文章要点
随着遗传数据越来越容易获取，表型分析取代基因分型成为遗传学研究的瓶颈。
使用机器学习（通常称为“人工智能”）生成身体测量值和活动数据的新型可穿戴设备和相机或录音机等设备正变得越来越普遍。
随着测量天气、生物量和其他环境因素的大型开放数据集成为整个社会数字化转型的一部分，背景信息变得越来越可用。
对“人工智能”的重视可以迅速扩展工具集和数据源，以增强现有的行业基础设施，支持可用于表型分析的高通量数据收集。
即使数字化，当前育种计划中使用的大多数性状仍然具有简单的性质。
本叙述性评论将重点关注利用畜牧养殖数据进行动物高通量表型分析的四个关键领域：
农业中使用的测量类型适用于遗传学研究中的表型分析。
开发新型传感器，实现农场设备的数字化，并生成数据，这些数据目前被收集在农场的畜群管理系统中，以支持农场的运营
农业和精准畜牧业的数字化如何生成有关农场动物及其环境的背景信息。
描述可用于高通量表型分析的育种组织和育种计划的作用。
1. 表型类型
一次性测量——针对持久性特征（如无角性）进行的一次测量，品种特征。
纵向数据——经过重复测量得出的单一值，例如用于牛奶记录的产奶产量
行为测量用于测量个体所表现出的行为（传感器，与AI相结合）
使用比测量的表型更容易获得或更稳定的生物标志物的内表型或中间表型，例如在代谢紊乱的生物标志物（BHB）。
环境表型分析通过测量动物的环境背景，可以测量与表型可稳健性相关的特征，温度。
2. 表型的经济考虑
- 物种： 全球畜牧业产出的经济价值主要由牛产出创造的价值决定（2018 年为 34%），其次是鸡（21%）、猪（17%）、水产养殖（14%）、其他牲畜（12%）和绵羊（2%）
- 表型测量装置类型：在畜群层面，将传感器连接到动物身上的个体追踪对于长寿动物更有吸引力，因为它们可以在多年内产生价值；而固定装置在个体被屠宰和更换时保持不变，对于短命的生产牲畜更有吸引力，并通过个体动物佩戴的应答器或射频识别 (RFID) 标签提供身份识别。
- 视频监控和声音监控等新兴领域对于肉鸡和养猪等动物的高通量生产将具有更高的价值，因为记录设备每年可用于记录多代动物，并且可以与现有的固定装置和基于 RFID 的识别相结合
3 为育种和咨询组织记录数据
- 纳入育种计划性状条件：必须可遗传，且具有足够的经济重要性，以证明测量成本是合理的。必须可以在大群体进行测量，以提高足够的参考群数据
- 从纯技术角度来看，目前大多数用于育种评估的记录相对简单，无需先进的技术基础设施即可进行。以北欧总优点指数为例，大多数测量（83 个中的 58 个）纯粹依赖于观察和记录事件的日期。
4. 农场设备数字化
- 以互联网为连接，将多个传感器组合为一个系统，做表型数据得到大规模收集
-
例子： ICAR 和 Horizon2020 EU 项目“农民数据驱动的奶业决策”（4D4F）在 2018 年制作了此类调查：
image.png -
数据决策类型的设备分类
image.png
设备大致可以分为四类。
数字化农业设备，其中嵌入式系统和新传感器增强了以前使用的设备，例如挤奶系统。
带有传感器的新型可穿戴设备。
使用图像分析的摄像机和自动监控。
实验室和咨询机构提供的集中服务。
数字化农业设备
- 主要由大型设备制造商提供的，如 DeLaval、Lely 和 GEA，在为农场供应设备方面有着悠久的历史。
- 主要设备制造商现在提供以农场或畜群管理系统为品牌的软件，例如 DeLaval DelPro、Lely Time for Cows (T4C) 和 GEA DairyPlan。这些管理系统为农民提供支持其日常运营的信息。
可穿戴设备
目前已经在牧场应用的设备
PS： 传感器“休息日”是翻译错误，应该是腿标
用于生成数据的相机和成像方法的应用示例
视觉和听觉设备
- 在棚内固定安装摄像机或录音机可以提供一种经济有效的方法来追踪动物、它们的行为和饲料摄入量。
- 尤其图上处理，AI（CNN算法）可以很好的匹配
- 摄像设备和录音系统在商业化或大规模部署过程中面临的一个关键挑战是如何适应不同的谷仓环境，包括不同的天花板高度、光照条件和遮挡视线的设备。
集中服务中心
如奶牛的DHI，使用MIR检测牛奶的成分（脂肪和蛋白率等）和测试的生物标志物包括能量缺陷（柠檬酸盐、异柠檬酸盐、葡萄糖-6 磷酸 [葡萄糖-6P]、游离葡萄糖）、酮症（β-羟基丁酸和丙酮）、乳腺炎（N-乙酰-β-d-葡萄糖胺酶活性和乳酸脱氢酶）和生育力（孕酮）的标志物
参考文献
Beyond the hype: using AI, big data, wearable devices, and the internet of things for high-throughput livestock phenotyping
