Mapping of Quantitative Trait Loci Underlying Cold Tolerance in Rice Seedlings via High-Throughput Sequencing of Pooled Extremes
Notice bibliographique
Résumé
Low temperature is a major limiting factor in rice growth and development. Mapping of quantitative trait loci (QTLs) controlling cold tolerance is important for rice breeding. Recent studies have suggested that bulked segregant analysis (BSA) combined with next-generation sequencing (NGS) can be an efficient and cost-effective way for QTL mapping. In this study, we employed NGS-assisted BSA to map QTLs conferring cold tolerance at the seedling stage in rice. By deep sequencing of a pair of large DNA pools acquired from a very large F3 population (10,800 individuals), we obtained ∼450,000 single nucleotide polymorphisms (SNPs) after strict screening. We employed two statistical methods for QTL analysis based on these SNPs, which yielded consistent results. Six QTLs were mapped on chromosomes 1, 2, 5, 8 and 10. The three most significant QTLs on chromosomes 1, 2 and 8 were validated by comparison with previous studies. Two QTLs on chromosomes 2 and 5 were also identified previously, but at the booting stage rather than the seedling stage, suggesting that some QTLs may function at different developmental stages, which would be useful for cold tolerance breeding in rice. Compared with previously reported QTL mapping studies for cold tolerance in rice based on the traditional approaches, the results of this study demonstrated the advantages of NGS-assisted BSA in both efficiency and statistical power.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».