Exploration de la cartographie par analyse d'association («Association Mapping») chez l'orge (Hordeum vulgare L.)
Bibliographic record
Abstract
La cartographie par analyse d'association (« Association mapping »- AM) est une nouvelle approche prometteuse visant à identifier les déterminants génétiques (connus sous le nom de QTL) qui sous-tendent les caractères complexes chez les plantes cultivées. Malheureusement, les meilleures approches analytiques à employer pour limiter le nombre de faux positifs dans de telles analyses demeurent à déterminer pour chaque espèce. Le but de ce travail était d'explorer la cartographie AM chez une collection d'orges canadiennes. Diverses approches analytiques ont été comparées pour leur capacité à détecter des QTL simulés ou réels. La population utilisée comprenait 166 cultivars d'orge qui avaient préalablement été génotypes avec 866 marqueurs DArT (Zhang et al., 2009). Ces lignées ont également été génotypées pour sept locus SSR et ces données ont permis de simuler des QTL. La taille des plantes a été mesurée sur deux sites et deux ans pour fournir des données phénotypiques nécessaires à l'analyse des QTL contrôlant ce caractère. Des diverses approches analytiques, celle s'appuyant uniquement sur les relations de parenté entre les lignées (« kinship ») s'est avérée la meilleure. Cette approche a été employée pour identifier des QTL simulés (basés sur les SSR) ou réels. Les résultats nous ont montré que cette méthode était performante pour des caractères ayant une héritabilité modérée à élevée. De plus, les QTL que nous avons identifiés pour la taille des plantes étaient plus reproductibles que ce qui a été rapporté précédemment dans la littérature. Ces résultats suggèrent que la cartographie AM peut être appliquée avec succès dans un programme d'amélioration génétique, du moins pour certains caractères d'intérêt.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.002 |
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 source (direct Gemma or distilled Codex), 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".