Machine Learning-GWAS reveals the role of <i>WSD1</i> gene for cuticular wax ester biosynthesis and key genomic regions controlling early maturity in bread wheat
Notice bibliographique
Résumé
Abstract This study employed Machine Learning-Genome-Wide Association Study (ML-GWAS) to identify genomic regions linked to cuticular wax ester biosynthesis (SW) and early maturity (DM) in wheat. Using a dataset with 170 wheat accessions and 74K SNPs, four GWAS tools (MLM, CMLM, FarmCPU, and BLINK) and five machine learning techniques (RF, ANN, SVR, CNN, and SVM) were applied. A highly significant SW association was found on chromosome 1A, with the peak SNP (chr1A:556842331) explaining 50% of the phenotypic variation. A promising candidate gene, TraesCS1A01G385500 , was identified as an ortholog of Arabidopsis thaliana’s WSD1 gene, which plays a crucial role in very long-chain (VLC) wax ester biosynthesis. For DM, four QTLs were detected on chromosomes 4B (two QTLs), 2A, and 5A. Haplotype analysis revealed that alleles TT significantly contribute to cuticular wax ester biosynthesis and early maturity in wheat varieties. The study underscores the superior performance of ML models, especially when combined with advanced multi-locus GWAS models like BLINK and FarmCPU, with significantly lower p-values for identifying relevant QTLs compared to traditional methods. ML approaches hold potential for revolutionizing the study of complex genetic traits, offering insights to enhance wheat crops’ resilience and quality. ML-GWAS emerges as a compelling tool for genomic-based breeding, enabling breeders to develop improved wheat varieties with greater precision and efficiency.
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 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».