The Toolbox for Fiber Flax Breeding: A Pipeline From Gene Expression to Fiber Quality
Notice bibliographique
Résumé
The goal of any plant breeding program is to improve quality of a target crop. Crop quality is a comprehensive feature largely determined by biological background. To improve the quality parameters of crops grown for the production of fiber, a functional approach was used to search for genes suitable for the effective manipulation of technical fiber quality. A key step was to identify genes with tissue and stage-specific pattern of expression in the developing fibers. In the current study, we investigated the relationship between gene expression evaluated in bast fibers of developing flax plants and the quality parameters of technical fibers measured after plant harvesting. Based on previously published transcriptomic data, two sets of genes that are upregulated in fibers during intrusive growth and tertiary cell wall deposition were selected. The expression level of the selected genes and fiber quality parameters were measured in fiber flax, linseed (oil flax) cultivars, and wild species that differ in type of yield and fiber quality parameters. Based on gene expression data, linear regression models for technical stem length, fiber tensile strength, and fiber flexibility were constructed, resulting in the identification of genes that have high potential for manipulating fiber quality. Chromosomal localization and single nucleotide polymorphism distribution in the selected genes were characterized for the efficacy of their use in conventional breeding and genome editing programs. Transcriptome-based selection is a highly targeted functional approach that could be used during the development of new cultivars of various 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 ».