QTL analysis of soybean oil content under 17 environments
Notice bibliographique
Résumé
Qi, Z., Han, X., Hou, M., Xin, D., Wang, Z., Zhu, R., Hu, Z., Jiang, H., Li, C., Liu, C., Hu, G. and Chen, Q. 2014. QTL analysis of soybean oil content under 17 environments. Can. J. Plant Sci. 94: 245–261. Soybean oil content is a key trait driver of successful soybean quality. Due to its complex nature, less stable quantitative trait loci (QTL) are known. The goal of this study was to identify important and stable QTL affecting soybean oil content using recombination inbred lines (RILs) derived from a cross between Charleston and Dongnong594. The plant materials were planted in three environments across 9 yr in China. The genetic effects were then partitioned into additive main effects (A), epistatic main effects (AA) and their environment interaction effects (AE and AAE) by using composite interval mapping, multiple interval mapping and composite interval mapping in a mixed linear model. Fifty-six QTL were identified on 15 of 20 soybean chromosomes excluding LG C1, D2, E, M and O by composite interval mapping and multiple interval mapping methods. Seven oil content QTL detected on LG A1, 1 on LG A2, 5 on LG B1, 4 on LG B2, 8 on LG C2, 11 on LG D1a, 2 on LG D1b, 4 on LG F, 5 on LG G, 2 on LG H, 1 on LG I, 1 on LG J, 1 on LG K, 2 on LG L and 2 on LG N. Eight QTL showed a good stability across 17 environments. The additive main-effect QTL contributed more phenotypic variation than the epistasis and environmental interaction. This indicated that it is feasible to improve soybean oil content by marker-assisted selection.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».