Predicting disease occurrence with high accuracy based on soil macroecological patterns of Fusarium wilt
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Soil-borne plant diseases are increasingly causing devastating losses in agricultural production. The development of a more refined model for disease prediction can aid in reducing crop losses through the use of preventative control measures or soil fallowing for a planting season. The emergence of high-throughput DNA sequencing technology has provided unprecedented insight into the microbial composition of diseased versus healthy soils. However, a single independent case study rarely yields a general conclusion predictive of the disease in a particular soil. Here, we attempt to account for the differences among various studies and plant varieties using a machine-learning approach based on 24 independent bacterial data sets comprising 758 samples and 22 independent fungal data sets comprising 279 samples of healthy or Fusarium wilt-diseased soils from eight different countries. We found that soil bacterial and fungal communities were both clearly separated between diseased and healthy soil samples that originated from six crops across nine countries or regions. Alpha diversity was consistently greater in the fungal community of healthy soils. While diseased soil microbiomes harbored higher abundances of Xanthomonadaceae, Bacillaceae, Gibberella, and Fusarium oxysporum, the healthy soil microbiome contained more Streptomyces Mirabilis, Bradyrhizobiaceae, Comamonadaceae, Mortierella, and nonpathogenic fungi of Fusarium. Furthermore, a random forest method identified 45 bacterial OTUs and 40 fungal OTUs that categorized the health status of the soil with an accuracy >80%. We conclude that these models can be applied to predict the potential for occurrence of F. oxysporum wilt by revealing key biological indicators and features common to the wilt-diseased soil microbiome.
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.
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 découle