Analysis of Genome-Wide Association Studies for Wheat Data
Environmental variation across years and locations affects wheat yield in multi-environment trials. We analyzed 199 spring wheat lines (2016–2019, two Saskatchewan locations) with genome-wide single nucleotide polymorphism (SNP) markers to identify yield-related genetic markers and evaluate prediction methods.
We used significant SNPs from genome-wide association studies to perform genomic prediction with all markers. These studies accounted for population structure and kinship to detect significant grain yield marker-trait associations on the wheat genome. We compared all markers alone versus all markers plus these SNPs in models such as ridge regression best linear unbiased prediction, genomic best linear unbiased prediction, Bayesian Lasso, Elastic Net, Random Forest, extreme gradient boosting, and deep learning. Accuracy was evaluated by repeated 5-fold cross-validation.
This combines marker detection and model comparison for insights into yield genetics in variable environments.
We used significant SNPs from genome-wide association studies to perform genomic prediction with all markers. These studies accounted for population structure and kinship to detect significant grain yield marker-trait associations on the wheat genome. We compared all markers alone versus all markers plus these SNPs in models such as ridge regression best linear unbiased prediction, genomic best linear unbiased prediction, Bayesian Lasso, Elastic Net, Random Forest, extreme gradient boosting, and deep learning. Accuracy was evaluated by repeated 5-fold cross-validation.
This combines marker detection and model comparison for insights into yield genetics in variable environments.
Analyse des études d'association pangénomique pour des données sur le blé
Les variations environnementales d'une année à l'autre et d'un endroit à l'autre ont une incidence sur le rendement du blé dans les essais multi-environnements. Nous avons analysé 199 lignées de blé de printemps (2016-2019, deux sites en Saskatchewan) à l'aide de marqueurs de polymorphisme nucléotidique simple (SNP) à l'échelle du génome afin d'identifier les marqueurs génétiques liés au rendement et d'évaluer les méthodes de prédiction.
Nous avons utilisé des SNP significatifs issus d'études d'association pangénomique pour effectuer une prédiction génomique avec tous les marqueurs. Ces études ont pris en compte la structure de la population et la parenté pour détecter des associations significatives entre les marqueurs et les traits de rendement du grain sur le génome du blé. Nous avons comparé tous les marqueurs seuls à tous les marqueurs plus ces SNP dans des modèles tels que la régression ridge, la meilleure prédiction linéaire non biaisée, la meilleure prédiction linéaire non biaisée génomique, le Lasso bayésien, l'Elastic Net, la forêt aléatoire, le gradient boosting extrême et l'apprentissage profond. La précision a été évaluée par une validation croisée répétée en 5 étapes.
Cette méthode combine la détection de marqueurs et la comparaison de modèles pour obtenir des informations sur la génétique du rendement dans des environnements variables.
Nous avons utilisé des SNP significatifs issus d'études d'association pangénomique pour effectuer une prédiction génomique avec tous les marqueurs. Ces études ont pris en compte la structure de la population et la parenté pour détecter des associations significatives entre les marqueurs et les traits de rendement du grain sur le génome du blé. Nous avons comparé tous les marqueurs seuls à tous les marqueurs plus ces SNP dans des modèles tels que la régression ridge, la meilleure prédiction linéaire non biaisée, la meilleure prédiction linéaire non biaisée génomique, le Lasso bayésien, l'Elastic Net, la forêt aléatoire, le gradient boosting extrême et l'apprentissage profond. La précision a été évaluée par une validation croisée répétée en 5 étapes.
Cette méthode combine la détection de marqueurs et la comparaison de modèles pour obtenir des informations sur la génétique du rendement dans des environnements variables.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais