Integrating genomic information and productivity and climate-adaptability traits into a regional white spruce breeding program
Notice bibliographique
Résumé
Tree improvement programs often focus on improving productivity-related traits; however, under present climate change scenarios, climate change-related (adaptive) traits should also be incorporated into such programs. Therefore, quantifying the genetic variation and correlations among productivity and adaptability traits, and the importance of genotype by environment interactions, including defense compounds involved in biotic and abiotic resistance, is essential for selecting parents for the production of resilient and sustainable forests. Here, we estimated quantitative genetic parameters for 15 growth, wood quality, drought resilience, and monoterpene traits for Picea glauca (Moench) Voss (white spruce). We sampled 1,540 trees from three open-pollinated progeny trials, genotyped with 467,224 SNP markers using genotyping-by-sequencing (GBS). We used the pedigree and SNP information to calculate, respectively, the average numerator and genomic relationship matrices, and univariate and multivariate individual-tree models to obtain estimates of (co)variance components. With few site-specific exceptions, all traits examined were under genetic control. Overall, higher heritability estimates were derived from the genomic- than their counterpart pedigree-based relationship matrix. Selection for height, generally, improved diameter and water use efficiency, but decreased wood density, microfibril angle, and drought resistance. Genome-based correlations between traits reaffirmed the pedigree-based correlations for most trait pairs. High and positive genetic correlations between sites were observed (average 0.68), except for those pairs involving the highest elevation, warmer, and moister site, specifically for growth and microfibril angle. These results illustrate the advantage of using genomic information jointly with productivity and adaptability traits, and defense compounds to enhance tree breeding selection for changing climate.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».