Recent Progress in Germplasm Evaluation and Gene Mapping to Enable Breeding of Drought-Tolerant Wheat
Notice bibliographique
Résumé
There is a need to increase wheat productivity to meet the food demands of the ever-growing human population. However, accelerated development of high yielding varieties is hindered by drought, which is worsening due to climate change. In this context, germplasm diversity is central to the development of drought-tolerant wheat. Extensive collections of these genetic resources are conserved in national and international genebanks. In addition to phenotypic assessments, the use of advanced molecular techniques (e.g., genotype by sequencing) to identify quantitative trait loci (QTLs) for drought tolerance related traits is useful for genome- and marker-assisted selection based approaches. Therefore, to assist wheat breeders at a critical time, we searched the recent peer-reviewed literature (2011-current), first, to identify wheat germplasm observed to be useful genetic sources for drought tolerance, and second, to report QTLs associated with drought tolerance. Though many breeders limit the parents used in breeding programs to a familiar core collection, the results of this review show that larger germplasm collections have been sources of useful genes for drought tolerance in wheat. The review also demonstrates that QTLs for drought tolerance in wheat are associated with diverse physio-morphological traits, at different growth stages. Here, we also briefly discuss the potential of genome engineering/editing to improve drought tolerance in wheat. The use of CRISPR-Cas9 and other gene-editing technologies can be used to fine-tune the expression of genes controlling drought adaptive traits, while high throughput phenotyping (HTP) techniques can potentially accelerate the selection process. These efforts are empowered by wheat researcher consortia.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 ».