Optimizing marker density for maximizing the accuracy of genomic prediction and heritability estimates in three major North American and European spruce species
Notice bibliographique
Résumé
Abstract Genomic prediction, also called genomic selection (GS), is being increasingly used in tree breeding with aim to accelerate genetic gains by shortening the long breeding cycles. However, high genotyping costs remain a challenge. This study aimed to determine the optimal marker density in genome coverage, to maximize GS accuracy and precision of heritability estimates for growth and wood quality traits. Thousands of SNPs representative of the exome of three major spruce species were used: 18,275 SNPs for black spruce (representing 10,894 distinct gene loci), 11,328 SNPs for white spruce (8647 gene loci), and 116,765 SNPs for Norway spruce (20,695 gene loci). For each species, a similar experimental design was used with related full-sib families replicated on two sites, and GBLUP prediction models were developed. The effect of varying the number of SNPs was examined by re-sampling subsets from 500 to 100,000 SNPs. Results indicated that plateaus in heritability estimates were reached as the marker density increased, stabilizing between 4000 to 8000 SNPs for a spruce genome size of around 2000 centimogans, a trend consistent across all traits and species. Predictive ability and prediction accuracy both increased with the number of SNPs up to a similar level, beyond which further improvements were marginal. Such optimal marker density should be financially attainable for most spruce breeding programs, striking a balance between the need for maximizing accuracy and that for minimizing genotyping costs. These findings should support the further deployment of GS in conifer breeding programs, with high selection precision and by reducing the financial burden of very high-density SNP coverage, even for conifers characterized by large giga-genomes.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| 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 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».