Genomic Prediction of Biomass Yield in Two Selection Cycles of a Tetraploid Alfalfa Breeding Population
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
Alfalfa (Medicago sativa L.) is a widely planted perennial forage legume grown throughout temperate and dry subtropical regions in the world. Long breeding cycles limit genetic improvement of alfalfa, particularly for complex traits such as biomass yield. Genomic selection (GS), based on predicted breeding values obtained using genome-wide molecular markers, could enhance breeding efficiency in terms of gain per unit time and cost. In this study, we genotyped tetraploid alfalfa plants that had previously been evaluated for yield during two cycles of phenotypic selection using genotyping-by-sequencing (GBS). We then developed prediction equations using yield data from three locations. Approximately 10,000 single nucleotide polymorphism (SNP) markers were used for GS modeling. The genomic prediction accuracy of total biomass yield ranged from 0.34 to 0.51 for the Cycle 0 population and from 0.21 to 0.66 for the Cycle 1 population, depending on the location. The GS model developed using Cycle 0 as the training population in predicting total biomass yield in Cycle 1 resulted in accuracies up to 0.40. Both genotype × environment interaction and the number of harvests and years used to generate yield phenotypes had effects on prediction accuracy across generations and locations, Based on our results, the selection efficiency per unit time for GS is higher than phenotypic selection, although accuracies will likely decline across multiple selection cycles. This study provided evidence that GS can accelerate genetic gain in alfalfa for biomass yield.
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