Spreadable Media:Creating Value and Meaning in a Networked Culture Online Roundtable on Spreadable Media, by Henry Jenkins, Sam Ford, and Joshua Green, with participants Paul Booth, Kristina Busse, Melissa Click, Sam Ford, Henry Jenkins, Xiaochang Li, and Sharon Ross. Moderated by Lousia Stein, Book Review Editor Spreadable Media: Creating Value and Meaning in a Networked Culture by Henry Jenkins, Sam Ford, and Joshua Green. New York University Press. 2013. $29.95 hardcover; $12.10 e-book. 352pages The following conversation is an edited excerpt from a broader roundtable discussion, organized and moderated by Cinema Journal between June and July 2013. In this section, the conversation focuses on popular culture, fans, and niche cultures. The contributors responded to a series of prompts that asked them to consider the relationship between Spreadable Media and past and current work in fan studies (including Henry Jenkins’s Textual Poachers and Convergence Culture).1 Participants also explore Spreadable Media’s relationship to fan studies scholarship and ask whether Spreadable Media represents a shift in the way we think of fans in relationship to popular culture. The full conversation addresses Spreadable Media’s engagement with questions of transmedia, digital culture, and online social activism more broadly, and it will be published online in an upcoming edition of Transformative Works and Cultures. [End Page 152] Kristina Busse: Although Spreadable Media is ultimately not a fan studies book, nor does it try to be, it purposefully engages the concept of the fan and thus gets read in conjunction with fan scholarship, including Jenkins’s previous works, Textual Poachers and Convergence Culture. Given that trajectory and the way the book repeatedly deploys specific examples of fan activities within its larger project, it raises the question as to how Spreadable Media uses the fan and how it engages with fan scholarship. Looking at the way Spreadable Media stretches the concept of being a fan to a point of seeming unrecognizability, I would suggest that the book is ultimately not interested in fans, except what they tell us about larger audiences. There are obviously strategic reasons to expand the term fan from the narrow confines that Henry Jenkins’s earlier Textual Poachers set out. In the intervening years, many aspects of fandom have mainstreamed, a move that Henry has both described extensively and partly helped bring about. There are many benefits to conceptualizing active audiences as fans, but I’d like to look at some of the drawbacks. In particular, I’d like to look at what happens when the definition of fan changes from one based on identity to one based on action. I’d like to look at what gets left out when the definition of fan is as broadly conceived as it is in Spreadable Media, when any “like” click on Facebook, any forwarding of a YouTube link, constitutes a fan activity. I am concerned that such a broadening of the concept facilitates a shift from the fans studied in Textual Poachers to general audiences. Such a shift moves the focus away from the marginal media fan, who was mostly commercially nonviable, often resistant, and uncooperative, and whose dedication to a gift economy was often in spite of capitalist alternatives and not because they didn’t exist. In its stead, the fans who take center stage in Spreadable Media are the commercializable audiences, who happily seem to collaborate in their own exploitation, free laborers creating value of which they cannot even assume ownership. What gets excluded and marginalized in Spreadable Media, then, are the very founders of the concept of fan, the unruly and aggressively anticommercial, the queered and sexually explicit, the anticapitalist and anticopyright. What gets excluded are the audiences whose practices may have been adapted and adopted and celebrated but whose presence is ultimately not desired in this brand-new, commercially viable fan universe. Spreadable Media acknowledges this danger: “We all should be vigilant over what gets sacrificed, compromised, or co-opted by media audiences as part of this process of mainstreaming the activities and interests of cult audiences.”2 But when reading through the chapters, I am distressed by observing that very compromise the authors warn against. I fear the actual driving force of...

Abstract The gene numbers and evolutionary rates of birds were assumed to be much lower than that of mammals, which in sharp contrast to the huge species number and morphological diversity of birds. It is very necessary to construct a complete avian genome and analyze its evolution.We constructed a chicken pan-genome from 20 de novo genome assemblies with high sequencing depth, newly identified 1,335 protein-coding genes and 3,011 long noncoding RNAs. The majority of these novel genes were detected across most individuals of the examined transcriptomes but were accidentally measured in each of the DNA sequencing data regardless of Illumina or PacBio technology. Furthermore, different from previous pan-genome models, most of these novel genes were overrepresented on chromosomal sub-telomeric regions, surrounded with extremely high proportions of tandem repeats, and strongly blocked DNA sequencing. These hidden genes were proved to be shared by all chicken genomes, included many housekeeping genes, and enriched in immune pathways. Comparative genomics revealed the novel genes had three-fold elevated substitution rates than known ones, updating the evolutionary rates of birds. Our study provides a framework for constructing a better chicken genome, which will contribute towards the understanding of avian evolution and improvement of poultry breeding.

