Perspectives for Genomic Selection Applications and Research in Plants
Pourquoi ce travail est-il 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.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.
Scores machine (provisoires)
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
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.
- Écart entre enseignants
- 0,306 · la distance entre les deux têtes enseignantes sur ce seul travail
- Statut de validation
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
Résumé
ABSTRACT Genomic selection (GS) has created a lot of excitement and expectations in the animal‐ and plant‐breeding research communities. In this review, we briefly describe how genomic prediction can be integrated into breeding efforts and point out achievements and areas where more research is needed. Genomic selection provides many opportunities to increase genetic gain in plant breeding per unit time and cost. Early empirical and simulation results are promising, but for GS to deliver genetic gains, careful consideration of the problem of optimal resource allocation is needed. Consideration of the cost‐benefit balance of using markers for each trait and stage of the breeding cycle is needed, moving beyond only focusing on recurrent selection with GS on a few complex traits, using prediction on unphenotyped individuals. With decreasing marker cost, phenotype data is quickly becoming the most valuable asset and marker‐assisted selection strategies should focus on making the most of scarce and expensive phenotypes. It is important to realize that markers can also improve accuracy of selection for phenotyped individuals. Use of markers as an aid to phenotype analysis suggests a number of new strategies in terms of experimental design and multi‐trait models. GS also provides new ways to analyze and deal with genotype by environment interactions. Lastly, we point to some recent results showing that new models are needed to improve predictions particularly with respect to the use of distantly related individuals in the training population.
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.
La notice
- Revue
- Crop Science
- Thématique
- Genetic and phenotypic traits in livestock
- Domaine
- Biochemistry, Genetics and Molecular Biology
- Établissements canadiens
- —
- Organismes subventionnaires
- HatchU.S. Department of Agriculture
- Mots-clés
- Selection (genetic algorithm)Genomic selectionBiologyTraitResource (disambiguation)PopulationGenetic gainQuantitative trait locusBiotechnologyPlant breedingMarker-assisted selectionAsset (computer security)Computational biologyComputer scienceGeneticsMachine learningGenotypeGenetic variationGene
- Résumé présent dans OpenAlex
- oui