MétaCan
Menu
Retour à la cohorte
Enregistrement W3044333511 · doi:10.3390/plants9080935

Effect of Mesos Components (MgSO4, CaCl2, KH2PO4) on In Vitro Shoot Growth of Blackberry, Blueberry, and Saskatoon

2020· article· en· W3044333511 sur OpenAlexaboutno aff
Júlia Hunková, Alena Gajdošová, Monika Szabóová

Notice bibliographique

RevuePlants · 2020
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueFlowering Plant Growth and Cultivation
Établissements canadiensnon disponible
Organismes subventionnairesVedecká Grantová Agentúra MŠVVaŠ SR a SAV
Mots-clésShootHorticultureIn vitroChemistryBiologyBiochemistry

Résumé

récupéré en direct d'OpenAlex

Berry fruit species are, in many countries, considered biologically and economically valuable and important species of small fruits. The aim of this work was to examine the influence of either decreased or increased mesos concentrations (MgSO4, CaCl2, and KH2PO4) on shoot multiplication of five cultivars of three small fruit species (Amelanchier alnifolia var. cusickii, Rubus fruticosus ‘Black Satin’ and ‘Loch Ness’, and Vaccinium corymbosum ‘Brigitta Blue’ and ‘Toro’). Mesos nutrients were manipulated from half to four times their base concentration. The results indicate that mesos manipulation significantly influences the number and length of shoots in most of the studied cultivars. The greatest multiplication rate for A. alnifolia was achieved with tripled mesos, whereas ‘Black Satin’ and ‘Loch Ness’ reacted positively to a lower (1–2x) concentration of mesos. Decreasing the concentration of mesos to half led to worse quality in both blackberry and Saskatoon shoots. ‘Brigitta Blue’ was more sensitive to greater mesos concentrations compared to ‘Toro’. Optimizing the mineral nutrition of plants cultivated in vitro enhances their multiplication rate and contributes to a higher production of good quality plantlets.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,196
Écart entre enseignants0,182 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations14
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePlantsMême sujetFlowering Plant Growth and CultivationTravaux en français237 207