Kauran jalostusominaisuuksiin vaikuttavien geenien paikantaminen
Notice bibliographique
Résumé
Kauran lajikejalostuksella pyritään tuottamaan entistä satoisampia ja laadukkaampialajikkeita. Bioteknisiä menetelmiä hyödyntämällä mahdollisuudet vastatarehu- ja elintarviketeollisuuden sekä viljelijöiden toivomuksiin paranevat.Kauran (Avena sativa L.) molekyyligeneettinen tutkimus on kehittynyt hitaastiverrattuna maailmanlaajuisesti tärkeämpiin viljalajeihin. Koska Suomi on kansainvälisestisuuri kaurantuottajamaa, on kilpailukykyisten lajikkeiden tuottaminentärkeää. Tässä hankkeessa kehitettiin ja sovellettiin biotekniikan menetelmiäkotimaisen kauranjalostuksen tueksi.Tutkittaviksi ominaisuuksiksi valittiin kauran sisältämä terveysvaikutteinenravintokuitu β-glukaani, rehun energia-arvon kannalta tärkeä öljypitoisuus javiime vuosina Suomeen levinnyt kauran lehtilaikkutauti. Tutkimuksessa koottiinyli kuusisataa DNA-merkkiä käsittävä geenikartta käyttäen pohjoismaista kauranristeytysjälkeläistöä, joka oli muokattu solukkoviljelyssä haploidiavaiheen avullatäysin yhtenäisiksi DH-linjoiksi. Kartan avulla paikannettiin tutkittuihin ominaisuuksiinvaikuttavia geenejä. Tutkimuksessa löydettiin muun muassa seitsemänöljypitoisuuteen, kaksi β-glukaaniin ja monta lehtilaikkutautiin vaikuttavaa kromosomialuetta.Lisäksi kartoitettiin viljelyominaisuuksiin vaikuttavia geenejä.Ominaisuuteen vaikuttavan geenin lähellä sijaitsevia DNA-merkkejä voidaankäyttää näiden ominaisuuksien merkkiavusteisessa valintajalostuksessa.Haploidijalostustekniikat ja DNA-merkkiavusteinen valintajalostus ovat tämänpäivän kauranjalostuksen ulottuvilla. Tulevaisuudessa nopeasti kehittyvät, kokogenomin tutkimuksen eli genomiikan menetelmät tarjoavat lisävälineitä kaurankinominaisuuksien periytymisen ymmärtämiseen ja jalostukseen.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,008 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».