| |
|
|
| Registros recuperados : 31 | |
| 21. |  | BORBA, T. C. de O.; MENDES, C. dos A.; GUIMARÃES, E. P.; BRUNES, T. O.; FONSECA, J. R.; BRONDANI, R. V.; BRONDANI, C. Genetic variability of Brazilian rice landraces determined by SSR markers. Pesquisa Agropecuária Brasileira, v. 44, n. 7, p. 706-712, jul. 2009.| Biblioteca(s): Embrapa Agricultura Digital; Embrapa Arroz e Feijão; Embrapa Unidades Centrais. |
|    |
| 22. | | MELO, L. C.; FARIA, J. C. de; ROSARIA, L.; YOKOYAMA, M.; BRONDANI, R. V. P.; DEL PELOSO, M. J.; BRONDANI, C.; FARIA, L. C. de. Controle genético da reação do feijoeiro comum ao vírus do mosaico dourado. In: CONGRESSO NACIONAL DE PESQUISA DE FEIJÃO, 8., 2005, Goiânia. Anais... Santo Antônio de Goiás: Embrapa Arroz e Feijão, 2005. v. 1. p. 393-396. (Embrapa Arroz e Feijão. Documentos, 182).| Biblioteca(s): Embrapa Arroz e Feijão. |
| |
| 23. | | PASQUALI, G.; PAPPAS JUNIOR, G. J.; BASTOLLA, F. M.; VOM ENDT, D.; BRONDANI, R. V.; COELHO, A. S. G.; BROMMONSCHENKEL, S. H.; PEREIRA, G. A. G.; CASCARDO, J. C. M.; GRATTAPAGLIA, D. Microarray analysis of eucalyptus gene expression. In: REUNIÃO ANUAL DA SOCIEDADE BRASILEIRA DE BIOQUÍMICA E BIOLOGIA MOLECULAR, 35., 2006, Águas de Lindóia, SP. Programas e resumos... São Paulo: Sociedade Brasileira de Bioquímica e Biologia Molecular, 2006. Não paginado.| Biblioteca(s): Embrapa Recursos Genéticos e Biotecnologia. |
| |
| 24. | | BASTOLLA, F. M.; PAZZINI, F.; CARAZZOLLE, M. F.; BRONDANI, R. V.; COELHO, A. S. G.; GRATTAPAGLIA, D.; BROMMONSCHENKEL, S. H.; PAPPAS JUNIOR, G. J.; PEREIRA, G. A. G.; PASQUALI, G.; CASCARDO, J. C. M. Differential expression of xylem specific genes involved in cellulose quality for two contrasting Eucalyptus species. In: CONGRESSO BRASILEIRO DE GENÉTICA, 51., 2005, Águas de Lindóia, SP. A era da genômica: da bioestatística à bioinformática: anais. Ribeirão Preto, SP: Sociedade Brasileira de Genética, 2005. p. 627.| Biblioteca(s): Embrapa Recursos Genéticos e Biotecnologia. |
| |
| 25. | | FERREIRA, L. G.; TELES, F. L.; NUNES, R. C.; KOZLOWSKI, A. L.; BASSINELLO, P. Z.; BRONDANI, C.; BRONDANI, R. V.; BUSO, G. S. C.; MELO, L. C.; PELOSO, M. J.; SIBOV, S. T.; CARNEIRO, M. S. Seleção de marcadores microssatélites para construção de mapa genético em feijoeiro comum (Phaseolus vulgaris L). In: CONGRESSO BRASILEIRO DE GENÉTICA, 51., 2005, Águas de Lindóia, SP. A era da genômica: da bioestatística à bioinformática: anais. Ribeirão Preto: Sociedade Brasileira de Genética, 2005. p. 646.| Biblioteca(s): Embrapa Arroz e Feijão; Embrapa Recursos Genéticos e Biotecnologia. |
| |
| 26. | | BASTOLLA, F. M.; VOM ENDT, D.; JAHNS, M.; PIZZOLI, G.; PAZZINI, F.; KIRCH, R. P.; CARAZZOLE, M. F.; BRONDANI, R. V.; COELHO, A. S. G.; BROMMONSCHENKEL, S. H.; PAPPAS JUNIOR, G. J.; PEREIRA, G. A. G.; GRATTAPAGLIA, D.; CASCARDO, J. C. M.; PASQUALI, G. Differential gene expression in two Eucalyptus species. In: CONGRESSO BRASILEIRO DE GENÉTICA, 52., 2006, Foz do Iguaçu, PR. Resumos... Ribeirão Preto, SP: Sociedade Brasileira de Genética, 2006. p. 1123.| Biblioteca(s): Embrapa Recursos Genéticos e Biotecnologia. |
| |
| 27. | | TELES, F. L.; FERREIRA, L. G.; KOZLOWSKI, A. L. R.; NUNES, R. C.; SILVA, G. F. O.; SIBOV, S. T.; CARNEIRO, M. S.; BRONDANI, R. V.; BUSO, G. S. C.; BASSINELLO, P. Z.; BRONDANI, C.; MELO, L. C.; PELOSO, M. J. Seleção de microssatélites polimórficos para o mapeamento de QTLs para teor de fibra em feijão (Phaseolus vulgaris L.). In: CONGRESSO BRASILEIRO DE GENÉTICA, 51., 2005, Águas de Lindóia, SP. A era da genômica: da bioestatística à bioinformática: anais. Ribeirão Preto: Sociedade Brasileira de Genética, 2005. p. 583.| Biblioteca(s): Embrapa Arroz e Feijão; Embrapa Recursos Genéticos e Biotecnologia. |
