Use of NMR for predicting protein concentration in soybean seeds based on oil measurements
Notice bibliographique
Résumé
Abstract Increasing the level of protein in soybean seeds has been a major target for soybean [ Glycine max (L.) Merr.] breeders. The objective of this study was to examine the potential of predicting soybean seed protein based on oil values as determined by NMR. Seed protein and oil concentrations were determined in an F 2 population generated from the cross between a G. max (NK, S08‐80), and a G. soja (PI 458536) cultivar. The protein concentration in the population ranged from 40.4 to 52.6%. Protein‐oil regression analysis was used to generate an equation for predicting seed protein concentration based on oil readings. The regression equation Protein=62.3–1.3 [Oil] ( R 2 =0.46) was developed, with a corresponding correlation of −0.69 between the traits. With this equation, the mean protein concentration of the selected 25% of the population (a simulated breeding pressure) was greater than the mean of the unselected population (46.1%, SE=0.13) by about 1.9%. Individual F 2 plants that exceeded the mean protein value of the population constituted 86.4% of the selected samples. Selection based on oil concentration, however, failed to include 27.1% of the plants that were among the top 25% for protein concentration. Selection of high‐protein plants based on NMR oil measurement was reasonably effective in the test population and might offer a new and rapid method of selecting high‐protein individuals in soybean populations derived from the wild soybean progenitor, G. soja . If further tested on other populations and samples, it might be used as an analytical alternative for an indirect measurement of protein concentration based on NMR measurements of the oil.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».