), 11,8 cm pour la distance des épaules (135 enregistrements), 20,6 cm pour la longueur queue-cou (121 enregistrements) et 0,058 m2 pour la surface du porc (96 enregistrements). Si l'écart type des largeurs de hanches estimées sur les cadres au cours d'une pesée d'un porc était > 8,9 cm, l'enregistrement était défini comme manquant.

Deuxièmement, pour chaque individu avec au moins quatre enregistrements (941 porcs, 6807 enregistrements), les valeurs aberrantes ont été déterminées à l'aide d'une régression polynomiale du second ordre sur la variable d'intérêt en fonction de l'âge en jours. Sur la base de la distribution de la différence entre les phénotypes observés et prédits pour tous les animaux, un seuil d'exclusion (enregistrement défini sur manquant) a été fixé à trois fois l'écart type des différences. Les seuils étaient de 2,1 cm pour la distance des hanches (61 enregistrements), 2,2 cm pour la distance des épaules (58 enregistrements), 6,4 cm pour la longueur du cou de la queue (75 enregistrements), 0,021 m2 pour la surface du porc (85 enregistrements) et 3,7 kg pour le poids. (86 enregistrements).

L'ensemble de données final après nettoyage des données comprenait 7428 enregistrements de 1556 porcs de finition descendant de 73 pères Piétrain et 204 mères croisées. Le pedigree comprenait 4089 animaux, où la profondeur médiane du pedigree des taureaux Piétrain était de 15 générations (min 10 ; max 17) et de 3 (min 0 ; max 6) pour les mères croisées.

Nous avons estimé les paramètres génétiques (héritabilité et corrélations génétiques) à l'aide de la suite de programmes blupf9038. Les variances génétiques et les héritabilités ont été estimées avec des informations moyennes REML, implémentées dans airemlf90 et invoquées avec le R-package breedR39 avec les options "EM-REML 20", "use_yams" et "se_covar_function". Les paramètres génétiques ont d'abord été estimés sur l'ensemble de données complet, puis sur des sous-ensembles par enregistrement du poids des porcs (1 à 8). Le premier enregistrement de poids, par exemple, correspond à un ensemble de données de 1176 porcs âgés de 78 à 89 jours (tableau 2). Nous avons estimé h2 comme la proportion de variance génétique additive divisée par la variance totale, tandis que l'effet environnemental commun (c2) a été estimé comme la proportion de variance expliquée par des effets environnementaux aléatoires (c), divisée par la variance totale.

Les corrélations génétiques (rg) entre les caractères ont été estimées à l'aide de modèles animaux bivariés (airemlf90). Les corrélations génétiques ont d'abord été calculées entre toutes les combinaisons de caractères possibles à l'aide de l'ensemble de données complet. Ci-après, les corrélations génétiques au sein des traits pour tous les événements de pesée par paires ont été estimées (ainsi, deux enregistrements du même trait ont été traités comme deux traits différents). En faisant cela, nous pouvons évaluer si un trait change génétiquement au fil du temps.

Les modèles animaux estimés étaient de la forme :

où y est le vecteur avec les phénotypes pour le ou les traits étudiés ; b est le vecteur contenant les effets fixes (sexe, 2 niveaux ; parité de mère, 4 niveaux) et covariables (âge) ; a est le vecteur des effets génétiques additifs (4089 niveaux) ; c est le vecteur des effets environnementaux aléatoires (65 niveaux) ; e est le vecteur des effets résiduels ; X, Z et W sont des matrices d'incidence pour respectivement les effets fixes, les effets animaux aléatoires et les effets environnementaux permanents aléatoires. L'effet environnemental aléatoire c est une combinaison de la date d'entrée à la ferme d'engraissement et de la date de pesée. Toutes les deux semaines, un nouveau lot de porcs arrivait à la ferme d'engraissement. La parité des barrages se composait de quatre classes ('1', '2–3', '4–5', '6 +')'.

Les performances du réseau ont été évaluées en calculant à la fois les erreurs de train et de test. Ces erreurs sont mesurées par la différence euclidienne moyenne entre les coordonnées de pixel des annotations manuelles et les estimations DeepLabCut sur l'ensemble de données d'apprentissage et l'ensemble de données de test. L'erreur de pixel moyenne sur l'ensemble de données d'apprentissage sans seuil de probabilité (seuil p) était de 99,2 pixels ou 3,4 cm et de 95,9 pixels ou 3,3 cm pour l'ensemble de données de test (tableau 2) pour le réseau final (Fichier supplémentaire 3Vidéo S2) . L'application d'un seuil p (p = 0,10) a amélioré l'erreur de pixel moyenne sur l'ensemble de données d'apprentissage jusqu'à 81,1 pixels ou 2,8 cm et 76,1 pixels ou 2,6 cm pour l'ensemble de données de test. Après la coupure p, les erreurs moyennes de pixels des parties individuelles du corps variaient entre 14,0 et 136,0 pixels équivalents à 0,5 et 4,7 cm.

