| 1. |
- Wang, Zhaoming, et al.
(author)
-
Imputation and subset-based association analysis across different cancer types identifies multiple independent risk loci in the TERT-CLPTM1L region on chromosome 5p15.33
- 2014
-
In: Human Molecular Genetics. - : Oxford University Press (OUP). - 0964-6906 .- 1460-2083. ; 23:24, s. 6616-6633
-
Journal article (peer-reviewed)abstract
- Genome-wide association studies (GWAS) have mapped risk alleles for at least 10 distinct cancers to a small region of 63 000 bp on chromosome 5p15.33. This region harbors the TERT and CLPTM1L genes; the former encodes the catalytic subunit of telomerase reverse transcriptase and the latter may play a role in apoptosis. To investigate further the genetic architecture of common susceptibility alleles in this region, we conducted an agnostic subset-based meta-analysis (association analysis based on subsets) across six distinct cancers in 34 248 cases and 45 036 controls. Based on sequential conditional analysis, we identified as many as six independent risk loci marked by common single-nucleotide polymorphisms: five in the TERT gene (Region 1: rs7726159, P = 2.10 × 10(-39); Region 3: rs2853677, P = 3.30 × 10(-36) and PConditional = 2.36 × 10(-8); Region 4: rs2736098, P = 3.87 × 10(-12) and PConditional = 5.19 × 10(-6), Region 5: rs13172201, P = 0.041 and PConditional = 2.04 × 10(-6); and Region 6: rs10069690, P = 7.49 × 10(-15) and PConditional = 5.35 × 10(-7)) and one in the neighboring CLPTM1L gene (Region 2: rs451360; P = 1.90 × 10(-18) and PConditional = 7.06 × 10(-16)). Between three and five cancers mapped to each independent locus with both risk-enhancing and protective effects. Allele-specific effects on DNA methylation were seen for a subset of risk loci, indicating that methylation and subsequent effects on gene expression may contribute to the biology of risk variants on 5p15.33. Our results provide strong support for extensive pleiotropy across this region of 5p15.33, to an extent not previously observed in other cancer susceptibility loci.
|
|
| 2. |
- Cardoso, Marcelo, et al.
(author)
-
Manual till JTI/SLU:s kalkylprogram för maskinkostnader i Excel : version 1
- 2009
-
Reports (other academic/artistic)abstract
- The JTI/SLU’s Farm Machinery Cost Estimator is a user-friendly computer program developed in Excel 2000 for Personal Computers in Swedish language. The program is able to estimate the cost for a single machine or/and total machinery costs (specific machinery + labour + timeliness costs) for a set. The program is composed of seven sheets of which two are hidden: o Start sheet: with general information on the programme. o Condition sheet: with basic data on the farm and other general parameters for the calculation. o Calculation sheet for estimating costs for one machine at a time. o Summary sheet where the results from the calculation sheet can be saved. o Timeliness sheet for timeliness cost estimation for the sowing and harvesting operations. o Machinery data sheet (hidden sheet): a database with basic information for the calculation on individual machines and machinery type. o A hidden sheet (PInfo) for temporary data saving during the programme running. The Estimator has nine different pop-up windows for helping estimating field machinery capacity and fuel consumption more accuracy according to the farm conditions. In addition, there is an optimisation module for estimating optimal width for some implement types and grain harvesters. In all visible sheets, there are information buttons and Comments on the most important data to be entered and the calculation methods used. The Estimator has been tested by researchers and farmers. In a series of tests, where labour and machinery costs were estimated for more than 30 farms, it showed to be easy to use and sound cost estimations were obtained. The program (Swedish language) is available free at this Internet address: http://www2.et.slu.se/maskinkalkyl/
|
|
| 3. |
- De Toro, Alfredo, et al.
(author)
-
Cereal harvesting : Strategies and costs under variable weather conditions
- 2012
-
In: Biosystems Engineering. - : Elsevier BV. - 1537-5110 .- 1537-5129. ; 111:4, s. 429-439
-
Journal article (peer-reviewed)abstract
- This study simulated 30 years of harvesting operations on an hourly basis with a harvesting model linked to a grain moisture model capable of predicting the moisture content of standing ripe wheat using historical weather data from Stockholm, Sweden, as input, in order to assess the effects of weather on cereal harvesting costs. Several combinations of harvester size and grain moisture ceiling were assessed on three cereal areas in terms of overall costs (machine + labour + timeliness + drying) and their annual variations.The main findings obtained by simulation and valid for regions with similar climate and agricultural conditions to the studied region were that: (a) available combining time was highly dependent on grain moisture ceiling, which showed large annual variation, e.g. a moisture ceiling of 21% (w.b.) was related to a potential harvesting time of 65% and a standard deviation of 24% (n = 30 years); (b) in order to complete harvesting operations in most years, it was necessary to operate at a moisture ceiling of 22-24% (w.b.), however, the average moisture content of the harvested grain was much lower, about 17-18%; (c) overall harvesting costs were estimated at approx €140 ha -1 for those systems performing relatively well, i.e. with a daily harvesting capacity of 4-5% of the cereal area and operating at a moisture ceiling of 22-24% (w.b.); and (d) the main sources of annual cost variation were firstly the timeliness costs and secondly the drying costs. © 2012 IAgrE.
