MétaCan
Menu
Retour à la cohorte
Enregistrement W2072958689 · doi:10.7202/706069ar

Populations genetics and the evolution of herbicide resistance in weeds

2005· article· en· W2072958689 sur OpenAlexaffvenue
Marie Jasieniuk, Bruce D. Maxwell

Notice bibliographique

RevuePhytoprotection · 2005
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueWeed Control and Herbicide Applications
Établissements canadiensUniversité de MontréalUniversity of Manitoba
Organismes subventionnairesnon disponible
Mots-clésBiologyGene flowMutation rateWeedPopulationGeneticsResistance (ecology)AlleleHerbicide resistanceMutationSelection (genetic algorithm)Mating systemPopulation geneticsGeneEvolutionary biologyGenetic variationMatingEcology

Résumé

récupéré en direct d'OpenAlex

Numerous factors, including mutation, selection, inheritance, mating System, and gene flow are important in the evolution of herbicide resistance in weeds. Spontaneous gene mutation is believed to be the main source of genetic variation for resistance evolution in a geographic region in which resistance has not been detected previously. Despite mutation frequencies that are probably very low, the probability of occurrence of at least a single resistant mutant in a susceptible population may be high for weed species with high fecundities and large population sizes. Subsequent repeated treatments with herbicides having the same mode of action could lead to the rapid evolution of predominantly resistant populations. Rare dominantly inherited resistance mutations spread significantly more rapidly than recessive mutations in random mating populations, but at roughly the same rate in highly self-fertilizing species. Gene flow, through the movement of pollen or seed from resistant weed populations, may provide a source of resistance alleles to adjacent or nearby susceptible fields. Mathematical models indicate that the strength of selection imposed by a herbicide and the initial frequency of the resistant phenotype most strongly influence the rate of resistance evolution. The models predict that the most effective strategies to manage resistance are to reduce the intensity of selection by herbicide and to limit the migration of herbicide-resistant seed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,016
Tête enseignante GPT0,223
Écart entre enseignants0,207 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations66
Publié2005
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePhytoprotectionMême sujetWeed Control and Herbicide ApplicationsTravaux en français237 207