Pour valider les performances de l'algorithme d'estimation de pose automatisé, la longueur estimée du cou de la queue, la largeur des hanches et la surface du porc ont été comparées aux enregistrements manuels. Les corrélations de Pearson entre les enregistrements manuels et l'analyse vidéo étaient élevées pour la longueur du cou de la queue (r = 0,94 ; RMSE = 3,2 cm), la largeur des hanches (r = 0,80 ; RMSE = 1,8 cm) et la surface du porc (r = 0,91 ; RMSE = 0,019 m2). Cependant, les estimations utilisant l'analyse vidéo étaient en moyenne supérieures de 7,4 cm pour la longueur du cou de la queue et de 2,3 cm pour la largeur des hanches. De plus, les scores d'activité automatisés ont été validés en les comparant aux scores d'activité obtenus manuellement et donnés par des observateurs formés. Les corrélations de Pearson entre les enregistrements manuels et l'analyse vidéo étaient modérées à élevées pour la vitesse moyenne (r = 0,49), l'indice de rectitude (r = − 0,57) et l'indice de sinuosité (r = − 0,32). Après avoir combiné ces trois traits d'activité automatisés dans un «indice d'activité» (1/3 poids par trait après remise à l'échelle), la corrélation de Pearson avec les scores d'activité manuelle a augmenté à r = 0,62. La corrélation de Pearson inter-observateur pour le score d'activité était également modérée à élevée, allant de r = 0,55 à 0,84. Des graphiques de corrélation par paires pour toutes les validations sont fournis dans le fichier supplémentaire 4 Figure S1.

Un aperçu des statistiques descriptives des traits les plus importants est présenté dans le tableau 3. Les traits étaient à peu près normalement distribués sur la base de l'inspection visuelle des histogrammes. La figure 4 montre l'évolution des dimensions corporelles et du poids en fonction de l'âge des porcs. La pente de la croissance de la longueur du cou de la queue, de la largeur des hanches et de la largeur des épaules diminue avec le temps, contrairement au poids et à la surface des porcs, qui montrent une augmentation approximativement linéaire.

Evolution des dimensions corporelles en fonction de l'âge (en jours) et colorées en poids (en kg). Une droite de régression lissée est représentée en rouge. Par porc, un maximum de huit enregistrements ont eu lieu tous les quatorze jours, expliquant les huit "blocs" de données séparés avec des espaces entre les deux. (a) Évolution de la distance queue-col. (b) Évolution de la largeur des hanches. (c) Évolution de la surface porcine. (d) Évolution du poids. Le graphique de la largeur des épaules n'est pas affiché, car il équivaut à la largeur des hanches.

La répétabilité des traits a été évaluée en examinant la matrice de corrélation phénotypique de Pearson dans un trait au fil du temps pour les mêmes porcs (Fichier supplémentaire 5 Fig. S2). Pour les dimensions corporelles et le gain quotidien moyen, la répétabilité était généralement très élevée et significativement (p < 0,001) supérieure à zéro (r = 0,41–0,98). Les corrélations les plus faibles ont été trouvées entre le premier et le dernier enregistrement. La répétabilité était faible pour les traits d'activité vitesse moyenne, rectitude et sinuosité (r = 0,05–0,39), bien que toujours positive et significativement différente de zéro pour la plupart des comparaisons (p < 0,001 ; indiqué par *** dans le fichier supplémentaire 5 Fig. S2) . De plus, des enregistrements successifs (intervalles de deux semaines) pour les traits d'activité ont montré une corrélation de Pearson cohérente et significative (p < 0,001) de l'ordre de grandeur de r = 0,3. De plus, les corrélations internes de l'ordre dans lequel les porcs ont été pesés ont régulièrement augmenté au fil du temps, passant d'environ r = 0,10 à r = 0,40.

