Videos de Conceptos Relacionados
Plant Breeding and Biotechnology
Light Acquisition
Evolutionary Relationships through Genome Comparisons
Background and Environment Affect Phenotype
An example of how genetic background affects phenotype can be seen in horses. The Extension gene in horses is responsible for their coat color. A wild-type gene (EE) produces black pigment in the coat, while a mutant gene (ee) produces red pigment. A...
Survival Tree
Building a Survival Tree
Constructing a...
Adaptations that Reduce Water Loss
También podría leer
Artículos Relacionados
Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.
Anode Compatibility of Halide Solid-State Electrolytes.
Thin-Film Engineering of Artificial Interphases for Lithium Batteries.
Carbon dots derived from <i>Sanguisorbae Radix</i> mitigate intestinal injury after severe burns: mechanisms involving barrier enhancement and oxidative stress amelioration.
Reactive and Adaptive Interphase Engineering for Regulating Interfacial Li<sup>+</sup> Transport in Li<sub>2</sub>OHCl Antiperovskite Solid-State Batteries.
Discovering putative novel stem rust resistance loci in wheat genetic resources.
Unraveling Bridging-Oxygen-Driven Ultrafast Amorphization in Superionic Oxyhalide Conductors via in Situ Synchrotron X-Ray Scattering.
Integrated lipidomic and transcriptomic profiling of the host response in human malaria.
Centromeric satellite expansion drives genome evolution in the snowy owl.
Mapping the landscape of allele-specific expression in porcine genomes.
Genomic sequence evolution underlying human neocortical interareal diversification.
Regulatory mechanisms driven by functional 3'-UTR variants in alcohol use disorder and related traits.
Video Experimental Relacionado
Updated: Jan 13, 2026

A Telemetric, Gravimetric Platform for Real-Time Physiological Phenotyping of Plant–Environment Interactions
Published on: August 5, 2020
Predicción de variedades adaptadas al entorno con big data
Abhishek Gogna1, Bahareh Kamali2, Valentin Wimmer3
1Leibniz Institute of Plant Genetics and Crop Plant Research, Corrensstraße, Gatersleben, 306466, Germany.
Los modelos de predicción genómica ahora pueden seleccionar variedades de trigo de invierno de alto rendimiento para entornos específicos. El aprendizaje automático y el aprendizaje profundo mejoran las predicciones, acelerando el progreso de la mejora para los agricultores.
Área de la Ciencia:
- Ciencia Agrícola
- Genética
- Mejora de Cultivos
Sus antecedentes:
- Los programas de mejora tradicionales se centran en el rendimiento promedio del genotipo, lo que puede pasar por alto adaptaciones específicas del entorno.
- La selección de genotipos para entornos específicos es crucial para optimizar los rendimientos de los cultivos.
Objetivo del estudio:
- Desarrollar un marco de predicción genómica para seleccionar genotipos de trigo de invierno de alto rendimiento adaptados a entornos individuales.
- Mejorar la predicción del rendimiento específico del genotipo teniendo en cuenta las interacciones genotipo-entorno.
Principales métodos:
- Se compilaron datos extensos de rendimiento de grano de trigo de invierno de 13 285 genotipos en 31 sitios de Europa Central (2010-2022).
- Se utilizaron redes neuronales convolucionales (CNN) y la predicción lineal insesgada genómica tradicional (GBLUP) para predecir el rendimiento del genotipo.
- Se incorporaron datos ambientales para modelar las interacciones genotipo-entorno (G×E) utilizando aprendizaje automático.
Principales resultados:
- Las CNN demostraron un rendimiento competitivo o superior en comparación con GBLUP para predecir el rendimiento promedio del genotipo a medida que aumentaba el tamaño de los datos de entrenamiento.
- Se observó una mejora del 23% en la predicción del rendimiento de híbridos específicos del entorno utilizando modelos GBLUP con interacciones G×E.
- Se identificaron variables ambientales clave que impulsan las interacciones G×E y la agrupación de genotipos en los sitios de estudio de Europa Central.
Conclusiones:
- El big data, el aprendizaje automático y el aprendizaje profundo ofrecen enfoques novedosos para superar los cuellos de botella genéticos en la mejora de cultivos.
- Estos métodos avanzados facilitan el desarrollo y la entrega más rápidos de variedades de cultivos mejoradas a los agricultores.

