Merging traditional practices and modern technology through computational plant breeding
Notice bibliographique
Résumé
Plant breeding has transitioned from its ancient agrarian roots to a modern, sophisticated discipline blending advanced genetic and computational techniques. Initially led by intuition and basic selection, the field was revolutionized in the 19th century by Gregor Mendel's principles. Today, plant breeding utilizes multiomics approaches and data science techniques to navigate vast amounts of data and deepen our understanding of the biological mechanisms behind specific traits. To tackle the challenges of big data, the discipline now incorporates computational biology, data science, and bioinformatics, which have become integral to routine plant breeding practices. As plant breeders have explored these promising fields, many have adopted titles such as "plant breeder and computational biologist" or "plant breeder and bioinformatician." However, these titles may lead to misconceptions about expertise, as breeders often apply a blend of these skills without specializing fully in each domain. Recognizing this, it is crucial to establish a clear identity for the evolving skill set of modern plant breeders. In this review, I explore the historical evolution of plant breeding, highlighting the transformative role of computational biology. Furthermore, I address the potential pitfalls of adding titles to plant breeding and propose the adoption of the term "computational plant breeding." This term more accurately reflects the integrated application of computational tools and biological insights in plant breeding. By redefining this emerging field, we can better appreciate its unique contributions and prepare for future advancements in agricultural science.
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) | 0,001 | 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 ».