Genetic Analysis of Agronomic and Quality Traits from Multi-Location white Yam Trials using Mixed Model with Genomic Relationship Matrix
Notice bibliographique
Résumé
Traits that define the suitability of a crop for production and consumption are often assessed and predicted to identify superior genotypes for commercial deployment. This study assessed genetic parameter estimates and prediction for 25 agronomic and quality traits in 49 white yam clones. It employed best linear unbiased prediction (BLUP) in a mixed model analysis using genomic relationship matrix derived from 6337 Diversity Array Technology (DArT) molecular markers, multivariate technique of the principal component and canonical discriminant analysis with BLUP predicted values to select key traits for yam breeding. Findings revealed that additive genetic, non-additive genetic and non-genetic factors contributed substantially to phenotypic variation of the studied yam traits. The non-genetic effects accounted for higher variation than the total genetic effects for majority of the traits except yam mosaic virus (YMV), tuber number per plant, ash content, flour yield, peel loss, and protein content. The narrow sense heritability was generally low (<0.30) for all traits except yam anthracnose (0.31), ash content (0.30) and peel loss (0.89). Trait selection with multivariate analysis identified 15 from the 25 traits with fresh tuber yield, tuber dry matter content (DMC), YMV, root-knot and Scutellonema bradys nematode susceptibility as the most important traits for white yam variety testing. This paper presents the importance of complementing BLUP prediction that accounts for the relationship among the genotypes with multivariate analysis for genetic parameter estimation, prediction and selection in yam breeding trials to accelerate the genetic gains.
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 | 0,000 | 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) | 0,000 | 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 ».