Cannabinoid Inheritance Relies on Complex Genetic Architecture
Notice bibliographique
Résumé
Introduction: Understanding the inheritance of cannabinoid compounds in Cannabis sativa will facilitate effective crop breeding and careful regulation of controlled substances. The production of two key cannabinoids, Δ-9-tetrahydrocannabinol (THC) and cannabidiol (CBD), is partially controlled by two additive loci. Here, we present the first study to search for evidence of alternate genetic models describing the inheritance and expression of cannabinoids. Materials and Methods: Using an information-theoretic approach, we estimated composite genetic effects (CGEs) of four cultivars with pure CBD or pure THC chemotypes, their F 1 and F 2 hybrid progeny, to identify genetic models that explain cannabinoid inheritance patterns. We also estimated the effective number of genetic factors that control differences in cannabinoid concentration (THC, CBD, and cannabichromene [CBC]). Results: Unlike previous research, we note nonadditive components of cannabinoid inheritance. Concentration of THC is a polygenic trait (three to four genetic factors). Both additive and dominance CGEs best explained THC expression patterns. In contrast, cytoplasmic genomes and additive genes may influence CBD concentration. Maternal additive effects and additive genetic effects apparently influence CBC expression. Conclusions: Cannabinoid inheritance is more complex than previously appreciated; among other genetic effects, cytogenetic and maternal contributions may be undervalued influences on cannabinoid ratios and concentrations. Further research on the environmental sensitivity of cannabinoid production is advised.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».