Genomic selection for lentil breeding: Empirical evidence
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Genomic selection (GS) is a marker-based selection initially suggested for livestock breeding and is being encouraged for crop breeding. Several statistical models are used to implement GS; however, none have been tested for use in lentil (Lens culinaris Medik.) breeding. This study was conducted to compare the accuracy of different GS models and prediction scenarios based on empirical data and to make recommendations for designing genomic selection strategies for lentil breeding. We evaluated nine single-trait (ST) models, two multiple-trait (MT) models, and a model that incorporates genotype × environment interaction (GEI) using populations from a lentil diversity panel and two recombinant inbred lines (RILs). The lines in all populations were phenotyped for five phenological traits and genotyped using a custom exome capture assay. Within-population, across-population, and across-environment genomic predictions were made. Prediction accuracy varied among the evaluated models, populations, prediction scenarios, and traits. Single-trait models showed similar accuracy in the absence of large effect quantitative trait loci (QTL) but BayesB outperformed all models when there were QTL with relatively large effects. Models that accounted for GEI and MT-GS models increased prediction accuracy for a low heritability trait by up to 66 and 14%, respectively. Moderate to high accuracies were obtained for within-population (range of .36-.85) and across-environment (range of .19-.89) predictions but across-population prediction accuracy was very low. Results suggest that GS can be implemented in lentil breeding to make predictions within populations and across environments, but across-population prediction should not be considered when the population size is small.
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.
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 découle