Abstract Chicken is a valuable model for understanding fundamental biology, vertebrate evolution and diseases, as well as a major source of nutrient-dense and lean-protein-enriched food globally. Although it is the first non-mammalian amniote genome to be sequenced, the chicken genome still lacks a systematic characterization of functional impacts of genetic variants. Here, through integrating 7,015 RNA-Seq and 2,869 whole-genome sequence data, the Chicken Genotype- Tissue Expression (ChickenGTEx) project presents the pilot reference of regulatory variants in 28 chicken tissue transcriptomes, including millions of regulatory effects on primary expression (including protein-coding genes, lncRNA and exon) and post-transcriptional modifications (alternative splicing and 3’ untranslated region alternative polyadenylation). We explored the tissue-sharing and context-specificity of these regulatory variants, their underlying molecular mechanisms of action, and their utility in interpreting adaptation and genome-wide associations of 108 chicken complex traits. Finally, we illustrated shared and lineage-specific features of gene regulation between chickens and mammals, and demonstrated how the ChickenGTEx resource can further assist with translating genetic findings across species. One-Sentence Summary The ChickenGTEx provides a multi-tissue reference of regulatory variants for chicken genetics and genomics, functional genomics, precision breeding, veterinary medicine, vertebrate evolution and even human biomedicine.

Eggshell is predominantly composed of calcium carbonate, making up about 95% of its composition. Eggshell quality is closely related to the amount of calcium deposition in the shell, which requires chickens to maintain a robust state of calcium metabolism. In this study, we introduced a novel parameter, Total Eggshell Weight (TESW), which measures the total weight of eggshells produced by chickens over a period of 10 consecutive d, providing valuable information on the intensity of calcium metabolism in chickens. Genome-wide association study (GWAS) was conducted to explore the genetic determinants of eggshell calcification in a population of 570 Rhode Island Red laying hens at 90 wk of age. This study revealed a significant association between a specific SNP (rs14249431) and TESW. Additionally, using random forest modeling and 2-tailed testing, we identified 3 genera, Lactobacillus in the jejunum, Lactobacillus, and Fournierella in the cecum, that exhibited a significant association with TESW. Quantitative reverse transcription polymerase chain reaction (qRT-PCR) analysis of claudin-1 and occludin genes in individuals with low TESW and high abundance of jejunal Lactobacillus confirmed that the inhibitory effect of jejunal Lactobacillus on calcium uptake was achieved through the up-regulation of tight junctions in intestinal epithelial cells. Notably, both host and microbial factors influence TESW, displaying a mutually influential relationship between them. The microbiome-wide Genome-Wide Association Study (mb-GWAS) identified significant associations between these 3 genera and specific genomic variants, such as rs316115020 and rs316420452 on chromosome 5, rs313198529 on chromosome 11, linked to Lactobacillus in the cecum. Moreover, rs312552529 on chromosome 1 exhibited potential association with Fournierella in the cecum. This study highlights the influence of host genetics and gut microbiota on calcium deposition in eggshells during the late laying phase, providing a foundational reference for studying calcium metabolism in hens.

Abstract Background The breeding of layers emphasizes the continual selection of egg-related traits, such as egg production, egg quality and eggshell, which enhance their productivity and meet the demand of market. As the breeding process continued, the genomic homozygosity of layers gradually increased, resulting in the emergence of runs of homozygosity (ROH). Therefore, ROH analysis can be used in conjunction with other methods to detect selection signatures and identify candidate genes associated with various important traits in layer breeding. Results In this study, we generated whole-genome sequencing data from 686 hens in a Rhode Island Red population that had undergone fifteen consecutive generations of intensive artificial selection. We performed a genome-wide ROH analysis and utilized multiple methods to detect signatures of selection. A total of 141,720 ROH segments were discovered in whole population, and most of them (97.35%) were less than 3 Mb in length. Twenty-three ROH islands were identified, and they overlapped with some regions bearing selection signatures, which were detected by the De-correlated composite of multiple signals methods (DCMS). Sixty genes were discovered and functional annotation analysis revealed the possible roles of them in growth, development, immunity and signaling in layers. Additionally, two-tailed analyses including DCMS and ROH for 44 phenotypes of layers were conducted to find out the genomic differences between subgroups of top and bottom 10% phenotype of individuals. Combining the results of GWAS, we observed that regions significantly associated with traits also exhibited selection signatures between the high and low subgroups. We identified a region significantly associated with egg weight near the 25 Mb region of GGA 1, which exhibited selection signatures and has higher genomic homozygosity in the low egg weight subpopulation. This suggests that the region may be play a role in the decline in egg weight. Conclusions In summary, through the combined analysis of ROH, selection signatures, and GWAS, we identified several genomic regions that associated with the production traits of layers, providing reference for the study of layer genome.

Genomic prediction plays an increasingly important role in modern animal breeding, with predictive accuracy being a crucial aspect. The classical linear mixed model is gradually unable to accommodate the growing number of target traits and the increasingly intricate genetic regulatory patterns. Hence, novel approaches are necessary for future genomic prediction. In this study, we used an illumina 50K SNP chip to genotype 4190 egg-type female Rhode Island Red chickens. Machine learning (ML) and classical bioinformatics methods were integrated to fit genotypes with 10 economic traits in chickens. We evaluated the effectiveness of ML methods using Pearson correlation coefficients and the RMSE between predicted and actual phenotypic values and compared them with rrBLUP and BayesA. Our results indicated that ML algorithms exhibit significantly superior performance to rrBLUP and BayesA in predicting body weight and eggshell strength traits. Conversely, rrBLUP and BayesA demonstrated 2–58% higher predictive accuracy in predicting egg numbers. Additionally, the incorporation of suggestively significant SNPs obtained through the GWAS into the ML models resulted in an increase in the predictive accuracy of 0.1–27% across nearly all traits. These findings suggest the potential of combining classical bioinformatics methods with ML techniques to improve genomic prediction in the future.