Identification and Characterization of Pestalotioid Fungi Causing Leaf Spots on Mango in Southern China
Notice bibliographique
Résumé
Mango is an economically important fruit crop in southern China. However, leaf spots restrict the development of mango trees, reducing the yield and production. Pestalotioid fungi are one of the major agents causing leaf spots on mango. During 2016 and 2017, 21 isolates of pestalotioid fungi associated with leaf spots on mango leaves were collected from five provinces in southern China: Guangxi, Hainan, Yunnan, Guangdong, and Fujian. All 21 isolates were subjected to morphological characterization and DNA sequence analysis. The morphological data were combined with analyses of concatenated sequences of the ITS (internal transcribed spacer), TEF 1-α (translation elongation factor), and TUB2 (β-tubulin) for higher resolution of the species identity of these isolates. The results showed that these isolates belong to Neopestalotiopsis clavispora, Pestalotiopsis adusta, P. anacardiacearum, P. asiatica, P. photinicola, P. saprophyta, P. trachicarpicola, and Pseudopestalotiopsis ampullacea. Pathogenicity test results showed that all these species could cause symptoms. On detached mango leaves (cv. Tainong), early foliar symptoms on leaves were small yellow-to-brown lesions. Later, these spots expanded with uneven borders, turned white to gray, and coalesced to form larger gray patches. To our knowledge, this is the first description of N. clavispora, P. adusta, P. asiatica, P. photinicola, P. saprophyta, P. trachicarpicola, or Ps. ampullacea as causal agents for leaf spots on mango worldwide.
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 | 0,000 | 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 ».