Influence of Seed Coat Color Genes on Milling Qualities of Red Lentil (Lens culinaris Medik.)
Notice bibliographique
Résumé
Efficient milling is the key economic trait for the red lentil industry. Various seed characteristics including seed coat color can influence milling characteristics. Four basic seed coat ground colors (green, gray, tan, and brown) of 16 red lentil genotypes from a common genetic background were compared to determine the effect of seed coat color genes on three key milling quality traits: dehulling efficiency (DE), milling recovery (MR), and football recovery (FR). These genotypes were grown at two locations in Saskatchewan, Canada for two years. DE, MR, and FR results varied depending on the seed coat color conferred by specific genotypes. Green and gray seed coat color (homozygous recessive tgc allele) genotypes had significantly higher DE and MR percentages compared to brown or tan seed coat types (homozygous dominant Tgc allele) depending on genotype interaction with site-year. Seeds with brown or tan seed coats had significantly higher FR percentages in two site-years. Red cotyledon lentils with uniform shape and green or gray seed coat color might be more profitable for millers who wish to maximize DE and MR of red lentil, but brown seed coat color might be preferable in terms of FR.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».