|
|
| 4. |
- De Toro, Alfredo, et al.
(author)
-
Effects of extreme weather on yield of major arable crops in Sweden
- 2015
-
Reports (other academic/artistic)abstract
- Yield data for a series of years on the main crops grown in Sweden were collected and summarised in order to identify years with extremely low yield, determine their frequency and risk level and relate these to weather data in order to identify weather events leading to large yield reductions. Annual yield data at county level for cereals, field beans, oilseed rape, potatoes and temporary grasses were taken from official statistics for the period 1965-2014. For the period 2005-2012, crop yield data on farm level were also available from official statistics. In addition, yield data for cereals and temporary grasses being studied in long-term experiments (more than 40 years) located in four different agro-ecological zones of Sweden were considered. Daily temperature and precipitation data for each of the 21 counties in Sweden during the period 1961-2012 were downloaded from the official Swedish weather data website. In general, yield reductions were higher in northern than in southern counties and higher for spring cereals than winter cereals. Oats, spring rape and potatoes were the crops with the highest yield variation at county level. The frequency of a 30% yield reduction at county level was very low or close to zero in those counties with widespread cereal production, but large reductions occurred in individual years and certain counties (e.g. -80% in Norrbotten county in 1987). Close agreement between annual area of non-harvested crops and a 30% yield reduction was observed for certain years, crops and counties. The northern counties had on average 4-11% non-harvested crop area, with Norrbotten county having the highest values. The non-harvested area of cereals in southern counties was on average 0-2%. The risk of severe crop losses on farm level was around 10%, although in a few cases the risk was 25%, depending on the county. More specifically, the overall risk among the counties for individual farms of obtaining 30% lower yield for winter wheat was 5-20%, for spring wheat 5-20%, for rye 5-10% and for spring barley 5-25%. The corresponding risk of obtaining 50% lower yield for oats was 5-20%. The yield data for individual farms showed large variations, even in years with ‘favourable’ weather conditions. In most years, yield on the lower 10th percentile of farms was less than half the average yield at county level. Winter wheat showed the lowest variation in southern counties and oats and spring rape the highest. Farm-level yield variations were also much higher in Norrbotten county than in southern counties. This large yield variation was confirmed by data from the long-term crop experiments, in which yield reductions exceeding 30% occurred in 5-18% of years (i.e. 2-8 years in the period 1965-2010). Most years with the lowest yield were associated with a prolonged dry period (<20 mm precipitation over 40 days) and/or a high level of precipitation during the harvesting period (>100 mm during August). However, attempts to correlate county average yields with indices based only on daily temperature and precipitation gave poor and inconsistent results. Similar results were obtained using yield data from the long-term experiments and indices based solely on precipitation. The large yield variations between individual farms, the heterogeneity of crop responses to Scandinavian weather conditions and the limitations of yield prediction models in terms of detailed input data and result accuracy indicate that yield reductions should be measured on farm level. Within the study period, precipitation during summer months appeared to increase over time, particularly in 25% of years in southern Sweden. If this situation persists, it will have conflicting effects on crop production, by reducing the risk of drought periods and increasing the risk of rainy harvesting periods.
|
|
| 5. |
- de Toro, Alfredo, et al.
