Selection Response in Subdivided Target Regions
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 (Hi ), and of the genotypic correlation between region and subregion means (rG′). rG′ depends on the magnitude of the genotype × subregion interaction (σ2GS) relative to the genotypic variance (σ2G). σ2GS is the portion of the genotype × location interaction (σ2GL) caused by local adaptation, rather than by random site‐to‐site variability in genotype means. Subdivision can increase heritability through the addition of σ2GS to the numerator of Hi, but this may be offset by reduced replication across locations within the subregion. Modeling using variance estimates from several cereal programs indicated that, unless σ2GL is large relative to σ2G and at least 30% of σ2GL is due to σ2GS, 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.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».