Affordable phenomics: Expanding access to enhancing genetic gain in plant breeding
Notice bibliographique
Résumé
Abstract Plant breeders need to evaluate large breeding populations rapidly and accurately to identify and assess genetic variation responsible for many traits, including yield, quality, resistance, and climate resilience. Although advanced molecular tools, including marker‐assisted selection, genomic selection, and gene editing, are being used to accelerate genetic gain in breeding programs, conventional phenotyping is still needed due to the polygenic and environmental interactions related to these traits. Unfortunately, traditional phenotyping at a large scale requires considerable resources and is often subjective, time‐consuming, labor‐intensive, and expensive. To remove the phenotyping bottleneck, the development of efficient and reliable systems for complex trait measurement is needed. Recent advancements in tools and technology are making it easier to collect phenomic data faster at greater resolutions, allowing for the characterization of genotypic lines across the growing season to evaluate performance under different environmental conditions. By combining multiple sources of sensor data, interactions between genotypes and environments (G × E) can be investigated and used to increase the rate of genetic gain and the efficiency of plant breeding programs. However, the hardware and sensors necessary to realize this vision are often cost‐prohibitive for plant breeding programs, and ancillary data management costs can create further barriers to entry. In this review, we outline existing affordable phenomics hardware, sensors, software, and platforms, as well as the challenges that exist to broadly and equitably adopt these tools.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».