Depicting Soybean Diversity via Complementary Application of Three Marker Types
Notice bibliographique
Résumé
Driven by the growing demands for plant-based protein in Europe and attempts of soybean breeding programs to improve the productivity of created varieties, this study aimed to enhance genetic resource utilization efficiency by providing information relevant to well-focused breeding targets. A set of 90 accessions was subjected to a comprehensive assessment of genetic diversity in a soybean working collection using three marker types: morphological descriptors, agronomic traits, and SSRs. Genotype grouping patterns varied among the markers, displaying the best congruence with pedigree data and maturity for SSRs and agronomic traits, respectively. The clear origin-related grouping pattern was not observed for any of the marker types. For the diversity assessed by morphological descriptors, Homogeneity Analysis by Means of Alternating Least Squares (HOMALS) yielded the most efficient classification by identifying the traits with the highest discriminative power and separating the genotypes into homogeneous groups. According to genetic distances (GDs), the highest diversity was found for morphological descriptors (GD = 517), followed by SSRs (GD = 0.317) and agronomic traits (GD = 0.244). The analysis of molecular variance (AMOVA) revealed a weak differentiation between geographic groups (ΦST = 0.061), emphasizing the highest differentiation for Canadian genotypes (ΦST = 0.148 **). A low correlation was found between molecular and morphological, i.e., agronomic trait-based matrices (0.061 *, i.e., –0.027, respectively). The overall assessed diversity highlighted the importance of introducing new sources of variation to promote long-term improvement in soybean breeding.
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 ».