Modelos para análise de dados superdispersos de indução de haploidia em milho
Bibliographic record
Abstract
\n O milho é uma espécie alógama cujo produto comercial são os híbridos, os quais originam-se do cruzamento de duas linhagens endogâmicas. Uma forma para obtenção de tais linhagens é por meio das técnicas de indução de haploidia e posterior obtenção dos duplo-haploides, permitindo até 100% de homozigose. Essas técnicas retornam resultados importantes no melhoramento de milho. Uma variável de interesse importante, obtida a partir dessas técnicas é a taxa de indução de haploidia, a qual trata-se de uma proporção entre o número de sementes haploides e o número total de sementes. O conjunto de dados foi obtido pelo cruzamento da linhagem indutora LI- ESALQ, com cinco genótipos comerciais de milho (2B587PW, 30F53H, BM820, DKB390 e STATUS VIPTERA), em duas gerações F1 e F2, por meio de um delineamento em blocos ao acaso, na área experimental do Departamento de Genética da ESALQ/USP. A teoria dos modelos lineares generalizados (MLGs) possibilita mais opções para a distribuição da variável resposta, exigindo somente que a mesma pertença à família exponencial sob a forma canônica. Tal classe de distribuições pode ser ainda expandida para modelos que permitem efeitos aleatórios no preditor linear, caracterizando a classe dos modelos lineares generalizados mistos (MLGMs). O objetivo deste trabalho foi analisar a taxa de indução de haploidia em milho tropical, utilizando um modelo binomial misto, com efeito aleatório em nível de indivíduo. O método de estimação foi o de máxima verossimilhança. Com base em tal modelagem, verificou-se que o genótipo 30F53H, destacou-se em relação aos demais quanto à eficiência da taxa de indução de haploidia. Todas as análises foram implementadas no software R.\n
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".