Focusing the GWAS <i>Lens</i> on days to flower using latent variable phenotypes derived from global multi-environment trials
Notice bibliographique
Résumé
Abstract Adaptation constraints within crop species have resulted in limited genetic diversity in some breeding programs and/or areas where new crops have been introduced, e.g., lentil (Lens culinaris Medik.) in North America. An improved understanding of the underlying genetics involved in phenology-related traits is valuable knowledge to aid breeders in overcoming limitations associated with unadapted germplasm and expanding their genetic diversity by introducing new, exotic material. We used a large, 18 site-year, multi-environment dataset, phenotyped for phenology-related traits across nine locations and over three years, along with accompanying latent variable phenotypes derived from a photothermal model and principal component analysis (PCA) of days from sowing to flower (DTF) data for a lentil diversity panel (324 accessions) which has also been genotyped with an exome capture array. Genomewide association studies (GWAS) on DTF across multiple environments helped confirm associations with known flowering time genes and identify new quantitative trait loci (QTL), which may contain previously unknown flowering time genes. Additionally, the use of latent variable phenotypes, which can incorporate environmental data such as temperature and photoperiod as both GWAS traits and as covariates, strengthened associations, revealed additional hidden associations, and alluded to potential roles of the associated QTL. Our approach can be replicated with other crop species, and the results from our GWAS serve as a resource for further exploration into the complex nature of phenology-related traits across the major growing environments for cultivated 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».