Plant genetic resources for food and agriculture: opportunities and challenges emerging from the science and information technology revolution
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Contents Summary 1407 I. Introduction 1408 II. Technological advances and their utility for gene banks and breeding, and longer-term contributions to SDGs 1408 III. The challenges that must be overcome to realise emerging R&D opportunities 1410 IV. Renewed governance structures for PGR (and related big data) 1413 V. Access and benefit sharing and big data 1416 VI. Conclusion 1417 Acknowledgements 1417 ORCID 1417 References 1417 SUMMARY: Over the last decade, there has been an ongoing revolution in the exploration, manipulation and synthesis of biological systems, through the development of new technologies that generate, analyse and exploit big data. Users of Plant Genetic Resources (PGR) can potentially leverage these capacities to significantly increase the efficiency and effectiveness of their efforts to conserve, discover and utilise novel qualities in PGR, and help achieve the Sustainable Development Goals (SDGs). This review advances the discussion on these emerging opportunities and discusses how taking advantage of them will require data integration and synthesis across disciplinary, organisational and international boundaries, and the formation of multi-disciplinary, international partnerships. We explore some of the institutional and policy challenges that these efforts will face, particularly how these new technologies may influence the structure and role of research for sustainable development, ownership of resources, and access and benefit sharing. We discuss potential responses to political and institutional challenges, ranging from options for enhanced structure and governance of research discovery platforms to internationally brokered benefit-sharing agreements, and identify a set of broad principles that could guide the global community as it seeks or considers solutions.
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.
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 | 0,001 | 0,002 |
| 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 découle