| |
| 28. | | CERQUEIRA, A. A.; AZEVEDO, V. C. R.; AMARAL, Z. P. S.; FERREIRA, M. A.; OHSE, B. J. G.; BRONDANI, R. V.; BRONDANI, C.; DEL PELOSO, M. J.; MELO, L. C.; BASSINELLO, P. Z.; CARNEIRO, S. T.; SIBOV, M. S.; BUSO, G. S. C. Identificação, desenvolvimento e caracterização de regiões hipervariáveis (microssatélites) para estudos genéticos do feijoeiro comum. In: CONGRESSO BRASILEIRO DE GENÉTICA, 51., 2005, Águas de Lindóia, SP. A era da genômica: da bioestatística à bioinformática: anais. Ribeirão Preto, SP: Sociedade Brasileira de Genética, 2005. p. 644.| Biblioteca(s): Embrapa Recursos Genéticos e Biotecnologia. |
|  |
| 29. | | CERQUEIRA, A. A.; AZEVEDO, V. C. R.; AMARAL, Z. P. S.; FERREIRA, M. A.; OHSE, B. J. G.; BRONDANI, R. V.; BRONDANI, C.; DEL PELOSO, M. J.; MELO, L. C.; BASSINELLO, P. Z.; CARNEIRO, S. T.; SIBOV, M. S.; BUSO, G. S. C. Identificação, desenvolvimento e caracterização de regiões hipervariáveis (microssatélites) para estudos genéticos do feijoeiro comum. In: CONGRESSO BRASILEIRO DE GENÉTICA, 51., 2005, Águas de Lindóia, SP. A era da genômica: da bioestatística à bioinformática: anais. Ribeirão Preto: Sociedade Brasileira de Genética, 2005. p. 644.| Biblioteca(s): Embrapa Arroz e Feijão. |
| |
| 30. | | PASQUALI, G.; BASTOLLA, F. M.; KIRCH, R. P.; PIZZOLI, G.; ROESLER, G. A.; PAZZINI, F.; CARAZZOLLE, M. F.; BRONDANI, R. V.; COELHO, A. S. G.; BROMMONSCHENKEL, S. H.; PAPPAS JÚNIOR, G. J.; PEREIRA, G. A. G.; CASCARDO, J. C. M.; GRATTAPAGLIA, D. Expressão gênica em Eucalyptus. In: CONGRESSO BRASILEIRO DE GENÉTICA, 51., 2005, Águas de Lindóia, SP. A era da genômica: da bioestatística à bioinformática: anais. Ribeirão Preto, SP: Sociedade Brasileira de Genética, 2005. p. 508.| Biblioteca(s): Embrapa Recursos Genéticos e Biotecnologia. |
| |
| 31. | | KIRCH, R. P.; SCHWAMBACH, J.; BASTOLLA, F. M.; PAZZINI, F.; PIZZOLI, G.; ROESLER, G. A.; MIRANDA, R. P.; CARAZZOLLE, M. F.; BRONDANI, R. V.; COELHO, A. S. G.; GRATTAPAGLIA, D.; BROMMONSCHENKEL, S. H.; PAPPAS JÚNIOR, G. J.; PEREIRA, G. A. G.; FETT-NETO, A. G.; CASCARDO, J. C. M.; PASQUALI, G. Projeto Genolyptus: seqüenciamento e análise de transcritos de plântulas de Eucalyptus grandis submetidos a diferentes estímulos. In: CONGRESSO BRASILEIRO DE GENÉTICA, 51., 2005, Águas de Lindóia, SP. A era da genômica: da bioestatística à bioinformática: anais. Ribeirão Preto, SP: Sociedade Brasileira de Genética, 2005. p. 528.| Biblioteca(s): Embrapa Recursos Genéticos e Biotecnologia. |
| |
| Registros recuperados : 31 | |
|
|
|
Registro Completo
|
Biblioteca(s): |
Embrapa Arroz e Feijão. |
|
Data corrente: |
29/05/2022 |
|
Data da última atualização: |
12/04/2024 |
|
Tipo da produção científica: |
Capítulo em Livro Técnico-Científico |
|
Autoria: |
CROSSA, J.; MONTESINOS-LÓPEZ, O. A.; PÉREZ-RODRÍGUEZ, P.; COSTA-NETO, G.; FRITSCHE-NETO, R.; ORTIZ, R.; MARTINI, J. W. R.; LILLEMO, M.; MONTESINOS-LÓPEZ, A.; JARQUIN, D.; BRESEGHELLO, F.; CUEVAS, J.; RINCENT, R. |
|
Afiliação: |
JOSE CROSSA, CIMMYT; OSVAL ANTONIO MONTESINOS-LOPEZ, UNIVERSIDAD DE COLIMA, México; PAULINO PEREZ-RODRIGUEZ, COLEGIO DE POSTGRADUADOS, Montecillos-Mexico; GERMANO COSTA-NETO, ESALQ; ROBERTO FRITSCHE-NETO, ESALQ; RODOMIRO ORTIZ, SWEDISH UNIVERSITY OF AGRICULTURAL SCIENCES, Alnarp-Sweden; JOHANNES W. R. MARTINI, CIMMYT; MORTEN LILLEMO, NORWEGIAN UNIVERSITY OF LIFE SCIENCES, Norway; ABELARDO MONTESINOS-LOPEZ, CENTRO DE INVESTIGACIÓN EN MATEMÁTICAS, Guanajuato-Mexico; DIEGO JARQUIN, UNIVERSITY OF NEBRASKA, Lincoln-NE; FLAVIO BRESEGHELLO, CNPAF; JAIME CUEVAS, UNIVERSIDAD DE QUINTANA ROO, Quintana Roo-Mexico; RENAUD RINCENT, INRAE, Clermont-Ferrand-France. |
