Simulations of genomic selection implementation pathways in common bean ( <i>Phaseolus vulgaris</i> L.) using parametric and nonparametric models
Notice bibliographique
Résumé
We conducted simulations of common bean (Phaseolus vulgaris L.) breeding programs to better understand the interplay between different choices a breeder must make when launching a genomic selection (GS) pipeline. We complement preceding studies on optimizing model parameters and training set makeup by exploring the practical implementation of GS in a common bean breeding program aimed at increasing seed yield. We simulated 24 GS implementation pathways on (1) what generation to train a new prediction model, (2) what generation to select parents for the next cycle, (3) which generation to collect training data, and (4) whether to use a parametric (ridge regression best linear unbiased predictor) or a nonparametric model (artificial neural network) for estimating breeding values. We found that early generation parent selections (also called rapid-cycle GS) generally resulted in higher gain over three breeding cycles compared to late-generation parent selections. When implementing a new parametric genomic prediction model, training data should be as diverse as possible, while also matching testing data in terms of genetic makeup and allele frequency. Parametric models showed more consistent genomic estimated breeding value prediction accuracy, while nonparametric models fluctuated, showing both the highest and the lowest prediction accuracy across all pathways. Despite the trade-off between gains and genetic variance, nonparametric models showed greater balance of allelic diversity and gains. We observed that the key to sustained gains over time is the renewal of genetic variance. Our results indicate a potential for the use of nonparametric models, but more investigation will be required to stabilize their performance.
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 ».