Quantitative Trait Loci Analysis in Triticeae: Implications for Breeding and Genetics
Notice bibliographique
Résumé
Quantitative Trait Loci (QTL) analysis has become a pivotal tool in understanding the genetic basis of complex traits in Triticeae , with significant implications for breeding and genetics. This study retrospects various methodologies and findings in QTL mapping, highlighting the advancements and applications in crop improvement. Multiple interval mapping (MIM) has been shown to enhance the precision and power of QTL detection, allowing for the estimation of epistasis, genotypic values, and heritabilities. Comparative genomic analysis has identified stable QTLs for grain yield, quality traits, and micronutrient contents in wheat, consolidating QTLs into meta-QTLs (MQTLs) and reducing confidence intervals, thus facilitating marker-assisted selection (MAS). The integration of linkage and association mapping has further dissected the genetic architecture of complex traits, revealing the importance of environment-specific QTLs and the need for advanced statistical strategies in the era of next-generation sequencing. Additionally, QTL mapping under stress conditions, such as salinity, has identified key genomic regions contributing to stress tolerance, which can be exploited for breeding resilient varieties. ThFe development of multiparental populations and the use of whole-genome resequencing (QTL-seq) have accelerated the identification of QTLs, providing a robust framework for genetic dissection and crop improvement. This study underscores the critical role of QTL analysis in advancing our understanding of genetic variation and enhancing breeding programs in Triticeae .
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) | 0,000 | 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 ».