Multi-Trait GWAS for Fiber Quality and Disease Resistance in Cotton
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Cotton is a globally important dual-purpose crop valued for its fiber yield, but both its yield and quality are severely impacted by a variety of pathogens. This study reviews the genetic architecture of fiber quality traits (such as strength, length, and fineness) and resistance to major diseases such as Verticillium wilt, Fusarium wilt, and bacterial wilt, focusing on potential genetic overlap and independence. We explore the methodological framework for multi-trait genome-wide association studies (MT-GWAS), highlighting statistical models such as multivariate linear mixed models and Bayesian methods, which outperform single-trait analyses by capturing pleiotropic loci and genetic correlations. We present key findings from cotton MT-GWAS, including the identification of co-localized QTLs, novel candidate genes, and genotype-by-environment interactions across multiple environmental datasets. We also highlight the integration of MT-GWAS with transcriptomic, metabolomic, epigenomic, and proteomic data, and the validation of functional genes using CRISPR, RNAi, and overexpression technologies. A case study demonstrates the practical application of MT-GWAS in a breeding program targeting fiber quality and disease resistance, enabling genetic validation and germplasm improvement. While MT-GWAS faces challenges such as population structure, statistical complexity, and translational gaps, advances in high-resolution phenotyping, pan-genomics, and predictive breeding strategies hold promise for broader application. This study highlights the potential of MT-GWAS to accelerate cotton improvement by revealing complex trait architecture and informing integrated breeding processes.
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.
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 | 0,001 |
| 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 découle