Improvement of key agronomical traits in soybean through genomic prediction of superior crosses
Notice bibliographique
Résumé
Abstract Maximizing yield is very important when developing new cultivars. However, yield must usually be improved jointly with other key traits, which can prove challenging when they are unfavorably correlated. Genomic predictions can facilitate the selection of promising lines among the progeny of crosses, but it may also help in selecting crosses that are more likely to produce improved lines by predicting progeny performance for the various key traits considered jointly. To assess whether genomic predictions of cross performance could help breeders simultaneously improve multiple traits, yield and maturity were predicted for 60,000 soybean [ Glycine max (L.) Merr.] crosses. These predictions were then compared with the persistence of 101 biparental crosses throughout the selection process measured as the success in advancing progeny lines through to registration and commercialization. All but 2 of the 22 superior crosses retained by breeders had been predicted to display above‐average mean yield within different maturity windows. At the opposite end of the spectrum, 96.2% of all crosses predicted to produce progeny with a below‐average mean yield within a specific maturity window were eliminated during selection. Our results therefore suggest that by making crosses predicted to produce progeny meeting target requirements for multiple key traits, breeders could either achieve the same genetic gains with fewer resources or invest the same resources on a more promising set of crosses and thereby achieve greater gains.
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 ».