MétaCan
Menu
Retour à la cohorte
Enregistrement W2433025902 · doi:10.4238/2015.december.21.47

Genetic analysis of grain shape and weight after cutting rice husk

2015· article· en· W2433025902 sur OpenAlexfundno aff
Junru Fu, Lingxi Zhu, Xiaoli Sun, Donghua Zhou, Jianmin Bian, Hualiang He, Jie Xu

Notice bibliographique

RevueGenetics and Molecular Research · 2015
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueGenetic Mapping and Diversity in Plants and Animals
Établissements canadiensnon disponible
Organismes subventionnairesInternational Development Research Centre
Mots-clésHuskJaponicaJaponica riceQuantitative trait locusBiologyTraitPopulationAgronomyDoubled haploidyGrain yieldGenetic analysisHorticultureBotanyGeneGeneticsMedicine

Résumé

récupéré en direct d'OpenAlex

Grain shape and weight are the most important components of rice yield and are controlled by quantitative trait loci (QTLs). In this study, a double-haploid population, derived from the cross of japonica CJ06 and indica TN1, was used to analyze QTLs for grain shape and weight under two conditions: normal growth with unbroken husk and removing partial husk after flowering. Correlation analysis revealed that these traits, except grain weight, had a connection between the two conditions. Twenty-nine QTLs for grain shape and weight were detected on chromosomes 1 to 3; 6; 8 to 10; and 12, with the likelihood of odds value ranging from 2.38 to 5.36, including 10 different intervals. Some intervals were specifically detected after removing partial husk. The results contribute to the understanding of the genetic basis of grain filling and growth regulation, and provide us some assistance for improving grain plumpness in rice breeding.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,541
Score d'incertitude au seuil0,527

Scores Codex et Gemma par catégorie

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

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 Opus0,037
Tête enseignante GPT0,311
Écart entre enseignants0,274 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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

Citations9
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGenetics and Molecular ResearchMême sujetGenetic Mapping and Diversity in Plants and AnimalsTravaux en français237 207