MétaCan
Menu
Retour à la cohorte
Enregistrement W2476082766 · doi:10.2135/cropsci2016.01.0018

Glucosinolate Content of Camelina Genotypes as Affected by Applied Nitrogen and Sulphur

2016· article· en· W2476082766 sur OpenAlexafffund
Yunfei Jiang, Jili Li, C. D. Caldwell

Notice bibliographique

RevueCrop Science · 2016
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueGenomics, phytochemicals, and oxidative stress
Établissements canadiensUniversity of SaskatchewanDalhousie University
Organismes subventionnairesGenome Atlantic
Mots-clésCamelinaCamelina sativaGlucosinolateBiologyMealCropAgronomyCultivarBrassicaBrassicaceaeFood scienceHorticultureBotany

Résumé

récupéré en direct d'OpenAlex

Camelina [ Camelina sativa (L.) Crantz] is an alternative oil crop that has potential in aquaculture and food production. However, glucosinolates (GSs) in camelina seed and meal constrain their application in human and animal consumption. Glucosinolates are plant secondary metabolites commonly found in the Brassicaceae family. The aims of this study were to determine whether nitrogen (N) alone or in combination with sulphur (S) application affected GS concentration in camelina seeds, as well as whether different genotypes differed in GS concentrations. Our results showed that the application of 25 kg S ha −1 significantly increased GS content compared with 0 kg S ha −1 . Applied N rates were negatively correlated with the amounts of total and individual GSs when no S was applied. The low GS content with high N rates was probably due to a dilution effect of S content. Applied N rates did not affect the amounts of total and individual GSs when 25 kg S ha −1 was applied. Seed protein content was negatively correlated with the total GSs depending on growing season and genotype when no S was applied. The cultivar, Calena, had the highest amount of GSs among five genotypes. The results indicated that GSs in camelina can be manipulated by cultural management practices including N and S application.

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)0,000
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: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,350

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
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 Opus0,010
Tête enseignante GPT0,227
Écart entre enseignants0,218 · 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

Citations10
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCrop ScienceMême sujetGenomics, phytochemicals, and oxidative stressTravaux en français237 207