Environment ensemble models for genomic prediction in common bean ( <i>Phaseolus vulgaris</i> L.)
Notice bibliographique
Résumé
For important food crops such as the common bean (Phaseolus vulgaris, L.), global demand continues to outpace the rate of genetic gain for quantitative traits. In this study, we leveraged the multi-environment trial (MET) dataset from the cooperative dry bean nursery (CDBN) to investigate the use of ensemble models for genomic prediction. This set spans 70 locations and 30 years, and accounts for over 150 phenotypes and hundreds of genotypes sequenced for 1.2 million single nucleotide polymorphism markers. We tested three models (linear regression, ridge regression, and neural networks). Each of the three models was implemented using three different approaches: (1) combining all data into one model (singular model), (2) all available single locations were used to train individual submodels comprising one ensemble model (ensemble model), and (3) optimized sets of single locations were used to train individual submodels comprising one ensemble model (optimized ensemble model). The optimized ensemble approach worked best for low-variance locations because the model variance was reduced by averaging across submodels in the ensemble. For models with low prediction accuracy, the ensemble approach can increase accuracy. In certain locations, prediction accuracy was able to overcome narrow-sense heritability, indicating that genomic selection is more efficient than phenotypic selection in these locations. This study indicates that breeding program collaboration can be a way to bypass the bottleneck of low data volume, as pooled data from the CDBN MET produced prediction accuracies of 0.70 for days to flowering, 0.54 for days to maturity, 0.95 for seed weight, and 0.67 for seed yield in individual locations.
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 ».