(author)
-
Effects of variable weather conditions on baled proportion of varied amounts of harvestable cereal straw, based on simulations
- 2021
-
In: Sustainability. - : MDPI AG. - 2071-1050. ; 13:16
-
Journal article (peer-reviewed)abstract
- All harvestable cereal straw cannot be collected every year in regions where wet periods are probable during the baling season, so some Swedish studies have used 'recovery coefficients’ to estimate potential harvestable amounts. Current Swedish recovery coefficients were first formu-lated by researchers in the early 1990s, after discussions with crop advisors, but there are no recent Swedish publications on available baling times and recovery proportions. Therefore, this study evaluated baling operations over a series of years for representative virtual farms and machine systems in four Swedish regions, to determine the available time for baling, baled straw ratio and annual variation in both. The hourly grain moisture content of pre-harvested cereals and swathed straw was estimated using moisture models and real weather data for 22/23 years, and the results were used as input to a model for simulating harvesting and baling operations. Expected available baling time during August and September was estimated to be 39–49%, depending on region, with large annual variation (standard deviation 22%). The average baling coefficient was estimated to be 80– 86%, with 1400 t·year−1 harvestable straw and 15 t·h−1 baling capacity, and the annual variation was also considerable (s.d. 20%). © 2021 by the authors.
|
|
| 6. |
- De Toro, Alfredo, et al.
(author)
-
Manual till JTI/SLU:s kalkylator för maskinkostnader i lantbruket : version 1
- 2009
-
Reports (other academic/artistic)abstract
- The JTI/SLU’s Farm Machinery Cost Calculator is a user-friendly computer application for Personal Computer in Swedish language for estimating field machinery costs. The program is able to estimate specific machinery, labour and timeliness costs for a single machine and set. The program is composed of four sheets and two databank files: o Condition sheet where basic data on the farm and other general parameters for the calculation are entered. o Calculation sheet for estimating costs for one machine at a time. o Summary sheet where the results from the calculation sheet can be saved. o Timeliness sheet for timeliness cost estimation for the sowing and harvesting operations. o Two Microsoft Access files, one with basic background data for the calculation and the other with saving place for the user’s own calculation results. The Calculator has nine different pop-up windows for helping estimating field machinery capacity and fuel consumption with more accuracy according to user’s specific farm conditions. In addition, there is an optimisation module for estimating optimal width for some implement types and grain harvesters. In all the sheets, there are information buttons on the most important data to be entered, programme deployment and calculation methods used. The Calculator (Swedish language) is available free of charge at this Internet address: http://www2.et.slu.se/maskinkalkyl/
|
|
| 7. |
- de Toro, Alfredo, et al.
(author)
-
Väderlekens inverkan på pressning av halm : Bedömning av leveranssäkerhet baserat på simulering
- 2021
-
Reports (other academic/artistic)abstract
- Det övergripande syftet med denna studie var att undersöka leveranssäkerheten för halm kopplat till risker på grund av dåliga väderförhållanden vid skörd samt utvärdera regionala skillnader i fyra viktiga odlingsområden i landet. Väderlekens inverkan på halmens vattenhalt i sträng och halmmängd som kunde pressas vid varierande gårdsstorlek, bärgningsperiod och halmmängd undersöktes. Med hjälp av simuleringsmodeller och historiska väderleksdata från 22-23 år beräknades vattenhalten på timbasis för spannmålskärna i den stående grödan och för halm i sträng. Skördetröskning och halmpressning simulerades med en annan modell under samma period, där en kort pressningsperiod till sluten av augusti och en längre period till mitten av september utvärderades. Väderlekens inverkan på pressningsförloppet uppskattades, samtidigt som begränsande och känsliga faktorer identifierades. De årliga pressade halmmängderna beräknades för typgårdar med 100, 300 och 600 ha spannmålsareal, belägna i Västmanland, Östergötland, Västra Götaland och Skåne.
|
|
| 8. |
- Eckersten, Henrik, et al.
