The SoyaGen Project: Putting Genomics to Work for Soybean Breeders
Notice bibliographique
Résumé
The SoyaGen project was a collaborative endeavor involving Canadian soybean researchers and breeders from academia and the private sector as well as international collaborators. Its aims were to develop genomics-derived solutions to real-world challenges faced by breeders. Based on the needs expressed by the stakeholders, the research efforts were focused on maximizing realized yield through optimization of maturity and improved disease resistance. The main deliverables related to molecular breeding in soybean will be reviewed here. These include: (1) SNP datasets capturing the genetic diversity within cultivated soybean (both within a worldwide collection of > 1,000 soybean accessions and a subset of 102 short-season accessions (MG0 and earlier) directly relevant to this group); (2) SNP markers for selecting favorable alleles at key maturity genes as well as loci associated with increased resistance to key pathogens and pests (Phytophthora sojae, Heterodera glycines, Sclerotinia sclerotiorum); (3) diagnostic tools to facilitate the identification and mapping of specific pathotypes of P. sojae; and (4) a genomic prediction approach to identify the most promising combinations of parents. As a result of this fruitful collaboration, breeders have gained new tools and approaches to implement molecular, genomics-informed breeding strategies. We believe these tools and approaches are broadly applicable to soybean breeding efforts around the world.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,003 |
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 ».