|
Título: |
Genome and environment based prediction models and methods of complex traits incorporating genotype × environment interaction. |
|
Ano de publicação: |
2022 |
|
Fonte/Imprenta: |
In: AHMADI, N.; BARTHOLOME, J. (ed.). Genomic prediction of complex traits: methods and protocols. New York: Humana Press, 2022. |
|
Páginas: |
p. 245-283. |
|
Série: |
(Methods in Molecular Biology). |
|
ISBN: |
978-1-0716-2205-6 |
|
DOI: |
https://doi.org/10.1007/978-1-0716-2205-6_9 |
|
Idioma: |
Inglês |
|
Conteúdo: |
Genomic-enabled prediction models are of paramount importance for the successful implementation of genomic selection (GS) based on breeding values. As opposed to animal breeding, plant breeding includes extensive multienvironment and multiyear field trial data. Hence, genomic-enabled prediction models should include genotype × environment (G × E) interaction, which most of the time increases the prediction performance when the response of lines are different from environment to environment. In this chapter, we describe a historical timeline since 2012 related to advances of the GS models that take into account G × E interaction. We describe theoretical and practical aspects of those GS models, including the gains in prediction performance when including G × E structures for both complex continuous and categorical scale traits. Then, we detailed and explained the main G × E genomic prediction models for complex traits measured in continuous and noncontinuous (categorical) scale. Related to G × E interaction models this review also examine the analyses of the information generated with high-throughput phenotype data (phenomic) and the joint analyses of multitrait and multienvironment field trial data that is also employed in the general assessment of multitrait G × E interaction. The inclusion of nongenomic data in increasing the accuracy and biological reliability of the G × E approach is also outlined. We show the recent advances in large-scale envirotyping (enviromics), and how the use of mechanistic computational modeling can derive the crop growth and development aspects useful for predicting phenotypes and explaining G × E. MenosGenomic-enabled prediction models are of paramount importance for the successful implementation of genomic selection (GS) based on breeding values. As opposed to animal breeding, plant breeding includes extensive multienvironment and multiyear field trial data. Hence, genomic-enabled prediction models should include genotype × environment (G × E) interaction, which most of the time increases the prediction performance when the response of lines are different from environment to environment. In this chapter, we describe a historical timeline since 2012 related to advances of the GS models that take into account G × E interaction. We describe theoretical and practical aspects of those GS models, including the gains in prediction performance when including G × E structures for both complex continuous and categorical scale traits. Then, we detailed and explained the main G × E genomic prediction models for complex traits measured in continuous and noncontinuous (categorical) scale. Related to G × E interaction models this review also examine the analyses of the information generated with high-throughput phenotype data (phenomic) and the joint analyses of multitrait and multienvironment field trial data that is also employed in the general assessment of multitrait G × E interaction. The inclusion of nongenomic data in increasing the accuracy and biological reliability of the G × E approach is also outlined. We show the recent advances in large-scale envirotyping (enviromics), and... Mostrar Tudo |
