Genomics-Integrated Breeding for Carotenoids and Folates in Staple Cereal Grains to Reduce Malnutrition
Notice bibliographique
Résumé
Globally, two billion people suffer from micronutrient deficiencies. Cereal grains provide more than 50% of the daily requirement of calories in human diets, but they often fail to provide adequate essential minerals and vitamins. Cereal crop production in developing countries achieved remarkable yield gains through the efforts of the Green Revolution (117% in rice, 30% in wheat, 530% in maize, and 188% in pearl millet). However, modern varieties are often deficient in essential micronutrients compared to traditional varieties and land races. Breeding for nutritional quality in staple cereals is a challenging task; however, biofortification initiatives combined with genomic tools increase the feasibility. Current biofortification breeding activities include improving rice (for zinc), wheat (for zinc), maize (for provitamin A), and pearl millet (for iron and zinc). Biofortification is a sustainable approach to enrich staple cereals with provitamin A, carotenoids, and folates. Significant genetic variation has been found for provitamin A (96-850 μg and 12-1780 μg in 100 g in wheat and maize, respectively), carotenoids (558-6730 μg in maize), and folates in rice (11-51 μg) and wheat (32.3-89.1 μg) in 100 g. This indicates the prospects for biofortification breeding. Several QTLs associated with carotenoids and folates have been identified in major cereals, and the most promising of these are presented here. Breeding for essential nutrition should be a core objective of next-generation crop breeding. This review synthesizes the available literature on folates, provitamin A, and carotenoids in rice, wheat, maize, and pearl millet, including genetic variation, trait discovery, QTL identification, gene introgressions, and the strategy of genomics-assisted biofortification for these traits. Recent evidence shows that genomics-assisted breeding for grain nutrition in rice, wheat, maize, and pearl millet crops have good potential to aid in the alleviation of micronutrient malnutrition in many developing countries.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».