Use of Crop Growth Models with Whole‐Genome Prediction: Application to a Maize Multienvironment Trial
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
High throughput genotyping, phenotyping, and envirotyping applied within plant breeding multienvironment trials (METs) provide the data foundations for selection and tackling genotype × environment interactions (GEIs) through whole‐genome prediction (WGP). Crop growth models (CGM) can be used to enable predictions for yield and other traits for different genotypes and environments within a MET if genetic variation for the influential traits and their responses to environmental variation can be incorporated into the CGM framework. Furthermore, such CGMs can be integrated with WGP to enable whole‐genome prediction with crop growth models (CGM‐WGP) through use of computational methods such as approximate Bayesian computation. We previously used simulated data sets to demonstrate proof of concept for application of the CGM‐WGP methodology to plant breeding METs. Here the CGM‐WGP methodology is applied to an empirical maize ( Zea mays L.) drought MET data set to evaluate the steps involved in reduction to practice. Positive prediction accuracy was achieved for hybrid grain yield in two drought environments for a sample of doubled haploids (DHs) from a cross. This was achieved by including genetic variation for five component traits into the CGM to enable the CGM‐WGP methodology. The five component traits were a priori considered to be important for yield variation among the maize hybrids in the two target drought environments included in the MET. Here, we discuss lessons learned while applying the CGM‐WGP methodology to the empirical data set. We also identify areas for further research to improve prediction accuracy and to advance the CGM‐WGP for a broader range of situations relevant to plant breeding.
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