The effect of haplotype size on genomic selection accuracy and epistasis: An empirical study in rice
Notice bibliographique
Résumé
Genomic selection (GS) has revolutionized breeding practices by integrating genotype and phenotype data to predict genomic estimated breeding values, offering the potential to accelerate breeding cycles and intensify and enhance early-stage selections. This approach utilizes the concept of linkage disequilibrium (LD) between genetic markers and quantitative trait loci within populations. LD, the nonrandom association between alleles at different loci, provides valuable insights into historical recombination patterns, although it can change over time under strong selection or genetic drift. This study aimed to investigate the influence of recombination on haplotype sizes and LD, assess the impact of additive (A) versus additive + epistasis (A+I) genetic models on GS predictive ability (PA), and demonstrate how haplotype resolution in the training set (TS) impacts the PA of GS. For this, we used biparental (MP2) and multiparent (MP6-8) populations, where the main difference between them was the recombination rate. As expected, a strong correlation between LD decay and the number of recombination opportunities within populations was observed, with smaller haplotype blocks in populations experiencing more recombination. The use of A+I models increased heritability but did not improve PA. Finally, populations with smaller haplotype sizes in the TS exhibited enhanced PA. This study demonstrates the effect of haplotype size on GS accuracy, and its uniqueness lies in its focus on populations where the primary differentiating factor is haplotype size. It offers an important tool for breeders in designing GS strategies, providing valuable guidance for future breeding efforts.
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 ».