Optimal Contribution Selection Improves the Rate of Genetic Gain in Grain Yield and Yield Stability in Spring Canola in Australia and Canada
Notice bibliographique
Résumé
Crop breeding must achieve higher rates of genetic gain in grain yield (GY) and yield stability to meet future food demands in a changing climate. Optimal contributions selection (OCS) based on an index of key economic traits should increase the rate of genetic gain while minimising population inbreeding. Here we apply OCS in a global spring oilseed rape (canola) breeding program during three cycles of S0,1 family selection in 2016, 2018, and 2020, with several field trials per cycle in Australia and Canada. Economic weights in the index promoted high GY, seed oil, protein in meal, and Phoma stem canker (blackleg) disease resistance while maintaining plant height, flowering time, oleic acid, and seed size and decreasing glucosinolate content. After factor analytic modelling of the genotype-by-environment interaction for the additive effects, the linear rate of genetic gain in GY across cycles was 0.059 or 0.087 t ha−1 y−1 (2.9% or 4.3% y−1) based on genotype scores for the first factor (f1) expressed in trait units or average predicted breeding values across environments, respectively. Both GY and yield stability, defined as the root-mean-square deviation from the regression line associated with f1, were predicted to improve in the next cycle with a low achieved mean parental coancestry (0.087). These methods achieved rapid genetic gain in GY and other traits and are predicted to improve yield stability across global spring canola environments.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».