Molecular Diagnostics and Detection of Oomycetes on Fiber Crops
Notice bibliographique
Résumé
Fiber crops are an important group of economic plants. Traditionally cultivated for fiber, fiber crops have also become sources of other materials such as food, animal feed, cosmetics and medicine. Asia and America are the two main production areas of fiber crops in the world. However, oomycete diseases have become an important factor limiting their yield and quality, causing devastating consequences for the production of fiber crops in many regions. To effectively control oomycete pathogens and reduce their negative impacts on these crops, it is very important to have fast and accurate detection systems, especially in the early stages of infection. With the rapid development of molecular biology, the diagnosis of plant pathogens has progressed from relying on traditional morphological features to the increasing use of molecular methods. The objective of this paper was to review the current status of research on molecular diagnosis of oomycete pathogens on fiber crops. Our search of PubMed identified nearly 30 species or subspecies of oomycetes on fiber crops, among which the top three species were Phytophthora boehmeriae, Phytophthora nicotianae and Pythium ultimum. The gene regions that have been used for molecular identifications of these pathogens include the internal transcribed spacer (ITS) regions of the nuclear ribosomal RNA gene cluster, and genes coding for translation elongation factor 1α (EF-1α) and mitochondrial cytochrome c oxidase subunits I and II (Cox 1, Cox 2), etc. We summarize the molecular assays that have been used to identify these pathogens and discuss potential areas of future development for fast, specific, and accurate diagnosis of oomycetes on fiber crops.
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 ».