| |
|
|
|
Registro Completo |
|
Biblioteca(s): |
Embrapa Milho e Sorgo. |
|
Data corrente: |
25/03/2024 |
|
Data da última atualização: |
25/03/2024 |
|
Tipo da produção científica: |
Artigo em Periódico Indexado |
|
Autoria: |
BARRETO, C. A. V.; DIAS, K. O. das G.; SOUSA, I. C. de; AZEVEDO, C. F.; NASCIMENTO, A. C. C.; GUIMARAES, L. J. M.; GUIMARÃES, C. T.; PASTINA, M. M.; NASCIMENTO, M. |
|
Afiliação: |
CYNTHIA APARECIDA VALIATI BARRETO, UNIVERSIDADE FEDERAL DE VIÇOSA; KAIO OLIMPIO DAS GRAÇAS DIAS, UNIVERSIDADE FEDERAL DE VIÇOSA; ITHALO COELHO DE SOUSA, UNIVERSIDADE FEDERAL DE RONDÔNIA; CAMILA FERREIRA AZEVEDO, UNIVERSIDADE FEDERAL DE VIÇOSA; ANA CAROLINA CAMPANA NASCIMENTO, UNIVERSIDADE FEDERAL DE VIÇOSA; LAURO JOSE MOREIRA GUIMARAES, CNPMS; CLAUDIA TEIXEIRA GUIMARAES, CNPMS; MARIA MARTA PASTINA, CNPMS; MOYSÉS NASCIMENTO, UNIVERSIDADE FEDERAL DE VIÇOSA. |
|
Título: |
Genomic prediction in multi-environment trials in maize using statistical and machine learning methods. |
|
Ano de publicação: |
2024 |
|
Fonte/Imprenta: |
Scientific Reports, v. 14, 1062, 2024. |
|
DOI: |
https://doi.org/10.1038/s41598-024-51792-3 |
|
Idioma: |
Inglês |
|
Conteúdo: |
In the context of multi-environment trials (MET), genomic prediction is proposed as a tool that allows the prediction of the phenotype of single cross hybrids that were not tested in field trials. This approach saves time and costs compared to traditional breeding methods. Thus, this study aimed to evaluate the genomic prediction of single cross maize hybrids not tested in MET, grain yield and female flowering time. We also aimed to propose an application of machine learning methodologies in MET in the prediction of hybrids and compare their performance with Genomic best linear unbiased prediction (GBLUP) with non-additive effects. Our results highlight that both methodologies are efficient and can be used in maize breeding programs to accurately predict the performance of hybrids in specific environments. The best methodology is case-dependent, specifically, to explore the potential of GBLUP, it is important to perform accurate modeling of the variance components to optimize the prediction of new hybrids. On the other hand, machine learning methodologies can capture non-additive effects without making any assumptions at the outset of the model. Overall, predicting the performance of new hybrids that were not evaluated in any field trials was more challenging than predicting hybrids in sparse test designs. |
|
Palavras-Chave: |
Predição genômica. |
|
Thesagro: |
Hibrido; Milho; Produtividade. |
|
Categoria do assunto: |
F Plantas e Produtos de Origem Vegetal |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/doc/1163114/1/Genomic-prediction-in-multi-environment-trials-in-maize.pdf
|
|
Marc: |
LEADER 02163naa a2200277 a 4500
001 2163114
005 2024-03-25
008 2024 bl uuuu u00u1 u #d
024 7 $ahttps://doi.org/10.1038/s41598-024-51792-3$2DOI
100 1 $aBARRETO, C. A. V.
245 $aGenomic prediction in multi-environment trials in maize using statistical and machine learning methods.$h[electronic resource]
260 $c2024
520 $aIn the context of multi-environment trials (MET), genomic prediction is proposed as a tool that allows the prediction of the phenotype of single cross hybrids that were not tested in field trials. This approach saves time and costs compared to traditional breeding methods. Thus, this study aimed to evaluate the genomic prediction of single cross maize hybrids not tested in MET, grain yield and female flowering time. We also aimed to propose an application of machine learning methodologies in MET in the prediction of hybrids and compare their performance with Genomic best linear unbiased prediction (GBLUP) with non-additive effects. Our results highlight that both methodologies are efficient and can be used in maize breeding programs to accurately predict the performance of hybrids in specific environments. The best methodology is case-dependent, specifically, to explore the potential of GBLUP, it is important to perform accurate modeling of the variance components to optimize the prediction of new hybrids. On the other hand, machine learning methodologies can capture non-additive effects without making any assumptions at the outset of the model. Overall, predicting the performance of new hybrids that were not evaluated in any field trials was more challenging than predicting hybrids in sparse test designs.
650 $aHibrido
650 $aMilho
650 $aProdutividade
653 $aPredição genômica
700 1 $aDIAS, K. O. das G.
