Recent Advances in Faba Bean Genetic and Genomic Tools for Crop Improvement
Notice bibliographique
Résumé
Faba bean (Vicia faba L.), a member of the Fabaceae family, is one of the important food legumes cultivated in cool temperate regions. It holds great importance for human consumption and livestock feed because of its high protein content, dietary fibre, and nutritional value. Major faba bean breeding challenges include its mixed breeding system, unknown wild progenitor, and genome size of ~13 Gb, which is the largest among diploid field crops. The key breeding objectives in faba bean include improved resistance to biotic and abiotic stress and enhanced seed quality traits. Major progress on reduction of vicine-convicine and seed coat tannins, the main anti-nutritional factors limiting faba bean seed usage, have been recently achieved through gene discovery. Genomic resources are relatively less advanced compared to other grain legume species, but significant improvements are underway due to a recent significant increase in research activities. A number of bi-parental populations have been constructed and mapped for targeted traits in the last decade. Faba bean now benefits from saturated synteny‐based genetic maps, along with next-generation sequencing and high-throughput genotyping technologies that are paving the way for marker-assisted selection. Developing a reference genome, and ultimately a pan-genome, will provide a foundational resource for molecular breeding. In this review, we cover the recent development and deployment of genomic tools for faba bean breeding.
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 | 0,002 |
| 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 ».