QTL Identification, Mega-Environment Classification, and Strategy Development for Marker-Based Selection Using Biplots
Notice bibliographique
Résumé
SUMMARY This paper describes a biplot approach to QTL identification based on phenotypic data from multiple environments, and demonstrates its use in the investigation of QTL-by-environment patterns. The effects of each marker on the target trait were estimated for each environment, leading to a marker-by-environment two-way table. This table was then visually investigated in a marker-by-environment biplot. In the biplot, markers with short vectors should have little or no associations with the trait and can be deleted. The remaining markers would fall into clusters, each suggesting the existence of one or more QTL with similar QTL-by-environment patterns. Within each cluster, the marker with the longest vector should be the one located closest to the QTL. When each QTL is represented by its closest marker, the marker-by-environment biplot is referred to as a QTL-by-environment (QQE) biplot. It can help visualize (1) groups of QTL with similar environmental responses; (2) major vs. minor QTL; (3) the average effect of a QTL and its stability across environments; (4) groups of environments with similar expressions of QTL effects, and (5) QTL allele combinations for maximizing/minimizing the expression of the trait for each mega-environment.
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 ».