Genetic and genomic resources for Rubus breeding: a roadmap for the future
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Rubus fruits are high-value crops that are sought after by consumers for their flavor, visual appeal, and health benefits. To meet this demand, production of red and black raspberries ( R. idaeus L. and R. occidentalis L.), blackberries ( R . subgenus Rubus ), and hybrids, such as Boysenberry and marionberry, is growing worldwide. Rubus breeding programmes are continually striving to improve flavor, texture, machine harvestability, and yield, provide pest and disease resistance, improve storage and processing properties, and optimize fruits and plants for different production and harvest systems. Breeders face numerous challenges, such as polyploidy, the lack of genetic diversity in many of the elite cultivars, and until recently, the relative shortage of genetic and genomic resources available for Rubus . This review will highlight the development of continually improving genetic maps, the identification of Quantitative Trait Loci (QTL)s controlling key traits, draft genomes for red and black raspberry, and efforts to improve gene models. The development of genetic maps and markers, the molecular characterization of wild species and germplasm, and high-throughput genotyping platforms will expedite breeding of improved cultivars. Fully sequenced genomes and accurate gene models facilitate identification of genes underlying traits of interest and enable gene editing technologies such as CRISPR/Cas9.
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.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 découle