Les estimations de h2 et c2 pour l'ensemble de données complet sont présentées dans le tableau 4, tandis que ces estimations pour les sous-ensembles par enregistrement de poids sont données dans le fichier supplémentaire 6 Fig. S3. Les estimations de l'héritabilité étaient élevées pour les paramètres de dimension corporelle estimés : largeur des hanches (64,1 %), largeur des épaules (66,4 %), longueur du cou de la queue (71,9 %) et surface du porc (74,8 %). Pour les paramètres comportementaux, h2 était très faible pour la durée de pesée (2,9 %), l'écart type de la vitesse de base de la queue (6,3 %) et la moyenne et l'écart type de l'accélération de la base de la queue (8,7 % et 5,5 % respectivement). Cependant, les estimations de h2 étaient faibles à modérées pour la vitesse moyenne (24,5 %), l'indice de rectitude (25,9 %) et la sinuosité (23,8 %) de la base de la queue et les estimations étaient encore plus élevées pour ces traits calculés à partir des trajectoires de l'épaule et de la hanche gauche et droite (22 –35 % ; Fichier supplémentaire 7 Tableau S1).

Une sélection des estimations de rg les plus pertinentes pour l'ensemble de données complet est présentée à la Fig. 5, une liste avec toutes les corrélations génétiques bivariées pour toutes les combinaisons de traits possibles est donnée dans le fichier supplémentaire 8, tableau S2. Des corrélations génétiques élevées (rg = 0,81–0,92) ont été observées entre les paramètres de dimension corporelle et l'ADG, et des corrélations négatives faibles à modérées (rg = − 0,46 à − 0,34) ont été trouvées entre les paramètres de dimension corporelle et le pourcentage de viande. La vitesse moyenne était fortement corrélée négativement avec l'indice de rectitude (rg = − 0,93) et la sinuosité (rg = − 0,84). De faibles corrélations génétiques (rg = − 0,34–0,19) ont été observées entre les paramètres de dimension corporelle et les paramètres comportementaux. De très faibles corrélations génétiques ont été estimées entre les paramètres comportementaux et les morsures de queue, les morsures d'oreille et les gonflements d'oreille (fichier supplémentaire 8, tableau S2).

Carte thermique des estimations de corrélation génétique (rg) entre un ensemble de traits sélectionnés pour l'ensemble de données complet. Toutes les corrélations génétiques estimées (avec les erreurs standard) peuvent être trouvées dans le fichier supplémentaire 8, tableau S2.

L'analyse comportementale devient centrale dans l'évaluation du bien-être animal, clé de voûte d'un élevage porcin moderne et durable. L'objectif global de cette étude était d'étendre les procédures de pesée de routine des porcs pour inclure des mesures automatisées de la composition corporelle et des niveaux d'activité. À l'aide du logiciel DeepLabCut (DLC), nous avons développé un modèle pour l'estimation de la pose des porcs d'engraissement individuels. Nous avons pu estimer avec précision les parties du corps pertinentes avec une erreur de suivi moyenne de 3,3 cm. En utilisant les résultats du suivi, nous avons pu estimer les dimensions corporelles et les traits d'activité comportementale. Les estimations DLC ont été validées en utilisant les dimensions corporelles collectées manuellement comme référence. Les corrélations de Pearson entre les estimations automatisées et les observations manuelles étaient élevées, comprises entre 0,80 et 0,94. De plus, les scores d'activité automatisés avaient des corrélations modérées à élevées avec les traits d'activité notés manuellement (r = 0,32–0,62). Cette validation indique que notre méthodologie est adéquate pour quantifier l'activité générale des porcs, certainement puisque les corrélations inter-observateurs pour l'activité étaient similaires (r = 0, 55–0, 84).

Se concentrer uniquement sur l'augmentation de la production se fait au prix d'une augmentation du nombre de maladies et de troubles liés à la production, tels que les problèmes de pattes chez les porcs à l'engrais40. Combiner la génétique avec l'analyse de la conformation corporelle et du comportement animal peut aider à concevoir un élevage plus durable et plus robuste à l'avenir40. Cependant, la définition et la notation des lectures comportementales chez les porcs à grande échelle pour une application dans les programmes d'élevage reste problématique. De plus, de grands ensembles de données avec une structure généalogique suffisante sont nécessaires pour estimer avec précision les héritabilités et les corrélations génétiques41. Ici, nous avons pu combiner des informations génétiques avec des lectures comportementales directes. L'héritabilité des paramètres de dimension corporelle était élevée (h2 = 61–74 %) et même un peu plus élevée que les estimations trouvées dans la littérature (h2 = 30–60 %)14,15. Cela pourrait être attribué à une standardisation élevée et à une faible variabilité environnementale dans notre étude : toutes les mesures ont eu lieu dans la même ferme d'engraissement expérimentale au cours de la même saison (janvier-juillet 2021). Cela se reflète également dans les faibles estimations des effets environnementaux permanents (c2 = 7,7–17,6 %) pour ces caractères. Les estimations de l'héritabilité étaient faibles à modérées pour les traits d'activité vitesse moyenne, indice de rectitude et sinuosité (h2 = 22–35 %). Ces estimations sont similaires à celles des traits d'activité et de manipulation notés manuellement chez les porcs pendant la pesée (h2 = 10–23 %)3,17,18,19,24.

