Applications of Next-Generation Sequencing for Large-Scale Pathogen Diagnoses in Soybean
Notice bibliographique
Résumé
Soybean (Glycine max) has become an important crop in Manitoba, Canada, with a 10-fold increase in dedicated acreage over the past decade. Given the rapid increase in production, scarce information about foliar diseases present in the province has been recorded. In order to describe the foliar pathogens affecting this legume, we harnessed next-generation sequencing (NGS) to carry out a comprehensive survey across Manitoba in 2016. Fields were sampled during the V2/3 (33 fields) and R6 (70 fields) growth stages, with at least three symptomatic leaves per field collected and subjected to RNA sequencing. We successfully detected several bacteria, fungi, and viruses known to infect soybean, including Pseudomonas savastanoi pv. glycinea, Septoria glycines, and Peronospora manshurica, as well as pathogens not previously identified in the province (e.g., Pseudomonas syringae pv. tabaci, Cercospora sojina, and Bean yellow mosaic virus). For some microorganisms, we were able to disentangle the different pathovars present and/or assemble their genome sequence. Since NGS generates data on the entire flora and fauna occupying a leaf sample, we also identified residual pathogens (i.e., pathogens of crops other than soybean) and multiple species of arthropod pests. Finally, the sequence information produced by NGS allowed for the development of polymerase chain reaction-based diagnostics for some of the most widespread and important pathogens. Although there are many benefits of using NGS for large-scale plant pathogen diagnoses, we also discuss some of the limitations of this technology.
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 ».