为明确青海蚕豆育成品种、高代品系和骨干亲本的群体结构与亲缘关系,本研究利用46对多态性和稳定性好、重复性高的SSR引物对36个青海蚕豆主栽品种(品系)进行群体遗传学分析并构建了指纹图谱。结果表明,通过毛细管电泳检测,在46对引物中...为明确青海蚕豆育成品种、高代品系和骨干亲本的群体结构与亲缘关系,本研究利用46对多态性和稳定性好、重复性高的SSR引物对36个青海蚕豆主栽品种(品系)进行群体遗传学分析并构建了指纹图谱。结果表明,通过毛细管电泳检测,在46对引物中检测到262个等位位点,各引物检测的多态性等位位点数(Na)为2~15,平均等位位点数为5.696个,平均每个位点检测到的有效等位基因数为2.988个,范围为1.180~9.257;Shannon指数的变化范围为0.287~2.444,均值为1.210;多态性信息含量(polymorphism information content, PIC)值变化范围为0.141~0.883,均值为0.553,揭示了青海蚕豆品种丰富的遗传多样性。系统聚类将36份材料划分为4个亚群,第Ⅰ、Ⅱ、Ⅲ、Ⅳ亚群分别包括24、4、7、1份材料;群体结构与主坐标分析将材料划分为2个亚群,亚群Ⅰ和亚群Ⅱ分别包括17和19份材料,与聚类分类结果有一定程度的交叉重合,厘清了青海蚕豆主栽品种的群体遗传结构与亲缘关系。在此基础上,筛选出4对核心引物,构建了36份材料的指纹图谱,并将相关信息储存在二维码中。青海蚕豆主栽品种指纹图谱的构建不仅为青海蚕豆品种鉴定提供了有效工具,也为今后青海蚕豆品种亲本选配和新品种权保护提供了技术支撑。展开更多
标记分布学习(label distribution learning,LDL)是一种用于解决标记多义性的新颖学习范式。现有的LDL方法大多基于完整数据信息进行设计,然而由于高昂的标注成本以及标注人员水平的局限性,很难获取到完整标注数据信息,且会导致传统LDL...标记分布学习(label distribution learning,LDL)是一种用于解决标记多义性的新颖学习范式。现有的LDL方法大多基于完整数据信息进行设计,然而由于高昂的标注成本以及标注人员水平的局限性,很难获取到完整标注数据信息,且会导致传统LDL算法性能的下降。为此,本文提出了一种新型的结合局部序标记关系的弱监督标记分布学习算法,通过维持尚未缺失标记之间的相对关系,并利用标记相关性来恢复缺失的标记,在数据标注不完整的情况下提升算法性能。在14个数据集上进行了大量的实验来验证算法的有效性。展开更多
文摘为明确青海蚕豆育成品种、高代品系和骨干亲本的群体结构与亲缘关系,本研究利用46对多态性和稳定性好、重复性高的SSR引物对36个青海蚕豆主栽品种(品系)进行群体遗传学分析并构建了指纹图谱。结果表明,通过毛细管电泳检测,在46对引物中检测到262个等位位点,各引物检测的多态性等位位点数(Na)为2~15,平均等位位点数为5.696个,平均每个位点检测到的有效等位基因数为2.988个,范围为1.180~9.257;Shannon指数的变化范围为0.287~2.444,均值为1.210;多态性信息含量(polymorphism information content, PIC)值变化范围为0.141~0.883,均值为0.553,揭示了青海蚕豆品种丰富的遗传多样性。系统聚类将36份材料划分为4个亚群,第Ⅰ、Ⅱ、Ⅲ、Ⅳ亚群分别包括24、4、7、1份材料;群体结构与主坐标分析将材料划分为2个亚群,亚群Ⅰ和亚群Ⅱ分别包括17和19份材料,与聚类分类结果有一定程度的交叉重合,厘清了青海蚕豆主栽品种的群体遗传结构与亲缘关系。在此基础上,筛选出4对核心引物,构建了36份材料的指纹图谱,并将相关信息储存在二维码中。青海蚕豆主栽品种指纹图谱的构建不仅为青海蚕豆品种鉴定提供了有效工具,也为今后青海蚕豆品种亲本选配和新品种权保护提供了技术支撑。
文摘标记分布学习(label distribution learning,LDL)是一种用于解决标记多义性的新颖学习范式。现有的LDL方法大多基于完整数据信息进行设计,然而由于高昂的标注成本以及标注人员水平的局限性,很难获取到完整标注数据信息,且会导致传统LDL算法性能的下降。为此,本文提出了一种新型的结合局部序标记关系的弱监督标记分布学习算法,通过维持尚未缺失标记之间的相对关系,并利用标记相关性来恢复缺失的标记,在数据标注不完整的情况下提升算法性能。在14个数据集上进行了大量的实验来验证算法的有效性。