Transcriptome analysis of nitrogen‐efficient rice over‐expressing alanine aminotransferase
Notice bibliographique
Résumé
Crop plants require nitrogen for key macromolecules, such as DNA, proteins and metabolites, yet they are generally inefficient at acquiring nitrogen from the soil. Crop producers compensate for this low nitrogen utilization efficiency by applying nitrogen fertilizers. However, much of this nitrogen is unavailable to the plants as a result of microbial uptake and environmental loss of nitrogen, causing air, water and soil pollution. We engineered rice over-expressing alanine aminotransferase (AlaAT) under the control of a tissue-specific promoter that showed a strong nitrogen use efficiency phenotype. In this study, we examined the transcriptome response in roots and shoots to the over-expression of AlaAT to provide insights into the nitrogen-use-efficient phenotype of these plants. Transgenic and control rice plants were grown hydroponically and the root and shoot gene expression profiles were analysed using Affymetrix Rice GeneChip microarrays. Transcriptome analysis revealed that there was little impact on the transgenic transcriptome compared with controls, with 0.11% and 0.07% differentially regulated genes in roots and shoots, respectively. The most up-regulated transcripts, a glycine-rich cell wall (GRP) gene and a gene encoding a hypothetical protein (Os8823), were expressed in roots. Another transgenic root-specific up-regulated gene was leucine rich repeat (LRR). Genes induced in the transgenic shoots included GRP, LRR, acireductone dioxygenase (OsARD), SNF2 ATP-translocase and a putative leucine zipper transcription factor. This study provides a genome-wide view of the response to AlaAT over-expression, and elucidates some of the genes that may play a role in the nitrogen-use-efficient phenotype.
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 | 0,001 |
| 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 ».