Differentially penalized regression to predict agronomic traits from metabolites and markers in wheat.
Differentially penalized regression to predict agronomic traits from metabolites and markers in wheat.
复制标题
DOI：
10.1186/s12863-015-0169-0
复制
发表时间：
2015-02-26
期刊：
影响因子：
2.9
通讯作者：
Mackay I
中科院分区：
文献类型：
--
作者：
Ward J;Rakszegi M;Bedő Z;Shewry PR;Mackay I
农艺性状的基因组预测作为植物育种计划中的选择目标越来越普遍。所采用的方法也可以应用于从其他来源的协变量（如代谢组学）预测性状。然而，组合协变量集的预测可能不如使用最好的个体集准确。我们描述了一种方法，称为差分惩罚回归（DiPR），它使用标准的岭回归软件，联合收割机组的协变量，同时应用独立的罚款。在小麦品种的数据集中，平均而言，通过种子代谢物比通过遗传标记更好地预测田间性状，但使用这两组预测因子的DiPR是最好的。DiPR是一种简单易行的方法，当预测因子多于观测值且每组对准确度的贡献不同时，使用现有软件将多组协变量联合收割机组合在性状预测中。
Genomic prediction of agronomic traits as targets for selection in plant breeding programmes is increasingly common. The methods employed can also be applied to predict traits from other sources of covariates, such as metabolomics. However, prediction combining sets of covariates can be less accurate than using the best of the individual sets. We describe a method, termed Differentially Penalized Regression (DiPR), which uses standard ridge regression software to combine sets of covariates while applying independent penalties to each. In a dataset of wheat varieties, field traits are better predicted, on average, by seed metabolites than by genetic markers, but DiPR using both sets of predictors is best. DiPR is a simple and accessible method of using existing software to combine multiple sets of covariates in trait prediction when there are more predictors than observations and the contribution to accuracy from each set differs.
登录
查看更多内容
影响因子：
6.1
作者：
Corol, Delia-Irina;Ravel, Catherine;Ward, Jane L.
通讯作者：
Ward, Jane L.
影响因子：
2.5
作者：
HOERL, AE;KENNARD, RW
通讯作者：
KENNARD, RW
DOI：
10.1533/9780857098818.2.148
发表时间：
2013-01-01
期刊：
METABOLOMICS IN FOOD AND NUTRITION
影响因子：
--
作者：
Frank, T.;Engel, K-H.
通讯作者：
Engel, K-H.
影响因子：
6.1
作者：
Shewry, Peter R.;Piironen, Vieno;Ward, Jane L.
通讯作者：
Ward, Jane L.
影响因子：
7
作者：
Speed D;Balding DJ
通讯作者：
Balding DJ