Metabolite profiling coupled with statistical analyses for potential high-throughput screening of quantitative resistance to fusarium head blight in wheat
Notice bibliographique
Résumé
Fusarium head blight (FHB) [Fusarium graminearum (teleomorph Gibberella zeae)] causes considerable losses in wheat (Triticum aestivum) yield and grain quality. Because conventional screening for disease resistance based on five separate types of resistance is inefficient, a metabolomics approach to discriminating resistance was investigated. Spikelets of six wheat cultivars/lines varying in level of resistance were inoculated with F. graminearum or water. The spikelet disease severity was quantified, and the metabolic profiles were recorded using gas chromatography - mass spectrometry. A total of 214 metabolites were detected in spikelets and rachis, including 79 with acceptable treatment effects. Univariate analysis of variance identified 41 resistance-related (RR) metabolites and multivariate analysis identified 45 resistance function associated metabolites, including 28 RR metabolites. Highly resistant cultivar 'Wangshuibai' and line AW488 had the maximum numbers of constitutive (22) and induced (14) RR metabolites, respectively. A moderately resistant line, BRS177, had 12 induced RR metabolites. The RR metabolites identified here are potential candidate biomarkers for high-throughput screening of wheat breeding lines against FHB.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| 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) | 0,000 | 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 tête enseignante, 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 ».