An Integrated Biplot Analysis System for Displaying, Interpreting, and Exploring Genotype × 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
Multienvironment trials (MET) generate two types of two‐way data: genotype × environment data for a target trait and genotype × trait data in individual or across environments. These data can be visually analyzed by a GGE biplot and a genotype × trait biplot, respectively. This paper describes a third type of biplot, the covariate‐effect biplot, and illustrates its tandem use with the other biplots to achieve a fuller understanding of MET data. The covariate‐effect biplot is generated on the basis of an explanatory trait × environment two‐way table consisting of correlation coefficients between the target trait (e.g., yield) and each of the other traits in each of the environments. This biplot displays the yield‐trait relations in individual environments and addresses whether and how the genotype × environment interactions (GE) for yield can be explored by indirect selection for the other traits. These other traits are treated as genetic covariables and can be replaced by other genetic covariables such as genetic markers, QTL, or genes. The biplot methodology was demonstrated by MET data of barley ( Hordeum vulgare L.) conducted across North America. Both the GGE biplot and the covariate‐effect biplot showed that the environments fell into two (eastern vs. western) megaenvironments. The covariate‐effect pattern explained 81% of the GGE pattern, suggesting that the GE pattern for yield can be effectively explored by indirect selection for these traits. Specifically, barley yield can be improved by selecting for larger kernel weight, earlier heading, and better lodging resistance in the eastern megaenvironment. In contrast, the yield–trait relationship in the western megaenvironment was highly variable, and yield improvement can be achieved only by selecting for yield per se across environments. We suggest that the GGE biplot, the genotype × trait biplot, and the covariate‐effect biplot be used jointly to better understand and more fully explore MET data.
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