Accuracy of genomic prediction for seed oil concentration in high‐oleic soybean populations using a low‐density marker panel
Notice bibliographique
Résumé
Abstract Insoybean [ Glycine max (L.) Merr.], seed oil concentration is a complex quantitative trait, and genomic selection (GS) has been shown to be a valuable tool for performing selection on such traits. The objectives of this study were to evaluate multiple GS models for seed oil concentration using a low‐density marker panel in four biparental soybean populations and to assess predictive ability of the models using six unique training populations (TPs). Individuals were grown as BC 1 F 4 :F 5 progeny rows in 2014. Genomic estimated breeding values (GEBVs) were calculated for each genotype within a population using genomic best linear unbiased predictor (GBLUP), BayesA, and BayesB models in a biparental specific context. In 2015, 60 individuals from each population were randomly selected and grown at six locations with two replications each to generate a “true” phenotypic value for each genotype. Prediction accuracies for each estimation set were generated by correlating the GEBVs with the “true” phenotypic value. Across all populations, the GS prediction accuracy was greatest using GBLUP; however, no GS prediction model showed a significant advantage in accuracy over the phenotypic values. Generally, TPs consisting of more individuals had higher prediction accuracies; however, variations were observed across populations and models. The results show that GS in a biparental context and with low marker densities can be a valuable tool for breeders focused on making gains for oil concentration; however, consideration must be given as to how to apply these methods to each situation.
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 | 0,001 |
| 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 ».