Spatio‐temporal connectivity and host resistance influence evolutionary and epidemiological dynamics of the canola pathogen <i>Leptosphaeria maculans</i>
Notice bibliographique
Résumé
Abstract Genetic, physiological and physical homogenization of agricultural landscapes creates ideal environments for plant pathogens to proliferate and rapidly evolve. Thus, a critical challenge in plant pathology and epidemiology is to design durable and effective strategies to protect cropping systems from damage caused by pathogens. Theoretical studies suggest that spatio‐temporal variation in the diversity and distribution of resistant hosts across agricultural landscapes may have strong effects on the epidemiology and evolutionary potential of crop pathogens. However, we lack empirical tests of spatio‐temporal deployment of host resistance to pathogens can be best used to manage disease epidemics and disrupt pathogen evolutionary dynamics in real‐world systems. In a field experiment, we simulated how differences in Brassica napus resistance deployment strategies and landscape connectivity influence epidemic severity and Leptosphaeria maculans pathogen population composition. Host plant resistance, spatio‐temporal connectivity [stubble loads], and genetic connectivity of the inoculum source [composition of canola stubble mixtures] jointly impacted epidemiology (disease severity) and pathogen evolution (population composition). Changes in population composition were consistent with directional selection for the ability to infect the host (infectivity), leading to changes in pathotype (multilocus phenotypes) and infectivity frequencies. We repeatedly observed decreases in the frequency of unnecessary infectivity, suggesting that carrying multiple infectivity genes is costly for the pathogen. From an applied perspective, our results indicate that varying resistance genes in space and time can be used to help control disease, even when resistance has already been overcome. Furthermore, our approach extends our ability to test not only for the efficacy of host varieties in a given year, but also for durability over multiple cropping seasons, given variation in the combination of resistance genes deployed.
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 | 0,001 | 0,001 |
| 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 ».