A neural network for phenotyping <i>Fusarium</i>‐damaged kernels (FDKs) in wheat and its impact on genomic selection accuracy
Notice bibliographique
Résumé
Abstract Fusarium head blight (FHB) remains one of the most destructive diseases in wheat. Primarily caused by the mycotoxigenic fungi Fusarium graminearum , FHB results in both widespread yield loss and deoxynivalenol (DON) contamination of wheat grain. Phenotyping for Fusarium‐ damaged kernels (FDKs) is the most efficient estimate of resistance to DON accumulation outside of performing costly and time‐consuming laboratory assays. However, manual phenotyping for FDKs can be tedious and highly subjective to observers. This study developed and tested an open‐access, easy‐to‐use, and effective method for phenotyping FDKs using a neural network capable of analyzing cell phone camera images. Quantitative genetic analysis of FDK data generated by our trained neural network found that the trait had a broad sense heritability of 0.48, and its phenotypic and genetic correlations with DON were 0.41 and 0.58, respectively. To determine if our neural network‐derived FDK data could be useful in a modern breeding scenario, we included it in a multi‐trait genomic selection (GS) model and evaluated the model's ability to predict DON. We found that including FDK data generated by our trained neural network on the test set during GS model training more than doubled GS accuracy, but the highest accuracy was obtained using conventional FDK data. Although further training is needed to improve the capabilities of our neural network, initial testing shows encouraging results and demonstrates the possibility of providing an automated and objective phenotyping method for FDKs that could be widely deployed to support FHB resistance breeding efforts.
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 | 0,001 | 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 ».