Optimized Nuclear Pellet Method for Extracting Next-Generation Sequencing Quality Genomic DNA from Fresh Leaf Tissue
Notice bibliographique
Résumé
Next-generation sequencing (NGS) is a revolutionary advancement allowing large-scale discovery of functional molecular markers that has many applications, including plant breeding. High-quality genomic DNA (gDNA) is a prerequisite for successful NGS library preparation and sequencing; however, few reliable protocols to obtain such plant gDNA exist. A previously reported nuclear pellet (NP) method enables extraction of high-yielding gDNA from fresh leaf tissue of maize (Zea mays L.), but the quality does not meet the stringent requirements of NGS. In this study, we optimized the NP method for whole-genome sequencing of rice (Oryza sativa L.) through the integration of simple purification steps. The optimized NP method relied on initial nucleus enrichment, cell lysis, extraction, and subsequent gDNA purification buffers. The purification steps used proteinase K, RNase A, phenol/chloroform/isoamyl alcohol (25:24:1), and chloroform/isoamyl alcohol (24:1) treatments for protein digestion and RNA, protein, and phenol removal, respectively. Our data suggest that this optimized NP method allowed extraction of consistently high-yielding and high-quality undegraded gDNA without contamination by protein and RNA. Moreover, the extracted gDNA fulfilled the quality metrics of NGS library preparation for the Illumina HiSeq X Ten platform by the TruSeq DNA PCR-Free Library Prep Kit (Illumina). We provide a reliable step-by-step guide to the extraction of high-quality gDNA from fresh leaf tissues of rice for molecular biologists with limited resources.
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) | 0,000 | 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 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 ».