Aucune corrélation défavorable n'a été trouvée entre les traits d'activité et les paramètres de dimension corporelle (rg = − 0,34–0,19), ce qui indique que les porcs peuvent être sélectionnés pour les deux types de traits simultanément. Ces résultats sont conformes à ceux de Holl et al.17 rapportant une faible corrélation génétique entre le score d'activité et l'épaisseur du gras dorsal (rg = − 0,11 à − 0,16) ainsi qu'une association modérée entre le score d'activité et la croissance (rg = − 0,38). Comme pour Ohnishi et Satoh42, les corrélations génétiques étaient élevées entre les paramètres de dimension corporelle et le gain quotidien moyen (rg = 0,81–0,92). Malgré ces corrélations génétiques élevées, la combinaison des paramètres de dimension corporelle avec les enregistrements de poids reste pertinente dans l'élevage (porc). La longueur du corps, par exemple, est corrélée au nombre de vertèbres, de tétines et de la taille de la portée43,44. Les caractéristiques d'activité signifient que la vitesse, l'indice de rectitude et la sinuosité étaient fortement corrélés, probablement parce que ces caractéristiques remontent au niveau d'activité des porcs pendant la pesée.

De faibles corrélations ont été trouvées entre les scores de morsure de la queue ou des oreilles, la taille du corps et les paramètres d'activité. Par conséquent, la réduction des morsures de queue en tant que réponse corrélée de la sélection des porcs sur la base de ces caractéristiques d'activité ne semble pas réalisable. Ursinus et al.45 ont également signalé que la morsure de la queue est difficile à prédire par le comportement individuel. Il existe cependant des indications d'une relation faible à modérée entre l'activité pendant la pesée et l'agressivité dans l'enclos3,24. Par conséquent, les porcs reproducteurs dont l'activité est réduite pendant la pesée pourraient réduire l'agressivité et les blessures. L'élevage sélectif contre les comportements indésirables, tels que l'agressivité, s'est déjà révélé efficace chez les porcs46.

Malheureusement, nous n'avons pas pu comparer nos traits d'activité lors de la pesée à l'activité dans l'enclos. Cependant, des études ont trouvé une relation entre l'activité pendant la pesée et l'agressivité dans l'enclos3,24, tandis que d'autres ont lié les changements des scores d'activité dans l'enclos aux morsures de queue et aux infections16,20,21,22 ou à la consommation alimentaire résiduelle23. Cependant, il manque actuellement des preuves sur la relation entre l'activité pendant la pesée et l'activité dans l'enclos. Cette relation entre l'activité de pesée et l'activité du stylo nécessite des recherches supplémentaires. Il convient de noter que, dans notre contexte, un seul enclos (généralement 13 porcs) était d'abord amené dans un couloir central, après quoi les porcs étaient pesés les uns après les autres. Les porcs atteignaient généralement le lecteur RFID en quelques secondes, après quoi il fallait environ 10 à 20 secondes pour les peser. Par conséquent, la vitesse moyenne que nous estimons indique principalement dans quelle mesure un porc a fait des allers-retours lors de la pesée. De plus, les indices de sinuosité et de rectitude sont principalement utilisés dans les études écologiques sous l'hypothèse que les animaux peuvent se déplacer librement35,36. Dans notre configuration, les porcs étaient limités à une zone limitée d'environ 2,5 m × 0,6 m (Fig. 1). Bien que l'interprétation soit différente, nous soutenons que ces traits sont toujours très pertinents pour caractériser le comportement des porcs, car ils fournissent une bonne indication de l'activité lors de la pesée.

