MétaCan
Menu
Retour à la cohorte
Enregistrement W2945712785 · doi:10.3390/plants8050128

Mutation Breeding in Tomato: Advances, Applicability and Challenges

2019· review· en· W2945712785 sur OpenAlexaff
Juhi Chaudhary, Alisha Alisha, Vacha Bhatt, Sonali Chandanshive, Nirbhay Kumar, Zahoor Ahmad Mir, Ashwini Kumar, Satish Kumar Yadav, S. M. Shivaraj, Humira Sonah, Rupesh Deshmukh

Notice bibliographique

RevuePlants · 2019
Typereview
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueCRISPR and Genetic Engineering
Établissements canadiensUniversité Laval
Organismes subventionnairesnon disponible
Mots-clésMutagenesisGenome editingGenomeBiologyComputational biologyBiotechnologyInsertional mutagenesisMolecular breedingMutation breedingMutationIdentification (biology)Whole genome sequencingTraitForward geneticsGeneticsComputer scienceMutantGene

Résumé

récupéré en direct d'OpenAlex

Induced mutagenesis is one of the most effective strategies for trait improvement without altering the well-optimized genetic background of the cultivars. In this review, several currently accessible methods such as physical, chemical and insertional mutagenesis have been discussed concerning their efficient exploration for the tomato crop improvement. Similarly, challenges for the adaptation of genome-editing, a newly developed technique providing an opportunity to induce precise mutation, have been addressed. Several efforts of genome-editing have been demonstrated in tomato and other crops, exploring its effectiveness and convenience for crop improvement. Descriptive data compiled here from such efforts will be helpful for the efficient exploration of technological advances. However, uncertainty about the regulation of genome-edited crops is still a significant concern, particularly when timely trait improvement in tomato cultivars is needed. In this regard, random approaches of induced mutagenesis are still promising if efficiently explored in breeding applications. Precise identification of casual mutation is a prerequisite for the molecular understanding of the trait development as well as its utilization for the breeding program. Recent advances in sequencing techniques provide an opportunity for the precise detection of mutagenesis-induced sequence variations at a large scale in the genome. Here, we reviewed several novel next-generation sequencing based mutation mapping approaches including Mutmap, MutChromeSeq, and whole-genome sequencing-based mapping which has enormous potential to accelerate the mutation breeding in tomato. The proper utilization of the existing well-characterized tomato mutant resources combined with novel mapping approaches would inevitably lead to rapid enhancement of tomato quality and yield. This article provides an overview of the principles and applications of mutagenesis approaches in tomato and discusses the current progress and challenges involved in tomato mutagenesis research.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,043
Tête enseignante GPT0,361
Écart entre enseignants0,317 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations128
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePlantsMême sujetCRISPR and Genetic EngineeringTravaux en français237 207