Mapping novel yellow and leaf rust loci and predicting resistance in cross derived Canadian durum wheat
Notice bibliographique
Résumé
Durum wheat (Triticum turgidum ssp. durum) suffers substantial yield losses from yellow rust (Puccinia striiformis) and leaf rust (Puccinia triticina). In this study, we employed genome-wide association studies (GWAS) to identify loci associated with rust resistance and used genomic selection (GS) to evaluate the predictive accuracy of different statistical models and phenotyping metrics (AUDPC_GDD, Angle, GDD50, and maxVar) in a Canadian durum wheat panel. The panel was evaluated in Mexico for yellow rust across three seasons near Toluca, and for leaf rust over two seasons at El Batán. Our GWAS identified 36 significant marker-trait associations (MTAs), including known loci (Yr30, Yr57, Yr82, YrU1, Lr16, Lr17, Lr18, and Lr65) and previously unreported regions. Yellow rust resistance was linked to loci on chromosomes 3A (602.7 Mbp) and 3B (243.4 Mbp), while leaf rust MTAs appeared on chromosomes 5A (552.8 Mbp) and 7A (570 Mbp). Candidate genes near novel MTAs encode defense-related proteins such as serine/threonine kinases and NB-ARC (nucleotide binding-Apaf-1, R proteins, and CED-4), F-box, and RIN4 (RPM1-interacting protein 4)-domain proteins. Among four scoring metrics tested, AUDPC_GDD consistently outperformed others for yellow rust, whereas maxVar was most effective for leaf rust, reflecting differences in phenotypic distribution and trait variance. Bayesian GS models (BayesB) achieved the highest prediction accuracy, but including GWAS-derived fixed effects did not improve predictions, likely due to complexities in modeling major-effect loci. These results underscore the importance of rust-specific phenotyping strategies and illustrate the difficulty of integrating GWAS into GS models to dissect complex resistance traits.
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 ».