Bien que notre réseau de neurones ait été développé pour des caractéristiques et des paramètres spécifiques (c'est-à-dire des porcs de finition blancs, pesés individuellement sur une grande balance), le réseau peut être relativement facilement généralisé ou étendu, comme l'expliquent Winters et al.47. Une limitation pratique de notre procédure était que les vidéos étaient analysées après l'enregistrement et devaient être stockées, puis couplées avec l'ensemble de données de poids (contenant les identifiants). Cette limitation pourrait être résolue en utilisant une version en temps réel de DeepLabCut en combinaison avec un lecteur RFID48 ou en améliorant l'identification des animaux à l'aide de systèmes de vision par ordinateur, ce qui représente actuellement un défi majeur. Le modèle développé pourrait également être étendu pour détecter des comportements de porcs très spécifiques lors de la pesée, tels que sauter ou se retourner (demi-tour), en utilisant le logiciel SimBA (Simple Behavioral Analysis) (https://github.com/sgoldenlab/simba)49 . Au cours de notre expérience, plusieurs porcs ont tenté d'échapper à la balance en essayant de sauter, ce qui pourrait être une indication d'animaux volages3. De plus, notre modèle pourrait être étendu pour identifier les marques de morsure de la queue et des oreilles et/ou les blessures cutanées, comme l'ont démontré Blömke et al.50. L'ajout d'une caméra latérale et/ou d'une caméra 3D nous permettrait éventuellement d'affiner nos analyses, même si cela augmenterait la complexité, et donc limiterait son utilisation à la ferme dans des programmes à grande échelle. Cela nous permettrait d'estimer la taille du porc, la profondeur musculaire et la graisse dorsale5, ou d'effectuer une analyse de la marche liée à la boiterie ou à d'autres problèmes locomoteurs51.

Dans la présente étude, nous avons estimé la dimension corporelle et les traits d'activité des porcs à l'aide d'une estimation de pose automatisée sur des vidéos enregistrées. Notre méthodologie élargit la routine standard de pesée des porcs avec un système de vision par ordinateur, qui est capable de phénotyper avec précision les dimensions corporelles et les traits d'activité des porcs. De plus, nous avons validé nos résultats et montré que ces caractères sont héréditaires et ne montrent aucune corrélation génétique défavorable avec les caractères de production. Ces méthodes sont précieuses pour les organisations d'élevage (de porc) pour phénotyper automatiquement de nouveaux traits de production et de comportement.

L'ensemble de données sera rendu accessible sur demande motivée. Toutes nos images annotées et nos modèles de suivi sont disponibles sur : https://doi.org/10.17605/OSF.IO/QKW5Y. Pour plus d'informations, veuillez contacter l'auteur correspondant.

Gain journalier moyen

Effets environnementaux courants

Systèmes de vision par ordinateur

DeepLabCut

Taux de conversion alimentaire

Héritabilité au sens étroit

Corrélation de Pearson

Identification radiofréquence

Corrélation génétique

FAO. Alimentation et agriculture mondiales : Annuaire statistique 2020 (FAO, 2020).

Google Scholar

Knap, PW Le développement scientifique dont nous avons besoin dans l'industrie de l'élevage. J. Anim. Race. Genet. 137(4), 343–344 (2020).

Article MathSciNet PubMed Google Scholar

Rydhmer, L. & Canario, L. Génétique comportementale chez les porcs et relations avec le bien-être. Génétique et comportement des animaux domestiques 397–434 (Elsevier Inc., 2014).

Réserver Google Scholar

Fernandes, AFA, Dórea, JRR & Rosa, GJM Analyse d'images et applications de vision par ordinateur en sciences animales : un aperçu. Devant. Vétérinaire. Sci. 7, 1269 (2020).

Article Google Scholar

Fernandes, AFA et al. Comparaison des stratégies d'analyse de données dans les systèmes de vision par ordinateur pour prédire les traits de composition corporelle des porcs à partir d'images 3D. J. Anim. Sci. 98, 8 (2020).

Article Google Scholar

Riekert, M., Klein, A., Adrion, F., Hoffmann, C. & Gallmann, E. Détection automatique de la position et de la posture du porc par imagerie par caméra 2D et apprentissage en profondeur. Calcul. Électron. Agric. 174, 105391 (2020).

Article Google Scholar

Chen, C. et al. Reconnaissance des épisodes agressifs des porcs basée sur le réseau neuronal convolutif et la mémoire à long terme. Calcul. Électron. Agric. 169, 105166 (2020).

