Integrating genomics for chickpea improvement: achievements and opportunities
Notice bibliographique
Résumé
Integration of genomic technologies with breeding efforts have been used in recent years for chickpea improvement. Modern breeding along with low cost genotyping platforms have potential to further accelerate chickpea improvement efforts. The implementation of novel breeding technologies is expected to contribute substantial improvements in crop productivity. While conventional breeding methods have led to development of more than 200 improved chickpea varieties in the past, still there is ample scope to increase productivity. It is predicted that integration of modern genomic resources with conventional breeding efforts will help in the delivery of climate-resilient chickpea varieties in comparatively less time. Recent advances in genomics tools and technologies have facilitated the generation of large-scale sequencing and genotyping data sets in chickpea. Combined analysis of high-resolution phenotypic and genetic data is paving the way for identifying genes and biological pathways associated with breeding-related traits. Genomics technologies have been used to develop diagnostic markers for use in marker-assisted backcrossing programmes, which have yielded several molecular breeding products in chickpea. We anticipate that a sequence-based holistic breeding approach, including the integration of functional omics, parental selection, forward breeding and genome-wide selection, will bring a paradigm shift in development of superior chickpea varieties. There is a need to integrate the knowledge generated by modern genomics technologies with molecular breeding efforts to bridge the genome-to-phenome gap. Here, we review recent advances that have led to new possibilities for developing and screening breeding populations, and provide strategies for enhancing the selection efficiency and accelerating the rate of genetic gain in chickpea.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».