Correlations between soybean seed quality traits using a genome-wide association study panel grown in Canadian and Ukrainian mega-environments
Notice bibliographique
Résumé
Improvement of soybean [ Glycine max (L.) Merr.] seed quality traits in addition to agronomic traits requires a detailed understanding of correlations between these traits. The objective of this study was to determine the correlations between seed compositions in soybeans grown in Canadian and Ukrainian mega-environments (MEs). The correlations between seed quality traits and agronomic traits were also studied. A genome-wide association study panel consisting of 184 soybean accessions was used for the study. The panel was grown in three Ontario field locations and two Ukrainian locations for 2 years, from 2018 to 2019. A total of 18 traits were measured and analyzed. The Pearson's correlation coefficients ( r) were calculated, and the genotype-by-trait biplots were generated to analyze the linear correlations between the traits. The well-documented negative correlations between protein and oil, as well as oil and the amino acids Lys, Cys, Met, and Thr, were confirmed. In addition, a positive correlation was observed between stearic acid and palmitic acid, while linolenic acid and oleic acid concentrations were negatively correlated. Sucrose was positively correlated with linolenic acid and raffinose and negatively with protein and the four amino acids. Most of the agronomic traits had positive correlations with each other, while there was no strong linear association detected between agronomic traits and the seed quality traits in either ME. The results of this study suggest that improvement of yield and other agronomic traits through breeding may be possible in both Canada and Ukraine without affecting the important seed quality traits.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».