Inter- and Intra-Generation Genomic Predictions for Douglas-fir Growth in Unobserved Environments
Notice bibliographique
Résumé
ABSTRACT Conifers are prime candidates for genomic selection (GS) due to their long breeding cycles. Previous studies have shown much reduced prediction accuracies (PA) of breeding values in unobserved environments, which may impede its adoption. The impact of explicit environmental heterogeneity modeling including genotype-by-environment (G×E) interaction effects using environmental covariates (EC) in a reaction-norm genomic prediction model was tested using single-step GBLUP (ssGBLUP). A three-generation coastal Douglas-fir experimental population with 14 genetic trials ( n = 13,615) permitted estimation of intra- and inter-generation PA in unobserved environments using 66,969 SNPs derived from exome capture. Intra- and inter-generation PAs ranged from 0.447-0.640 and 0.317-0.538, respectively. The inclusion of ECs in the prediction models explained up to 23% of the phenotypic variation for the fully specified model and resulted in the best model fit. Modeling G×E effects in the training population increased PA up to 6% and 13% over the base model for inter- and intra-generations, respectively. GS-PA can be substantially improved using ECs to explain environmental heterogeneity and G×E effects. The ssGBLUP methodology allows historical genetic trials containing non-genotyped samples to contribute in genomic prediction, and, thus, effectively boosting training population size which is a critical step. Further pheno- and enviro-typing developments may improve GS-PA.
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 | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».