Article Google Scholar

Leonard, SM, Xin, H., Brown-Brandl, TM & Ramirez, BC Développement et application d'un système d'acquisition d'images pour caractériser les comportements des truies dans les stalles de mise-bas. Calcul. Électron. Agric. 163, 104866 (2019).

Article Google Scholar

Yang, Q., Xiao, D. & Lin, S. Reconnaissance du comportement alimentaire pour les porcs hébergés en groupe avec le Faster R-CNN. Calcul. Électron. Agric. 155, 453–460 (2018).

Article Google Scholar

Chen, C. et al. Reconnaissance du comportement alimentaire des porcs et détermination du temps d'alimentation de chaque porc par une méthode d'apprentissage en profondeur basée sur la vidéo. Calcul. Électron. Agric. 176, 105642 (2020).

Article Google Scholar

Moore, KL, Mrode, R. & Coffey, MP Paramètres génétiques de l'analyse d'images visuelles des traits de carcasse de coupe primaire des animaux de boucherie commerciaux de première qualité. Animaux 11(10), 1653–1659 (2017).

Article CAS PubMed Google Scholar

Nye, J., Zingaretti, LM et Pérez-Enciso, M. Estimation des traits conformationnels chez les bovins laitiers avec DeepAPS : une approche de phénotypage et de segmentation automatisés en deux étapes. Devant. Genet. 11, 513 (2020).

Article PubMed PubMed Central Google Scholar

Johnson, ZB & Nugent, RA Héritabilité de la longueur du corps et mesures de la densité corporelle et leur relation avec l'épaisseur du gras dorsal et la zone musculaire de la longe chez le porc. J. Anim. Sci. 81(8), 1943–1949 (2003).

Article CAS PubMed Google Scholar

Rothschild, MF & Ruvinsky, A. La génétique du porc 2e éd. (Springer, 2022).

Google Scholar

Song, H., Zhang, J., Zhang, Q. & Ding, X. Utilisation de différentes stratégies en une seule étape pour améliorer l'efficacité de la prédiction génomique sur les traits de mesure corporelle chez le porc. Devant. Genet. 10, 1–10 (2019).

CAS Google Scholar

Ott, S. et al. L'analyse vidéo automatisée de l'activité des porcs au niveau de l'enclos est fortement corrélée aux observations humaines des activités comportementales. Livest Sci. 160(1), 132–137 (2014).

Article Google Scholar

Holl, JW, Rohrer, GA et Brown-Brandl, TM Estimations des paramètres génétiques parmi les scores d'activité de l'échelle, la croissance et l'adiposité chez les porcs. J. Anim. Sci. 88(2), 455–459 (2010).

Article CAS PubMed Google Scholar

Jones, RM, Hermesch, S. & Crump, RE Évaluation du temps de vol des porcs, du gain quotidien moyen et du gras dorsal à l'aide de modèles à effets aléatoires incluant le groupe de croissance. Proc. Assoc. Adv. Anim. Race. Genet. 18, 199–202 (2009).

Google Scholar

Schneider, JF, Rempel, LA, Rohrer, GA et Brown-Brandl, TM Estimations des paramètres génétiques parmi le score d'activité à l'échelle et la disposition à la mise bas avec des traits reproductifs chez le porc. J. Anim. Sci. 89(11), 3514–3521 (2011).

Article CAS PubMed Google Scholar

Escobar, J., Van Alstine, WG, Baker, DH & Johnson, RW Comportement des porcs atteints de pneumonie virale et bactérienne. Appl. Anim. Comportement Sci. 105(1–3), 42–50 (2007).

Article Google Scholar

Reiner, G., Hübner, K. & Hepp, S. Souffrance chez les porcs malades exprimée par des traits comportementaux, cliniques et clinico-chimiques, dans un modèle parasitaire bien défini. Appl. Anim. Comportement Sci. 118(3–4), 222–231 (2009).

Article Google Scholar

Statham, P., Green, L., Bichard, M. & Mendl, M. Prédire les morsures de queue à partir du comportement des porcs avant les épidémies. Appl. Anim. Comportement Sci. 121(3–4), 157–164 (2009).

Article Google Scholar

Sadler, LJ, Johnson, AK, Lonergan, SM, Nettleton, D. & Dekkers, JCM L'effet de la sélection pour l'apport alimentaire résiduel sur l'activité comportementale générale et l'apparition de lésions chez les cochettes du Yorkshire. J. Anim. Sci. 89(1), 258–266 (2011).

