Genetic Control of Beta-carotene, Iron and Zinc Content in Sweetpotato
Notice bibliographique
Résumé
Micronutrients deficiency is a major contributor to poor health in developing countries. It can be alleviated by biofortification or enrichment of staple crops with micronutrients. Sweetpotato is a major staple crop in numerous tropical countries and is naturally biofortified. In spite of extensive promotion of orange-fleshed sweetpotatovarieties (OFSPs), they are poorly utilized as staple food in most parts of West Africa because of their low dry matter and high sugar content. Beta-carotene is positively correlated with iron and zinc content in sweetpotato. Development of sweetpotato cultivars with end-user preferred traits and higher content of beta-carotene, iron and zinc will alleviate their deficiencies. Knowledge on the genetic control of these traits is critical for their improvement in sweetpotato. This study used diallel mating design to estimate general combining ability (GCA) and specific combining ability (SCA) of storage root beta-carotene, iron and zinc content to determine the genetic control of these traits for sweetpotato breeding. A general model for estimating genetic effect, Gardner and Eberhart analysis II (GEAN II), was used for data analysis. Genetic variability for the traits indicated that they were mostly controlled by additive gene effect. Significant heterosis was found indicating that levels of these micronutrients can be improved in sweetpotato through 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.
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 | 0,001 | 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) | 0,001 | 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 ».