Current and Future Transgenic Whole-Cell Biosensors for Plant Macro- and Micronutrients
Notice bibliographique
Résumé
From the soil, plants take up macronutrients (calcium, magnesium, nitrogen, phosphorus, potassium, sulfur) and micronutrients (boron, chloride, cobalt, copper, iron, manganese, molybdenum, nickel, selenium, and zinc). In acidic soils, aluminum can interfere with nutrient uptake. There is a need for improved diagnostic tests for these soil-derived minerals that are inexpensive and sensitive, provide spatial and temporal information in plants and soil, and report bioavailable nutrient pools. A transgenic whole-cell biosensor detects a stimulus inside or outside a cell and causes a change in expression of a visible reporter such as green fluorescent protein, and thus can convert an invisible plant nutrient into a visible signal. Common transgenic whole-cell biosensors consist of promoter-reporter fusions, auxotrophs for target analytes that are transformed with constitutively expressed reporters, riboswitches and reporters based on Forster Resonance Energy Transfer (FRET). Here, we review transgenic plant biosensors that have been used to detect macronutrients and micronutrients. As plant-based biosensors are limited by the requirement to introduce and optimize a transgene in every genotype of interest, we also review microbial biosensor cells that have been used to measure plant or soil nutrients by co-inoculation with their respective extracts. Additionally, we review published transgenic whole-cell biosensors from other disciplines that have the potential to measure plant nutrients, with the goal of stimulating the development of these diagnostic technologies. We discuss current limitations and future improvements needed, and the long-term potential of transgenic whole-cell biosensors to inform plant physiology, improve soil nutrient management, and assist in breeding crops with improved nutrient use efficiency.
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 ».