Transcriptomic Responses of the Softwood-Degrading White-Rot Fungus Phanerochaete carnosa during Growth on Coniferous and Deciduous Wood
Notice bibliographique
Résumé
To identify enzymes that could be developed to reduce the recalcitrance of softwood resources, the transcriptomes of the softwood-degrading white-rot fungus Phanerochaete carnosa were evaluated after growth on lodgepole pine, white spruce, balsam fir, and sugar maple and compared to the transcriptome of P. carnosa after growth on liquid nutrient medium. One hundred fifty-two million paired-end reads were obtained, and 63% of these reads were mapped to 10,257 gene models from P. carnosa. Five-hundred thirty-three of these genes had transcripts that were at least four times more abundant during growth on at least one wood medium than on nutrient medium. The 30 transcripts that were on average over 100 times more abundant during growth on wood than on nutrient medium included 6 manganese peroxidases, 5 cellulases, 2 hemicellulases, a lignin peroxidase, glyoxal oxidase, and a P450 monooxygenase. Notably, among the genes encoding putative cellulases, one encoding a glycosyl hydrolase family 61 protein had the highest relative transcript abundance during growth on wood. Overall, transcripts predicted to encode lignin-degrading activities were more abundant than those predicted to encode carbohydrate-active enzymes. Transcripts predicted to encode three MnPs represented the most highly abundant transcripts in wood-grown cultivations compared to nutrient medium cultivations. Gene set enrichment analyses did not distinguish transcriptomes resulting from softwood and hardwood cultivations, suggesting that similar sets of enzyme activities are elicited by P. carnosa grown on different wood substrates, albeit to different expression levels.
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 ».