Integration of Transcriptome, Proteome, and Metabolome Provides Insights into How Calcium Enhances the Mechanical Strength of Herbaceous Peony Inflorescence Stems
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
Weak stem mechanical strength severely restrains cut flowers quality and stem weakness can be alleviated by calcium (Ca) treatment, but the mechanisms underlying Ca-mediated enhancement of stem mechanical strength remain largely unknown. In this study, we performed a comparative transcriptomic, proteomic, and metabolomic analysis of herbaceous peony (Paeonia lactiflora Pall.) inflorescence stems treated with nanometer Ca carbonate (Nano-CaCO3). In total, 2643 differentially expressed genes (DEGs) and 892 differentially expressed proteins (DEPs) were detected between the Control and nano-CaCO3 treatment. Among the 892 DEPs, 152 were coregulated at both the proteomic and transcriptomic levels, and 24 DEPs related to the secondary cell wall were involved in signal transduction, energy metabolism, carbohydrate metabolism and lignin biosynthesis, most of which were upregulated after nano-CaCO3 treatment during the development of inflorescence stems. Among these four pathways, numerous differentially expressed metabolites (DEMs) related to lignin biosynthesis were identified. Furthermore, structural observations revealed the thickening of the sclerenchyma cell walls, and the main wall constitutive component lignin accumulated significantly in response to nano-CaCO3 treatment, thereby indicating that Ca can enhance the mechanical strength of the inflorescence stems by increasing the lignin accumulation. These results provided insights into how Ca treatment enhances the mechanical strength of inflorescence stems in P. lactiflora.
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 | 0,000 | 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 découle