Effectiveness of selective genotyping for detection of quantitative trait loci: an analysis of grain and malt quality traits in three barley populations
Notice bibliographique
Résumé
Marker genotype data and grain and malt quality phenotype data from three barley (Hordeum vulgare L.) mapping populations were used to investigate the feasibility of selective genotyping for detection of quantitative trait loci (QTLs). With selective genotyping, only individuals with high and low phenotypic values for the trait of interest are genotyped. Here, genotyping of 10 to 70% of each population (i.e., 5 to 35% in each tail of the phenotypic distribution) was considered. Genomic positions detected by selective genotyping were compared to QTL position estimates from interval mapping analysis using marker genotype data from the entire population. Selective genotyping reliably detected almost all of the mapped QTLs, often with only 10% of the population genotyped. Selective genotyping also detected spurious QTLs in regions of the genome where no significant QTL had been mapped. Even with additional genotyping to verify putative QTLs, the total genotyping effort for detection of QTLs for a single trait by selective genotyping was usually less than 30% of that required for conventional interval mapping. Simultaneous investigation of two or more traits by selective genotyping would require additional genotyping effort, but could still be worthwhile.
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 | 0,001 | 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) | 0,000 | 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 ».