Selection Response in Subdivided Target Regions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In a small target region, it may be possible to exploit local adaptation to increase gains from selection. However, in a large region more extensive testing is usually possible, resulting in more precise estimation of genotype means. A correlated response model was adapted to determine if division of a large target region is likely to increase gains. Genotypic value in a large region and constituent subregions are considered correlated traits. Correlated response in a subregion to indirect selection across the undivided region, relative to direct response to selection within the subregion, is expressed as a function of heritability in the undivided region ( H ) and in the subregion ( H i ), and of the genotypic correlation between region and subregion means ( r G′ ). r G′ depends on the magnitude of the genotype × subregion interaction (σ 2 GS ) relative to the genotypic variance (σ 2 G ). σ 2 GS is the portion of the genotype × location interaction (σ 2 GL ) caused by local adaptation, rather than by random site‐to‐site variability in genotype means. Subdivision can increase heritability through the addition of σ 2 GS to the numerator of H i , but this may be offset by reduced replication across locations within the subregion. Modeling using variance estimates from several cereal programs indicated that, unless σ 2 GL is large relative to σ 2 G and at least 30% of σ 2 GL is due to σ 2 GS , subdivision is unlikely to increase response. These results help explain the success of breeding programs that test broadly.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 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 découle