Combined small RNA and degradome sequencing reveals novel miRNAs and their targets in response to low nitrate availability in maize
Notice bibliographique
Résumé
BACKGROUND AND AIMS: MicroRNAs (miRNAs) play an important role in the responses and adaptation of plants to many stresses including low nitrogen (LN). Characterizing relevant miRNAs will improve our understanding of nitrogen (N) use efficiency and LN tolerance and thus contribute to sustainable maize production. The objective of this study was to identify novel and known miRNAs and their targets involved in the response and adaptation of maize (Zea mays) to LN stress. METHODS: MiRNAs and their targets were identified by combined analysis of deep sequencing of small RNA and degradome libraries. The identity of target genes was confirmed by gene-specific RNA ligase-mediated rapid amplification of 5' cDNA ends (RLM-RACE) and by quantitative expression analysis. KEY RESULTS: Over 150 million raw reads of small RNA and degradome sequence data were generated. A total of 46 unique mature miRNA sequences belonging to 23 maize miRNA families were sequenced. Eighty-five potentially new miRNAs were identified, with corresponding miRNA* also identified for 65 of them. Twenty-five new miRNAs showed >2-fold relative change in response to LN. In addition to known miR169 species, two novel putative miR169 species were identified. Deep sequencing of miRNAs and the degradome, and RLM-RACE and quantitative polymerase chain reaction (PCR) analyses of their targets showed that miRC10- and miRC68-mediated target cleavage may play a major role among miR169 families in the adaptation to LN by maize seedlings. CONCLUSIONS: Small RNA and degradome sequencing combined with quantitative reverse transcription-PCR and RLM-RACE verification enabled the efficient identification of miRNAs and their target genes. The generated data sets and the two novel miR169 species that were identified will contribute to our understanding of the physiological basis of adaptation to LN stress in maize plants.
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) | 0,000 | 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 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 ».