Genomic investigation of oat quality
Notice bibliographique
Résumé
Both structural genomic and functional genomic approaches increase our understanding of the genetics of quality traits in oats, thereby providing knowledge and tools that accelerate breeding for oat improvement. Initially, we employed the structural genomic approaches of recombination mapping and quantitative trait locus (QTL) analysis to investigate the genetics of a number of quality traits in a Terra x Marion (TM) recombinant inbred population (DeKoeyer et al. 2004). Bi-plot analyses gave complementary insight. These identified genomic regions that play a major role in controlling oil, beta-glucan, and protein content. Comparative marker and QTL mapping with other oat populations increased our understanding of the number and organization of the genes involved and further validated the TM QTLs. Extension to additional elite populations contrasting for these traits helped to complete the analysis. Markers flanking the TM oil and beta-glucan QTLs were converted to sequence characterized amplified region (SCAR) markers (Orr and Molnar 2004). These polymerase chain reaction (PCR)-based markers are robust, rapid, and cost efficient and, therefore, suitable for markerassisted breeding. Recently, functional genomic approaches have been employed to isolate candidate genes in the biochemical pathways for oil and protein content, to study expression level polymorphisms, and to associate both of these with QTLs in mapping populations (Lybaert 2004). These approaches promise to advance our understanding of the involvement of key enzymes in oil and protein biosynthesis and their regulators. DeKoeyer, D., et al. 2004, Theoretical and Applied Genetics 108:(in press); Lybaert, A. 2004, PhD Thesis (in preparation), McGill University; Orr, W. & Molnar, S.J. 2004, (submitted).
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».