Expression biomarkers used for the selective breeding of complex polygenic traits
Notice bibliographique
Résumé
Abstract We present a novel way to select for highly polygenic traits. For millennia, humans have used observable phenotypes to selectively breed stronger or more productive livestock and crops. Selection on genotype, using single-nucleotide polymorphisms (SNPs) and quantitative trait loci (QTLs), is also now applied broadly in livestock breeding programs; however, selection on protein or mRNA expression markers have not been proved useful yet. Here we demonstrate the utility of protein markers to select for disease-resistant behaviour in the European honey bees ( Apis mellifera L.). Robust, mechanistically-linked protein expression markers, by integrating cis and trans effects from many genomic loci, may overcome limitations of genomic markers to allow for selection. After three generations of selection, the resulting stock performed as well or better than bees selected using phenotype–based assessment of this trait, when challenged with disease. This is the first demonstration of the efficacy of protein markers for selective breeding in any agricultural species, plant or animal. Significance statement The honey bee has been in the news a lot recently, largely because of world-wide die-offs due to the parasitic Varroa mite, which is becoming resistant to the chemical controls the bee industry uses. In this study, we show that robust expression biomarkers of a disease-resistance trait can be used, in an out-bred population, to select for that trait. After three generations of selection, the resulting stock performed as well or better than bees selected using the phenotypic best method for assessing this trait when challenged with disease. This is the first demonstration of an expression marker for selective breeding in any agricultural species, plant or animal. This also represents a completely novel way to select for highly polygenic traits.
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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».