Genomics-driven breeding for local adaptation of durum wheat is enhanced by farmers’ traditional knowledge
Notice bibliographique
Résumé
In the smallholder, low-input farming systems widespread in sub-Saharan Africa, farmers select and propagate crop varieties based on their traditional knowledge and experience. A data-driven integration of their knowledge into breeding pipelines may support the sustainable intensification of local farming. Here, we combine genomics with participatory research to tap into traditional knowledge in smallholder farming systems, using durum wheat (Triticum durum Desf.) in Ethiopia as a case study. We developed and genotyped a large multiparental population, called the Ethiopian NAM (EtNAM), that recombines an elite international breeding line with Ethiopian traditional varieties maintained by local farmers. A total of 1,200 EtNAM lines were evaluated for agronomic performance and farmers’ appreciation in three locations in Ethiopia, finding that women and men farmers could skillfully identify the worth of wheat genotypes and their potential for local adaptation. We then trained a genomic selection (GS) model using farmer appreciation scores and found that its prediction accuracy over grain yield \n(GY) was higher than that of a benchmark GS model trained on GY. Finally, we used forward genetics approaches to identify marker–trait associations for agronomic traits and farmer appreciation scores. We produced genetic maps for individual EtNAM families and used them to support the characterization of genomic loci of breeding relevance with pleiotropic effects on phenology, yield, and farmer preference. Our data show that farmers’ traditional knowledge can be integrated in genomics-driven breeding to support the selection of best allelic combinations for local adaptation.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».