Functional Variation of Plant–Pathogen Interactions: New Concept and Methods for Virulence Data Analyses
Notice bibliographique
Résumé
Classical virulence analysis is based on discovering virulence phenotypes of isolates with regard to a composition of resistance genes in a differential set of host genotypes. With such a vision, virulence phenotypes are usually treated in a genetic manner as one of two possible alleles, either virulence or avirulence in a binary locus. Therefore, population genetics metrics and methods have become prevailing tools for analyzing virulence data at multiple loci. However, a basis for resolving binary virulence phenotypes is infection type (IT) data of host-pathogen interaction that express functional traits of each specific isolate in a given situation (particular host, environmental conditions, cultivation practice, and so on). IT is determined by symptoms and signs observed (e.g., lesion type, lesion size, coverage of leaf or leaf segments by mycelium, spore production and so on), and assessed by IT scores at a generally accepted scale for each plant-pathogen system. Thus, multiple IT profiles of isolates are obtained and can be subjected to analysis of functional variation within and among operational units of a pathogen. Such an approach may allow better utilization of the information available in the raw data, and reveal a functional (e.g., environmental) component of pathogen variation in addition to the genetic one. New methods for measuring functional variation of plant-pathogen interaction with IT data were developed. The methods need an appropriate assessment scale and expert estimations of dissimilarity between IT scores for each plant-pathogen system (an example is presented). Analyses of a few data sets at different hierarchical levels demonstrated discrepancies in results obtained with IT phenotypes versus binary virulence phenotypes. The ability to measure functional IT-based variation offers promise as an effective tool in the study of epidemics caused by plant pathogens.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,016 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,012 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».