Mapping QTL for Individual and Total Isoflavone Content in Soybean Seeds
Notice bibliographique
Résumé
Dietary intake of isoflavones has been shown to reduce the risk of several major diseases in humans. Therefore, breeding soybean [ Glycine max (L.) Merrill] seeds with desirable isoflavone content would be beneficial to the food and health industries, but the environmental sensitivity of the trait complicates phenotypic selection. The objective of this study was to identify quantitative trait loci (QTL) and epistatic interactions associated with isoflavone contents in soybean seeds. A population of 207 F 4:6 recombinant inbred lines (RILs) was produced from the cross ‘AC756’ × ‘RCAT Angora’. The population was phenotyped at two locations in Ontario, Canada, and genotyped by means of 99 polymorphic SSR markers. A significant genotype × environment interaction was found. Seventeen QTLs were detected ( P < 0.01) by single‐factor ANOVA. Individual loci explained up to 10.5% ( P < 0.0001) of the phenotypic variation. Interval mapping and composite interval mapping identified nine genomic regions (LGs A1, C2, D1a, F, G, H, J, K, and M) associated with isoflavone contents. Some QTL associated with agronomic or seed quality traits mapped to the same regions as those for individual isoflavone contents on LGs A1, C2, F, J, K, M, and N. Twenty‐three epistatic interactions were detected for isoflavones. Multiple locus models explained up to 25.0% ( P < 0.0001) of the phenotypic variation without epistasis and up to 35.8% ( P < 0.0001) with it. The QTL identified in this study could be useful for developing soybean varieties with desirable isoflavone content in the seed through marker‐assisted selection (MAS).
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 | 0,000 | 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) | 0,001 | 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 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 ».