Deciphering genetic basis of developmental and agronomic traits by integrating high‐throughput optical phenotyping and genome‐wide association studies in wheat
Notice bibliographique
Résumé
Dissecting the genetic basis of complex traits such as dynamic growth and yield potential is a major challenge in crops. Monitoring the growth throughout growing season in a large wheat population to uncover the temporal genetic controls for plant growth and yield-related traits has so far not been explored. In this study, a diverse wheat panel composed of 288 lines was monitored by a non-invasive and high-throughput phenotyping platform to collect growth traits from seedling to grain filling stage and their relationship with yield-related traits was further explored. Whole genome re-sequencing of the panel provided 12.64 million markers for a high-resolution genome-wide association analysis using 190 image-based traits and 17 agronomic traits. A total of 8327 marker-trait associations were detected and clustered into 1605 quantitative trait loci (QTLs) including a number of known genes or QTLs. We identified 277 pleiotropic QTLs controlling multiple traits at different growth stages which revealed temporal dynamics of QTLs action on plant development and yield production in wheat. A candidate gene related to plant growth that was detected by image traits was further validated. Particularly, our study demonstrated that the yield-related traits are largely predictable using models developed based on i-traits and provide possibility for high-throughput early selection, thus to accelerate breeding process. Our study explored the genetic architecture of growth and yield-related traits by combining high-throughput phenotyping and genotyping, which further unravelled the complex and stage-specific contributions of genetic loci to optimize growth and yield in wheat.
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 | 0,000 | 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 | 0,000 | 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 ».