Genomic Predictions for Common Bunt, FHB, Stripe Rust, Leaf Rust, and Leaf Spotting Resistance in Spring Wheat
Notice bibliographique
Résumé
Some studies have investigated the potential of genomic selection (GS) on stripe rust, leaf rust, Fusarium head blight (FHB), and leaf spot in wheat, but none of them have assessed the effect of the reaction norm model that incorporated GE interactions. In addition, the prediction accuracy on common bunt has not previously been studied. Here, we investigated within-population prediction accuracies using the baseline M1 model and two reaction norm models (M2 and M3) with three random cross-validation (CV1, CV2, and CV0) schemes. Three Canadian spring wheat populations were evaluated in up to eight field environments and genotyped with 3158, 5732, and 23,795 polymorphic markers. The M3 model that incorporated GE interactions reduced residual variance by an average of 10.2% as compared with the main effect M2 model and increased prediction accuracies on average by 2-6%. In some traits, the M3 model increased prediction accuracies up to 54% as compared with the M2 model. The average prediction accuracies of the M3 model with CV1, CV2, and CV0 schemes varied from 0.02 to 0.48, from 0.25 to 0.84, and from 0.14 to 0.87, respectively. In both CV2 and CV0 schemes, stripe rust in all three populations, common bunt and leaf rust in two populations, as well as FHB severity, FHB index, and leaf spot in one population had high to very high (0.54-0.87) prediction accuracies. This is the first comprehensive genomic selection study on five major diseases in spring wheat.
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 | 0,001 | 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 ».