Modeling first order additive × additive epistasis improves accuracy of genomic prediction for sclerotinia stem rot resistance in canola
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
The fungus Sclerotinia sclerotiorum infects hundreds of plant species including many crops. Resistance to this pathogen in canola (Brassica napus L. subsp. napus) is controlled by numerous quantitative trait loci (QTL). For such polygenic traits, genomic prediction may be useful for breeding as it can capture many QTL at once while also considering nonadditive genetic effects. Here, we test application of common regression models to genomic prediction of S. sclerotiorum resistance in canola in a diverse panel of 218 plants genotyped at 24,634 loci. Disease resistance was scored by infection with an aggressive isolate and monitoring over 3 wk. We found that including first-order additive × additive epistasis in linear mixed models (LMMs) improved accuracy of breeding value estimation between 3 and 40%, depending on method of assessment, and correlation between phenotypes and predicted total genetic values by 14%. Bayesian models performed similarly to or worse than genomic relationship matrix-based models for estimating breeding values or overall phenotypes from genetic values. Bayesian ridge regression, which is most similar to the genomic relationship matrix-based approach in the amount of shrinkage it applies to marker effects, was the most accurate of this family of models. This confirms several studies indicating the highly polygenic nature of sclerotinia stem rot resistance. Overall, our results highlight the use of simple epistasis terms for prediction of breeding values and total genetic values for a complex disease resistance phenotype in canola.
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