700 1 $aSOUSA, I. C. de
700 1 $aAZEVEDO, C. F.
700 1 $aNASCIMENTO, A. C. C.
700 1 $aGUIMARAES, L. J. M.
700 1 $aGUIMARÃES, C. T.
700 1 $aPASTINA, M. M.
700 1 $aNASCIMENTO, M.
773 $tScientific Reports$gv. 14, 1062, 2024.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Milho e Sorgo (CNPMS) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
|
| Registros recuperados : 78 | |
| 2. |  | SCHAITZA, E. Os projetos do Programa Paraná Biodiversidade para o corredor araucária. In: WORKSHOP "ASPECTOS TEÓRICOS E PRÁTICOS DO MANEJO FLORESTAL: UM ENFOQUE PARA A ARAUCARIA ANGUSTIFOLIA, 2005, Curitiba. Conferência, palestras e resultados. Colombo: Embrapa Florestas; Curitiba: Projeto Paraná Biodiversidade, 2005. (Embrapa Florestas. Documentos, 115). 1 CD-ROM. Resumo da palesta.| Biblioteca(s): Embrapa Florestas. |
|   |
| 3. | | SCHAITZA, E. Organização da informação sobre Sirex noctilio: um projeto simples, barato e de alto impacto. In: IEDE, E.T.; SCHAITZA, E.; PENTEADO, S.; REARDON, R.C.; MURPHY, S.T. (Coord.). Proceedings of a Conference: Training in the Control of Sirex noctilio by the Use of Natural Enemies. Colombo: EMBRAPA-CNPF; Morgantown: USDA, Forest Service, Forest Health Tecnhnology Enterprise Team; Berkshire: Centre for Agriculture and Bioscience International, 1998. p. 79-81. Publicado em duas linguas. Titulo em portugues: Atas do Treinamento sobre Uso de Inimigos Naturais para o controle de Sirex noctilio.| Biblioteca(s): Embrapa Florestas. |
|  |
| 12. | | DRUMOND, P. M.; SCHAITZA, E. G. Challenges for establishing global partnerships: from biomes to people. In: GOIS, S. L. L. de; PEREIRA, M. de A.; MELO, P. E. de; TAVARES, S. C. C. de H.; DRUMOND, P. M. (Ed.). Partnerships for the goals: contributions of Embrapa. Brasília, DF: Embrapa, 2021. Cap. 2. p. 21-25. (Sustainable development goal, 17). Translated by Paulo de Holanda Morais.| Tipo: Capítulo em Livro Técnico-Científico |
| Biblioteca(s): Embrapa Florestas; Embrapa Meio-Norte. |
| |
| 14. | | PEREIRA, V. da F.; SCHAITZA, E. G. Developing countries and increased exports: contexts and challenges. In: GOIS, S. L. L. de; PEREIRA, M. de A.; MELO, P. E. de; TAVARES, S. C. C. de H.; DRUMOND, P. M. (Ed.). Partnerships for the goals: contributions of Embrapa. Brasília, DF: Embrapa, 2021. (Sustainable development goal, 17). Translated by Paulo de Holanda Morais. Cap. 4. p. 41-48| Tipo: Capítulo em Livro Técnico-Científico |
| Biblioteca(s): Embrapa Florestas; Embrapa Unidades Centrais. |
| |
| 15. | | DRUMOND, P. M.; SCHAITZA, E. G. Desafios para estabelecer parcerias globais: dos biomas às pessoas. In: GOIS, S. L. L. de; PEREIRA, M. de A.; MELO, P. E. de; TAVARES, S. C. C. de H.; DRUMOND, P. M. (ed.). Parcerias e meios de implementação: contribuições da Embrapa. Brasília, DF: Embrapa, 2018. cap. 2, p. 23-28. E-book. (Objetivos de desenvolvimento sustentável, 17).| Tipo: Capítulo em Livro Técnico-Científico |
| Biblioteca(s): Embrapa Acre; Embrapa Florestas. |
| |
| 17. | | PEREIRA, V. da F.; SCHAITZA, E. G. Países em desenvolvimento e aumento de suas exportações: cenários e desafios. In: GOIS, S. L. L. de; PEREIRA, M. de A.; MELO, P. E. de; TAVARES, S. C. C. de H.; DRUMOND, P. M. (Ed.). Parcerias e meios de implementação: contribuições da Embrapa. Brasília, DF: Embrapa, 2018. E-book. (Objetivos de Desenvolvimento Sustentável, 17). Cap. 4. p. 45-52| Tipo: Capítulo em Livro Técnico-Científico |
| Biblioteca(s): Embrapa Florestas; Embrapa Unidades Centrais. |
| |
| Registros recuperados : 78 | |
|
| Expressão de busca inválida. Verifique!!! |
|
|