Article CAS PubMed Google Scholar

D'Eath, RB et al. Génétique du tempérament animal : Le comportement agressif au mélange est génétiquement associé à la réponse à la manipulation chez les porcs. Animal 3(11), 1544-1554 (2009).

Article PubMed Google Scholar

Psota, ET, Mittek, M., Pérez, LC, Schmidt, T. & Mote, B. Détection de pièces multi-porcs et association avec un réseau entièrement convolutif. Capteurs 19, 4 (2019).

Article Google Scholar

Pérez-Enciso, M. & Steibel, JP Phenomes : la frontière actuelle de l'élevage. Genet. Sél. Évol. 53, 1 (2021).

Article CAS Google Scholar

Mathis, A. et al. DeepLabCut : Estimation de pose sans marqueur de parties du corps définies par l'utilisateur avec apprentissage en profondeur. Nat. Neurosci. 21(9), 1281-1289 (2018).

Article CAS PubMed Google Scholar

Sturman, O. et al. L'analyse comportementale basée sur l'apprentissage en profondeur atteint une précision humaine et est capable de surpasser les solutions commerciales. Neuropsychopharmacologie 45(11), 1942–1952 (2020).

Article PubMed PubMed Central Google Scholar

von Ziegler, L., Sturman, O. & Bohacek, J. Grand comportement : défis et opportunités dans une nouvelle ère de profilage comportemental approfondi. Neuropsychopharmacologie 46, 33–44 (2021).

Article Google Scholar

Van Rossum, G. & Drake, FL Jr. Manuel de référence Python (Centre de mathématiques et d'informatique d'Amsterdam, 1995).

Google Scholar

Frontmatec. Classement des carcasses par ultrasons entièrement automatique AutoFom IIITM. https://www.frontmatec.com/media/5125/frontmatec-instruments-autofom-iii-_web.pdf. (2019).

Nath, T. et al. Utilisation de DeepLabCut pour l'estimation de pose sans marqueur 3D à travers les espèces et les comportements. Nat. Protocole 14(7), 2152–2176 (2019).

Article CAS PubMed Google Scholar

Équipe de base R. R : Un langage et un environnement pour le calcul statistique (R Foundation for Statistical Computing, 2020).

Google Scholar

Pebesma, E. Fonctionnalités simples pour R : Prise en charge standardisée des données vectorielles spatiales. R J. 10(1), 439–446 (2018).

Article Google Scholar

McLean, DJ & Skowron Volponi, MA trajr : Un package R pour la caractérisation des trajectoires animales. Éthologie 124(6), 440–448 (2018).

Article Google Scholar

Benhamou, S. Comment estimer de manière fiable la tortuosité de la trajectoire d'un animal : rectitude, sinuosité ou dimension fractale ?. J. Théor. Biol. 229(2), 209–220 (2004).

Article ADS MathSciNet PubMed MATH Google Scholar

Bovet, P. & Benhamou, S. Analyse spatiale des mouvements d'animaux à l'aide d'un modèle de marche aléatoire corrélé. J. Théor. Biol. 131(4), 419–433 (1988).

Annonces d'article Google Scholar

Misztal, I. et al. Manuel pour la famille de programmes BLUPF90 (Athens University Georgia, 2014).

Google Scholar

Muñoz, F. & Sanchez, L. breedR : Méthodes statistiques pour les analystes des ressources génétiques forestières (Springer, 2019).

Google Scholar

Jensen, P. & Andersson, L. La génomique rencontre l'éthologie : une nouvelle voie pour comprendre la domestication, le comportement et la durabilité dans l'élevage des animaux. Ambio 2, 320–324 (2005).

Article Google Scholar

Kanis, E., De Greef, KH, Hiemstra, A. & Van Arendonk, JAM Élevage pour des traits sociétalement importants chez les porcs. J. Anim. Sci. 83, 948–957 (2005).

Article CAS PubMed Google Scholar

Ohnishi, C. & Satoh, M. Estimation des paramètres génétiques pour les caractéristiques de performance et de mesure corporelle chez les porcs Duroc sélectionnés pour le gain quotidien moyen, la zone musculaire de la longe et l'épaisseur du gras dorsal. Livest Sci. 214, 161–166 (2018).

Article Google Scholar

Duijvesteijn, N., Veltmaat, JM, Knol, EF et Harlizius, B. La cartographie d'association à haute résolution du nombre de tétines chez les porcs révèle les régions contrôlant le développement vertébral. BMC Génom. 15, 1 (2014).