(author)
-
Framtida risker och hot mot svensk spannmåls- respektive mjölkproduktion : en analys av forskningsbehov för att bedöma risker
- 2015
-
Reports (other academic/artistic)abstract
- Vad är syftet med denna Riskanalys? Svensk spannmåls- och mjölkproduktion beror på många faktorer av vilka flera är så kallade biofysiska, dvs i allt väsentligt är de av naturvetenskaplig karaktär (t ex väder, sjukdomar mm). En del förändringar i dessa förutsättningar utgör hot. Vår studie avser att identifiera några av dessa hot och utvärdera, utifrån vetenskapligt testade metodiker, sannolikheten för att de orsakar en skada på produktionen. Detta kräver dock ett mycket omfattande arbete och i denna studie har vi därför begränsat oss till att (i) strukturera hur en vetenskapligt baserad riskanalys bör gå till, och (ii) göra ett antal preliminära riskanalyser för att (iii) identifiera kunskapsluckor som behöver forskas på för att analysen ska kunna antas vila på en vetenskaplig grund. Vad menar vi med Risk? Vi har definierat risk som sannolikheten att ett hot orsakar en viss negativ konsekvens för den skyddsvärda tillgången. Av dessa termer är kanske den sistnämnda den mest centrala. Vad är det vi vill skydda? Vi har valt ut två tillgångar, Sveriges nationella spannmåls- respektive mjölkproduktion och avser då den produktion som lämnar gården, eller används inom gården, och att de skyddas så att de förblir ungefär av den omfattningen de har i dagsläget. Hoten mot denna produktion har valts utifrån förslag från tidigare studier, workshop, tillgången på experter och att hoten ska vara av biofysisk karaktär. Vilket hot som verkligen utgör en stor risk vet vi ju dock inte förrän efter riskanalysen är utförd och valen av hot bygger därför på en preliminär uppskattning. Biofysisk karaktär innebär att vi främst analyserat naturvetenskapliga hot. Hoten orsakar effekter på produktionen i mätbara termer som sedan översätts till en mer abstrakt skala från ingen till extremt negativ konsekvens. Beroende på olika osäkerhetsfaktorer erhåller vi flera konsekvensvärden för ett givet hot, och fördelningen av dessa på konsekvensskalan utgör ett mått på sannolikheten. Risken anges alltså som ett förhållande mellan konsekvens och sannolikhet. Varför har vi gjort denna systemavgränsning? Riskanalysen har två huvudaktörer; riskhanteraren som definierar vad som ska anlyseras och analysfunktionen som utför analysen. Riskhanteraren är i vårt fall styrgruppen för SLUs forskningsprogram Framtidens lantbruk (FA, 2015) som har definierat typen av hot och de skyddsvärda tillgångarna som ska analyseras. Vi som utfört denna studie är analysfunktionen, och har alltså dessa definitioner som en utgångspunkt. Om vi ändå tillåter oss att spekulera kring valet av spannmåls- respektive mjölkproduktionen så kan det motiveras av SLU's nationella ansvar vad avser den vetenskapliga kompetensen inom de areella näringarna. Ett fokus på biofysiska hot motiveras av att dessa är potentiellt stora och växande, såsom t ex är fallet vad avser klimatförändringar. Riskanalyser av denna typ bildar centrala underlag för att formulera olika strategier, t ex angående livsmedelsförsörjning. Hur har arbetet gått till? Riskanalyserna har utförts för ett antal "krisscenarier"; fyra avseende hot mot spannmålsproduktionen (Radioaktivt-nedfall, Virus-i-spannmål, Herbicidresistens och Extremt-sommarväder) och tre avseende mjölkproduktionen (Leptospiros-utbrott, Foderimport-stopp och Värmebölja). Analysen tar sin utgångspunkt i ett omvärldsscenario som definierar de yttre förutsättningarna för vad som antas inträffa. Detta ligger till grund för att identifiera troliga hot mot produktionen och vilka åtgärder som förväntas vidtas. Vi har sedan utgått från att dessa hot och åtgärder verkligen har hänt när vi mha våra förklaringsmodeller bestämt effekterna på produktionen i termer av mätbara enheter ("metrics"; t ex procentuell minskning av lokal eller regional veteproduktion). Dessa effekter tolkas/integreras sedan till en konsekvens för, helst den nationella, men i realiteten främst den regionala produktionen i fem nivåer (ingen, liten, måttlig, stor respektive extrem). Osäkerheter i bedömningarna innebär att flera alternativa konsekvenser erhålls, för ett givet hot, och som ligger till grund för en sannolikhetsbedömning. Analyserna har gjorts av experter inom respektive hots vetenskapliga område, men som haft begränsade förutsättningar (av tidsskäl) att göra tillräckligt många bedömningar för att erhålla ett tillförlitligt mått på sannolikhetsfördelningen (osäkerheten). Istället har vi, vilket också är ett huvudsyfte med studien, huvudsakligen försökt identifiera de kunskapsluckor i förklaringsmodellerna som begränsat våra möjligheter att kunna göra vetenskapligt baserade bedömningar av effekterna (se vidare Appendix 3). Vad är resultatet? Vi har gjort vissa grova skattningar av sannolikheten trots