|
Palavras-Chave: |
Genome-enabled prediction; Genomic selection; Models with G x E interaction. |
|
Thesagro: |
Genótipo; Interação Genética; Melhoramento Genético Vegetal. |
|
Thesaurus NAL: |
Genome; Genomics; Genotype-environment interaction; Plant breeding. |
|
Categoria do assunto: |
G Melhoramento Genético |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/doc/1143533/1/cap9-2022.pdf
|
|
Marc: |
LEADER 03084naa a2200433 a 4500
001 2143533
005 2024-04-12
008 2022 bl uuuu u00u1 u #d
020 $a978-1-0716-2205-6
024 7 $ahttps://doi.org/10.1007/978-1-0716-2205-6_9$2DOI
100 1 $aCROSSA, J.
245 $aGenome and environment based prediction models and methods of complex traits incorporating genotype × environment interaction.$h[electronic resource]
260 $c2022
300 $ap. 245-283.
490 $a(Methods in Molecular Biology).
520 $aGenomic-enabled prediction models are of paramount importance for the successful implementation of genomic selection (GS) based on breeding values. As opposed to animal breeding, plant breeding includes extensive multienvironment and multiyear field trial data. Hence, genomic-enabled prediction models should include genotype × environment (G × E) interaction, which most of the time increases the prediction performance when the response of lines are different from environment to environment. In this chapter, we describe a historical timeline since 2012 related to advances of the GS models that take into account G × E interaction. We describe theoretical and practical aspects of those GS models, including the gains in prediction performance when including G × E structures for both complex continuous and categorical scale traits. Then, we detailed and explained the main G × E genomic prediction models for complex traits measured in continuous and noncontinuous (categorical) scale. Related to G × E interaction models this review also examine the analyses of the information generated with high-throughput phenotype data (phenomic) and the joint analyses of multitrait and multienvironment field trial data that is also employed in the general assessment of multitrait G × E interaction. The inclusion of nongenomic data in increasing the accuracy and biological reliability of the G × E approach is also outlined. We show the recent advances in large-scale envirotyping (enviromics), and how the use of mechanistic computational modeling can derive the crop growth and development aspects useful for predicting phenotypes and explaining G × E.
650 $aGenome
650 $aGenomics
650 $aGenotype-environment interaction
650 $aPlant breeding
650 $aGenótipo
650 $aInteração Genética
650 $aMelhoramento Genético Vegetal
653 $aGenome-enabled prediction
653 $aGenomic selection
653 $aModels with G x E interaction
700 1 $aMONTESINOS-LÓPEZ, O. A.
700 1 $aPÉREZ-RODRÍGUEZ, P.
700 1 $aCOSTA-NETO, G.
700 1 $aFRITSCHE-NETO, R.
700 1 $aORTIZ, R.
700 1 $aMARTINI, J. W. R.
700 1 $aLILLEMO, M.
700 1 $aMONTESINOS-LÓPEZ, A.
700 1 $aJARQUIN, D.
700 1 $aBRESEGHELLO, F.
700 1 $aCUEVAS, J.
700 1 $aRINCENT, R.
773 $tIn: AHMADI, N.; BARTHOLOME, J. (ed.). Genomic prediction of complex traits: methods and protocols. New York: Humana Press, 2022.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Arroz e Feijão (CNPAF) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
| Nenhum registro encontrado para a expressão de busca informada. |
|
|
