.png){kind=icon}
返回
Boosting Genomic Prediction Transferability with Sparse Testing
.png){kind=icon}
OA
AI
DOI：10.3390/genes16070827.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
背景-目标：改进稀疏测试对于提高基因组预测（GP）的效率至关重要。相应地，正在探索新的策略以在稀疏测试条件下完善基因组选择（GS）方法。方法：本研究评估了一种稀疏测试方法，特别是在预测已测试系在未测试环境中的表现方面。稀疏测试在大规模育种计划中尤其实用，因为它减少了在每个环境中评估每个基因型的成本和后勤负担，同时仍能通过战略性数据利用实现准确预测。为此，我们使用了来自CIMMYT（墨西哥奥布雷贡）的训练数据以及来自印度的部分数据，利用来自墨西哥的观测数据来预测印度中的系表现。结果：我们的结果表明，将奥布雷贡的数据纳入训练集提高了预测准确率，且当数据在时间上更接近时效果更显著。跨环境来看，皮尔逊相关系数在测试比例为50%时至少提高了219%，而在前10%和前20%顶尖系中的匹配百分比分别提高了18.42%和20.79%（同样在测试比例为50%时）。结论：这些发现强调，用相关且时间上接近的信息丰富训练数据是提高基因组预测性能的关键；相反，纳入无关数据可能会降低预测准确率。
Keyword:
genomic prediction
sparse testing
genomic selection
cross-environment prediction
training data enrichment
期刊
IF:
2.8
论文数:
2.7K
被引数:
3.5W
机构
暂无机构信息
引用论文
Genomic Prediction of Breeding Values when Modeling Genotype × Environment Interaction using Pedigree and Dense Molecular Markers.png)
Crop Science
OAAI
Crop ScienceIF0
OAAI分享收藏Cooper, M.; Hammer, G.L.; Messina, C.D. Modeling plant adaptation and breeding for drought-prone environments. Theor. Appl. Genet. 2014, 127, 713–733. [Google Scholar] [CrossRef]Cooper, M.; Hammer, G.L.; Messina, C.D. 模拟植物适应和育种以应对干旱易发环境。Theor. Appl. Genet. 2014, 127, 713–733. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏Priming xylem for stress recovery depends on coordinated activity of sugar metabolic pathways and changes in xylem sap pH启动木质部以恢复压力取决于糖代谢途径的协调活性和木质部汁液pH的变化OAAI
OAAI分享收藏分享收藏分享收藏A reaction norm model for genomic selection using high-dimensional genomic and environmental dataOAAI
OAAI分享收藏分享收藏
查看更多内容