Article Google Scholar

Rohrer, GA & Nonneman, DJ L'analyse génétique du nombre de trayons chez les porcs révèle certaines voies de développement indépendantes du nombre de vertèbres et plusieurs loci qui n'affectent qu'un côté spécifique. Genet. Sél. Évol. 49, 1 (2017).

Article CAS Google Scholar

Ursinus, WW, Van Reenen, CG, Kemp, B. & Bolhuis, JE Comportement de morsure de la queue et dommages à la queue chez les porcs et relation avec le comportement général : Prédire l'inévitable ?. Appl. Anim. Comportement Sci. 156, 22-36 (2014).

Article Google Scholar

Turner, SP Élevage contre les comportements sociaux nocifs chez les porcs et les poulets : état de l'art et voie à suivre. Appl. Anim. Comportement Sci. 134, 1–9 (2011).

Article Google Scholar

Winters, C. et al. Procédure automatisée pour évaluer la récupération des petits chez les souris de laboratoire. Sci. Rep. 12(1), 1663 (2022).

Article ADS CAS PubMed PubMed Central Google Scholar

Kane, GA, Lopes, G., Saunders, JL, Mathis, A. & Mathis, MW Retour d'information en boucle fermée à faible latence et en temps réel à l'aide d'un suivi de posture sans marqueur. Elife 9, 1–29 (2020).

Article Google Scholar

Nilsson, SRO et al. Analyse comportementale simple (SimBA) : une boîte à outils open source pour la classification informatique des comportements sociaux complexes chez les animaux de laboratoire. BioRxiv. https://doi.org/10.1101/2020.04.19.049452v2 (2020).

Article Google Scholar

Blömke, L., Volkmann, N. & Kemper, N. Évaluation d'un système d'évaluation automatisé des lésions de l'oreille et de la queue en tant qu'indicateurs du bien-être animal chez les porcs à l'abattage. Viande Sci. 159, 1–10 (2020).

Article Google Scholar

Pluym, LM et al. Développement d'un système de mesures automatiques de variables de force et de position visuelle pour la détection objective des boiteries chez les truies : SowSIS. Biosyst. Ing. 116(1), 64–74 (2013).

Article Google Scholar

Télécharger les références

Nous tenons à remercier Steven Broekx pour son aide dans la construction de la configuration expérimentale. En outre, nous tenons à remercier Nathalie Cenens, Simon Cardinaels et Hannelore Vermoesen pour leur aide dans la pesée des porcs et Kato Van Dyck, Witze de Wolf, Britt Clerens, Florence Sanders et Raf Mary pour la notation manuelle de l'activité des porcs. Nous tenons à remercier l'asbl Vlaamse Piétrain Fokkerij pour la fourniture des pedigrees et leur aide dans cette étude.

Cette étude a été partiellement financée par une bourse de doctorat FR (1104320N; WG) et deux bourses de doctorat SB (1S05818N (CW) et 1S37119N (RM)) de la Research Foundation Flanders (FWO). Les organismes de financement n'ont joué aucun rôle dans la conception de l'étude et la collecte, l'analyse et l'interprétation des données et dans la rédaction du manuscrit.

Ces auteurs ont contribué à parts égales : Wim Gorssen et Carmen Winters.

Center for Animal Breeding and Genetics, Department of Biosystems, KU Leuven, Kasteelpark Arenberg 30, Box 2472, 3001, Louvain, Belgique

Wim Gorssen, Roel Meyermans, Steven Janssens et Nadine Buys

Laboratoire de psychologie biologique, KU Leuven, Tiensestraat 102, Box 3714, 3000, Louvain, Belgique

Carmen Winters et Rudi D'Hooge

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

WG et CW ont analysé les données et rédigé le manuscrit. WG, CW, RM et NB ont conçu et conçu cette étude. RM, SJ, RD et NB ont revu de manière critique les analyses et le manuscrit. Tous les auteurs ont lu et approuvé le manuscrit final.

Correspondance avec Nadine Buys.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Vidéo supplémentaire 1.

Vidéo supplémentaire 2.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Gorssen, W., Winters, C., Meyermans, R. et al. Estimation génétique des dimensions corporelles et des niveaux d'activité chez les porcs à l'aide d'une estimation de pose automatisée. Sci Rep 12, 15384 (2022). https://doi.org/10.1038/s41598-022-19721-4

Télécharger la citation

Reçu : 18 février 2022

Accepté : 02 septembre 2022

Publié: 13 septembre 2022

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

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.