Aplicación de GWAS mediado por SVR para la identificación de regiones genéticas duraderas asociadas con rasgos de calidad de semillas de soja
Autores: Yoosefzadeh-Najafabadi, Mohsen; Torabi, Sepideh; Tulpan, Dan; Rajcan, Istvan; Eskandari, Milad
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Aplicación de GWAS mediado por SVR para la identificación de regiones genéticas duraderas asociadas con rasgos de calidad de semillas de soja
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Botánica
Palabras clave
Soja
Proteína
Aceite
QTL
GWAS
Aprendizaje automático
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 8
Citaciones: Sin citaciones
La soja (L.) es un cultivo estratégico de grado alimenticio importante en todo el mundo debido a su alto contenido de proteínas y aceites en las semillas. Debido a la correlación negativa entre el porcentaje de proteínas y aceites en las semillas, existe una necesidad urgente de detectar loci de rasgos cuantitativos (QTL) confiables que subyacen a estos rasgos para ser utilizados en programas de selección asistida por marcadores (MAS). El estudio de asociación del genoma completo (GWAS) es uno de los enfoques genéticos más comunes que se utiliza regularmente para detectar QTL asociados con rasgos cuantitativos. Sin embargo, los enfoques actuales se centran principalmente en estimar los efectos principales de los QTL, y, por lo tanto, se requiere una mejora estadística sustancial en el GWAS para detectar QTL asociados considerando sus interacciones con otros QTL también. Este estudio tuvo como objetivo comparar el algoritmo de regresión de vectores de soporte (SVR) como un método común de aprendizaje automático con la unificación de probabilidad de modelo fijo y aleatorio (FarmCPU), un método convencional común de GWAS para detectar QTL relevantes asociados con rasgos de calidad de semillas de soja, como proteínas, aceites y peso de 100 semillas utilizando 227 genotipos de soja. Los resultados mostraron una correlación negativa significativa entre las concentraciones de proteínas y aceites en las semillas de soja, con valores de heredabilidad de 0.69 y 0.67, respectivamente. Además, el GWAS mediado por SVR pudo identificar más QTL relevantes subyacentes a los rasgos objetivo que el método FarmCPU. Nuestros hallazgos demuestran el uso potencial de algoritmos de aprendizaje automático en GWAS para detectar QTL duraderos asociados con rasgos de calidad de semillas de soja adecuados para enfoques de cría basados en genómica. Este estudio proporciona nuevas perspectivas para mejorar la precisión y eficiencia del GWAS y destaca la importancia de utilizar métodos computacionales avanzados en la investigación de la cría de cultivos.
Descripción
La soja (L.) es un cultivo estratégico de grado alimenticio importante en todo el mundo debido a su alto contenido de proteínas y aceites en las semillas. Debido a la correlación negativa entre el porcentaje de proteínas y aceites en las semillas, existe una necesidad urgente de detectar loci de rasgos cuantitativos (QTL) confiables que subyacen a estos rasgos para ser utilizados en programas de selección asistida por marcadores (MAS). El estudio de asociación del genoma completo (GWAS) es uno de los enfoques genéticos más comunes que se utiliza regularmente para detectar QTL asociados con rasgos cuantitativos. Sin embargo, los enfoques actuales se centran principalmente en estimar los efectos principales de los QTL, y, por lo tanto, se requiere una mejora estadística sustancial en el GWAS para detectar QTL asociados considerando sus interacciones con otros QTL también. Este estudio tuvo como objetivo comparar el algoritmo de regresión de vectores de soporte (SVR) como un método común de aprendizaje automático con la unificación de probabilidad de modelo fijo y aleatorio (FarmCPU), un método convencional común de GWAS para detectar QTL relevantes asociados con rasgos de calidad de semillas de soja, como proteínas, aceites y peso de 100 semillas utilizando 227 genotipos de soja. Los resultados mostraron una correlación negativa significativa entre las concentraciones de proteínas y aceites en las semillas de soja, con valores de heredabilidad de 0.69 y 0.67, respectivamente. Además, el GWAS mediado por SVR pudo identificar más QTL relevantes subyacentes a los rasgos objetivo que el método FarmCPU. Nuestros hallazgos demuestran el uso potencial de algoritmos de aprendizaje automático en GWAS para detectar QTL duraderos asociados con rasgos de calidad de semillas de soja adecuados para enfoques de cría basados en genómica. Este estudio proporciona nuevas perspectivas para mejorar la precisión y eficiencia del GWAS y destaca la importancia de utilizar métodos computacionales avanzados en la investigación de la cría de cultivos.