Empirical Data Analysis for Training Population Selection in Wheat Breeding
Notice bibliographique
Résumé
The Genomic Assisted Breeding lab, in collaboration with Agriculture and Agri-Food Canada at the Swift Current Research and Development Center, evaluated various genomic plant breeding methods using data from an ongoing wheat breeding program. The study aimed to test the efficacy of these methods, compare state-of-the-art training set (TRS) optimization techniques, assess the impact of historical and parental data on the TRS, and evaluate the accuracy of additive and non-additive genomic prediction models. Results indicated that the Mean Coefficient of Determination generally outperformed the Average Relationship (AvgRel), except in optimal cases where AvgRel excelled. The optimal optimization method varied by model, supporting the ”no-free-lunch” theorem in statistic, and further tests with different TRS sizes are necessary to determine the best method. All optimization methods surpassed random sampling, but the breeder-proposed TRS performed worse than random sampling, highlighting the sophistication of our optimization approaches. Adding parental and historical data did not improve prediction accuracy, probably due to decreased similarity between the TRS and the test set or different environmental effects. However, for the 2021 lines, accuracy improved when adding parental lines measured in the same year. The study also found that Reproducing Kernel Hilbert Space regression outperformed traditional parametric models and other non-additive models like Random Forest.
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 | 0,001 |
| 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) | 0,002 | 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 ».