Genetic improvement in the presence of genotype by environment interaction
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
ABSTRACT Although the underlying mechanisms for triggering genotype–environment (GE) interaction are poorly understood, the potential impacts of GE interaction on genetic improvement are well recognized. Genotype–environment interaction may be classified into three levels: breed, individual and gene–environment interactions. Three measures of GE interaction (genetic correlation, interaction correlation, and commonality of individuals selected between environments) are discussed. Three options are currently available to deal with GE interaction: environmental, breeding and marker‐assisted approaches. Three possible selection strategies for improving global net merit were outlined: (i) selection of a specific genotype for each environment; (ii) selection in a single environment alone for overall response across environments; and (iii) global optimum index selection for high stability and average performance across environments. Global optimum index should be the method of choice from the standpoint of global marketing. Because of the complexity of GE interaction, it is impossible to develop a general strategy to deal with different types of GE interaction. Each type of interaction requires its own solution, depending upon a combination of the following six factors: (i) the intensity of GE interaction; (ii) relative economic weights among environments; (iii) the size of environments; (iv) the nature of environments; (v) the nature of GE interaction; and (vi) selection intensity. Profitability is a major concern in animal production. Extra genetic gain does not necessarily mean extra profit. Does additional genetic gain justify the associated costs of dealing with GE interaction? This is a fundamental issue that needs to be considered before a specific breeding strategy for GE interaction is developed.
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 | 0,000 | 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 découle