Genome-scale mining of root-preferential genes from maize and characterization of their promoter activity
Notice bibliographique
Résumé
BACKGROUND: Modification of root architecture and improvement of root resistance to stresses can increase crop productivity. Functional analyses of root-specific genes are necessary for root system improvement, and root-specific promoters enable research into the regulation of root development and genetic manipulation of root traits. Maize is an important crop species; however, little systematic mining of root-specific genes and promoters has been performed to date. RESULTS: Genomic-scale mining based on microarray data sets followed by transcript detection resulted in the identification of 222 root-specific genes. Gene Ontology enrichment analyses revealed that these 222 root-specific genes were mainly involved in responses to chemical, biotic, and abiotic stresses. Of the 222 genes, 33 were verified by quantitative reverse transcription polymerase chain reaction, and 31 showed root-preferential activity. About 2 kb upstream 5 of the 31 identified root-preferential genes were cloned from the maize genome as putative promoters and named p8463, p5023, p1534, p8531 and p6629. GUS staining of transgenic maize-derived promoter-GUS constructs revealed that the five promoters drove GUS expression in a root-preferential manner. CONCLUSIONS: We mined root-preferential genes and their promoters in maize and verified p8463, p5023, p1534, p8531 and p6629 as root-preferential promoters. Our research enables the identification of other tissue-specific genes and promoters in maize and other species. In addition, the five promoters may enable enhancement of target gene(s) of maize in a root-preferential manner to generate novel maize cultivars with resistance to water, fertilizer constraints, or biotic stresses.
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 ».