Exploiting Wild Relatives for Genomics-assisted Breeding of Perennial Crops
Notice bibliographique
Résumé
Perennial crops are vital contributors to global food production and nutrition. However, the breeding of new perennial crops is an expensive and time-consuming process due to the large size and lengthy juvenile phase of many species. Genomics provides a valuable tool for improving the efficiency of breeding by allowing progeny possessing a trait of interest to be selected at the seed or seedling stage through marker-assisted selection (MAS). The benefits of MAS to a breeder are greatest when the targeted species takes a long time to reach maturity and is expensive to grow and maintain. Thus, MAS holds particular promise in perennials since they are often costly and time-consuming to grow to maturity and evaluate. Well-characterized germplasm that breeders can tap into for improving perennials is often limited in genetic diversity. Wild relatives are a largely untapped source of desirable traits including disease resistance, fruit quality, and rootstock characteristics. This review focuses on the use of genomics-assisted breeding in perennials, especially as it relates to the introgression of useful traits from wild relatives. The identification of genetic markers predictive of beneficial phenotypes derived from wild relatives is hampered by genomic tools designed for domesticated species that are often ill-suited for use in wild relatives. There is therefore an urgent need for better genomic resources from wild relatives. A further barrier to exploiting wild diversity through genomics is the phenotyping bottleneck: well-powered genetic mapping requires accurate and cost-effective characterization of large collections of diverse wild germplasm. While genomics will always be used in combination with traditional breeding methods, it is a powerful tool for accelerating the speed and reducing the costs of breeding while harvesting the potential of wild relatives for improving perennial crops.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».