Genotypic Variability and Genotype × Environment Interaction for Iron and Zinc Content in Lentil under Nepalese Environments
Notice bibliographique
Résumé
To ascertain the variability in Fe and Zn concentrations in lentil ( Lens culinaris Medikus ssp. culinaris ) seeds, a set of 58 lentil genotypes were evaluated in randomized complete blocks at eight locations in Nepal during 2006 to 2012. Micronutrient contents of the seeds were analyzed. The mean Fe varied from 72.4 μg g −1 at Surkhet in 2009 to 98.2 μg g −1 at Rampur in 2012, and the mean Zn from 23.9 μg g −1 at Surkhet in 2012 to 85.1 μg g −1 at Parwanipur in 2009. The genotype effect and genotype × location interaction were significant for Fe ( P = 0.01–0.03). For Zn, the genotype effect was significant ( P = 0.008), and the genotype × location interaction was not ( P = 0.46). The variance component estimates for the genotype × year interaction within locations were zero for both the minerals, indicating genotypic stability over the years. The best line for Fe was ILL7723 (81.0 μg g −1 ) and RL6 for Zn (56.2 μg g −1 ). The lines that were within the top 20% for high concentrations of both minerals were Barimasoor4, RL6, RL9, ILL8006, RL11, RL12, ILL9926, and ILL6819. The lowest concentrations of the minerals were found in Shital for Fe (74.2 μg g −1 ) and Black musuro for Zn (51.4 μg g −1 ). These results provide a useful foundation for the development of new lentil cultivars that have high mineral content and could be used to develop more nutritious varieties of lentil and reduce mineral element deficiencies in Nepal.
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 | 0,001 |
| 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 ».