det bristfälliga antalet bedömningar av konsekvenser. Om ett radioaktivt nedfall sker i en region får det extrema konsekvenser för dess spannmålsproduktion på regional nivå. Ett omfattande angrepp av jordburna virus orsakar en måttlig eller stor konsekvens. En utvecklad herbicidresistens hos ogräsen orsakar i huvudsak en liten till måttlig konsekvens. En extremt torr sommar kan ett år orsaka en stor konsekvens och ett annat år ingen alls. Likaledes orsakar en Regnig-sensommar i ca hälften av fallen ingen konsekvens, men för de resterande åren kan alla grader av konsekvenser uppstå på spannmålsproduktionen. För mjölkproduktionen orsakar samtliga tre hot (Leptospiros-utbrott, Foderimport-stopp och Värmebölja) en liten till måttlig konsekvens. Vad avser ett importsopp för foder är detta under förutsättning att olika åtgärdsprogram kombineras. Om fokus läggs på endast ett åtgärdsprogram ökar risken väsentligt. Dessa skattningar ska alltså inte betraktas som en vetenskapligt baserad analys i nuläget, utan demonstrerar främst exempel på resultat från sådana analyser. Skattningarna har hjälpt oss att identifiera vilka kunskaper vi saknar för att analyserna ska kunna betraktas som vetenskapligt baserade (se vidare Tabell 4.3a; sammanfattningar av respektive scenario finns i Resultatdelen). Analyserna har ibland också lett till att vi identifierat följdhändelser som faller utanför systemavgränsningen för vår studie och som andra studier har till uppgift att utreda. Många av de hot vi analyserat kan leda till betydande ekonomiska konsekvenser för enskilda företag, vilket i sin tur utgör hot mot produktionen. För denna analys krävs dock socioekonomiska analyser. Vi ser här också kopplingar mellan krisscenarier som är av biofysisk karaktär, t ex kan foder kontaminerat med radioaktivt cesium utgöra ett hot mot mjölkproduktionen. Vår studie har dock bara analyserat ett krisscenarios inverkan på antigen spannmåls- eller mjölkproduktionen.Vilka är de viktigaste slutsatserna? En central fråga är: Hur trovärdiga/säkra är dessa förutsägelser? Risk avser en förutsägelse om något som ännu inte hänt. Det första som behövs är alltså någon form av modell. Dessa modeller kan vara av olika sort i termer av vilken empirisk kunskap de använder för extrapolering (t ex funktioner, behandlingseffekter, mm), om de är objektiva och om de är transparenta. Alla modeller är osäkra i någon mening. Dock saknas i alla de fall vi undersökt mått på modellernas förutsägelseförmåga (med något enstaka undantag). En allmän slutsats blir att forskningen behöver inriktas mot att testa modellernas förutsägelseförmåga mot observationer för att kunna bidra till en vetenskapligt baserad riskanalys av spannmåls- respektive mjölkproduktionen. Detta innebär att experiment- och försöksupplägg behöver göras utifrån hypoteser (modeller) om hur de dynamiska förloppen beror på varierande förutsättningar och omgivningsförhållanden. T ex behöver de statistiska relationerna för hur Extremt-sommarväder påverkar spannmålsproduktionen, som används i vår studie, kompletteras med tester av grödmodeller som kan beakta flera vädervariablers samtida variationer i både tid och rum. För kunskapsluckor som är specifika för respektive hot, se Tabell 4.4Sammanfattningsvis behövs (i) fler förutsägelser av respektive potentiellt hots konsekvenser på produktionen, med modeller som har någon form av graderad tillförlitlighet, för att erhålla mått på osäkerheter. Dessutom behövs det (ii) tester av hypoteser för uppskalningar från kontrollerade experiment och försök (på en liten skala i tid och rum) till regional och nationell skala över flera år, och (iii) utveckling av metodiker för hur sannolikheter för hot, åtgärder respektive konsekvenser kan kombineras till en sannolikhetsfördelning som inbegriper bedömningsosäkerheter för alla dessa faktorer. Troligtvis behövs också att fler potentiella biofysiska hot analyseras. Hur går vi vidare? En mer fullständig riskanalys som inkluderar alla potentiellt stora hot mot produktionen, och samtidigt är vetenskapligt baserad, kräver att potentiella hot utreds kontinuerligt inom respektive produktionsrelaterat ämnesområde vid SLU. Detta kräver troligen att verksamheter som testar hypoteser för att förutsäga effekter av hot knyts nära den experimentella forskningen och experter inom respektive ämnesområde. Det krävs troligen också att en syntesverksamhet etableras på en ämnesövergripande nivå där metodiker kan standardardiseras, och olika hot och dess konsekvenser kan jämföras och kombineras. En sådan fungerande verksamhet behöver utvidga systemgränserna jämfört med vår studie, genom att sannolikheter för att hot uppkommer och att åtgärder faktiskt vidtas, också bedöms. Dessa sannolikheter behöver sedan integreras med sannolikheterna för konsekvenserna på produktionen. Därefter kan riskanalysen utökas till att inbegripa en mer a
|
|
| 9. |
|
|
| 10. |
|
|
