Mining and predictive characterization of resistance to leaf rust (Puccinia hordei Otth) using two subsets of barley genetic resources
Notice bibliographique
Résumé
Abstract Sustainable barley ( Hordeum vulgare L.) production will require access to diverse ex-situ conserved collections to develop varieties with high yields and capable of overcoming the challenges imposed by major abiotic and biotic stresses. This study aimed at searching efficient approaches for the identification of new sources of resistance to barley leaf rust ( Puccinia hordei Otth). Two subsets, Generation Challenge Program Reference set (GCP) with 188 accessions and leaf rust subset constructed using the filtering approach of the Focused Identification of Germplasm Strategy (FIGS) with 86 accessions, were evaluated for the seedling as well as the adult plant stage resistance (APR) using two barley leaf rust (LR) isolates (ISO-SAT and ISO-MRC) and in four environments in Morocco, respectively. Both subsets yielded a high percent of accessions with a moderately resistant (MR) reaction to the two LR isolates at the seedling stage. For APR, more than 50% of the accessions showed resistant reactions in SAT2018 and GCH2018, while this rate was less than 20% in SAT2017 and SAT2019. Statistical analysis using chi-square test of independence revealed the dependency of LR reaction on subsets at the seedling (ISO-MRC), as well as at the APR (SAT2017 and SAT2018) stage. At seedling stage, the test of goodness of fit showed that GCP subset yielded higher percentages of resistant accessions than FIGS-LR in case of ISO-MRC isolate but the two subsets did not differ for ISO-SAT. At APR, FIGS approach performed better than GCP in yielding higher percentages of accessions in case of SAT2017 and SAT2018. Although some of the tested machine learning models had moderate to high accuracies, none of them was able to find a strong and significant relationship between the reaction to LR and the environmental conditions showing the needs for more fine tuning of approaches for efficient mining of genetic resources using machine learning.
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 ».