Relative utility of agronomic, phenological, and morphological traits for assessing genotype‐by‐environment interaction in maize inbreds
Notice bibliographique
Résumé
Abstract Plant breeders face the challenge of genotype × environment interaction (G × E) in comprehensively breeding for expanded geographic regions. An improved understanding of G × E sensitivity of traits and the environmental features that effectively discriminate among genotypes will enable more efficient breeding efforts. In this study of 31 maize ( Zea mays L.) inbreds grown in 36 environments that are part of the Genomes to Fields Initiative, we measured 14 traits, including flowering date, height, and yield components (i.e., ear and kernel dimensions) to (i) identify traits that are the most sensitive indicators of G × E; (ii) determine how geographic location and weather factors influence environments’ discriminability of inbreds; and (iii) detect patterns of stability in better and worse discriminating environments. Genotype × environment interaction explained between 9.0–20.4% of the phenotypic variance with greater effects in the yield‐component traits. Discriminability of environments varied by trait. Midwest locations (where 26 of the 31 inbreds were developed) were among the most discriminating environments for more traits, while environments in the West and East tended to be less discriminating. Weather factors during silking were significantly different between the most and least discriminating environments more often than average weather across the season or during the period from planting to silking. Stability of genotypes varied by trait, and performance was usually not correlated with stability. The dissection of complex traits, such as yield into component traits, appears to be a useful approach to understand how environmental factors differentially affect phenotype.
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 | 0,000 |
| 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) | 0,000 | 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 ».