Genetic Modification of the HSP90 Gene Using CRISPR-Cas9 to Enhance Thermotolerance in T. Suecica
Notice bibliographique
Résumé
Phytoplankton are marine microorganisms that play a key role in the production of oxygen and serve as the foundation of the marine food chain. Over the past century, the population of phytoplankton has declined significantly with the onset of climate change. Although phytoplankton have the capacity to adapt to rising ocean temperatures, rapid environmental changes, including increased top-down control and thermal stratification, reduce populations before adaptations are incorporated into the genome. To enhance survival rates, thermotolerance in common algal strains can be enhanced through increased expression of the conserved Heat Shock Protein 90 (HSP90). Trials will be conducted on the common algal species, Tetraselmis suecica (T. suecica), for its considerable size, photosynthetic rate, and nutrient-rich properties. Thermotolerance will be augmented by splicing the HSP90 gene into the T. suecica metallothionein (Mt) promoter using CRISPR-Cas9. A period of incubation in a copper sulphate solution ensures Mt promoter stimulation, thereby increasing HSP90 expression. The efficacy of the proposed methods will be measured by comparing HSP90 protein production between transgenic and wild-type T. suecica cultures. The genomic incorporation of the modified HSP90 gene enables future populations to exhibit thermotolerance in the presence of heavy metals in the ocean beyond its basal level of expression. By accelerating the adaptation of thermotolerance, the overall fitness of T. suecica can be increased to re-establish its population under warmer oceanic conditions. By applying similar methods to other phytoplankton, the repopulation of various species can increase biodiversity and global net primary productivity.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».