Efficiency of the different marker systems for estimation of distinctness between sister line wheat cultivars
Notice bibliographique
Résumé
A set of 42 winter wheat cultivars developed from nine populations were evaluated for distinctness. Three marker systems: morphological markers, gliadin allele profiles and microsatellites were used to analyze distinctness between sister cultivars. The morphological based distinctness tests for wheat are based on a crop-specific set of characters that comply with UPOV guidelines. The morphological markers were quite informative although they were not capable to estimate the distances/distinctness between two pair of sister cultivars Evropa 90 and Evropa and Novosadska rana 3 and Novosadska rana 2. The gliadins allele profiles were the least efficient to estimate distinctness between sister line cultivars. This system was not capable to distinguish even cultivars developed from different populations. Sister line wheat cultivars were fingerprinted with 19 wheat microsatellites markers. A total of 106 alleles were detected at 19 wheat microsatellite loci, resulting in an average allele number per marker of 5.6. The number of markers was sufficient to distinguish among most sister line cultivars. Only one pair of sister cultivars, Loznicanka and Kosovka, derived from the same cross could not be distinguished. Comparing all marker systems to evaluate distinctness of sister line wheat cultivars the most efficient was microsatellite markers while gliadin allele profiles was the least efficient. Correlations between matrices based on pedigree data and morphological marker, gliadin profiles and microsatellites were significant but not large.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».