Genetic stability and genotype × environment interaction analysis for seed protein content and protein yield of lentil
Notice bibliographique
Résumé
Abstract Lentil ( Lens culinaris Medik.) seeds are an excellent source of staple dietary protein that can be a viable plant‐based alternative protein source to food processing industries. Understanding of the basis of genotype × environment (G × E) interaction is fundamental knowledge for plant breeding. We explored genetic stability and G × E for seed protein content and protein yield for 34 lentil genotypes using AMMI (additive main effects and multiplicative interaction) and SREG (site regression) models. Genotypes were evaluated under field conditions in five locations at western Canada during 2017–2018. Protein content and protein yield were 21.6–26.9% of seed dry weight and 156.8–1113.0 kg ha −1 , respectively, across 10 environments. Environment and G × E had fewer effects on protein content than protein yield. Higher seed protein content was observed in the extra‐small red market class. Based on both models, genotypes IBC 1235, 3923‐9, 3674‐17, IBC 929R, and 4371‐4 with stable protein productivity would be useful genetic resources for the development of protein‐rich varieties in lentil breeding programs. Our results suggest genetic improvement of protein and protein yield together is possible for lentil.
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 ».