dsRNA Uptake in Plant Pests and Pathogens: Insights into RNAi-Based Insect and Fungal Control Technology
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
Efforts to develop more environmentally friendly alternatives to traditional broad-spectrum pesticides in agriculture have recently turned to RNA interference (RNAi) technology. With the built-in, sequence-specific knockdown of gene targets following delivery of double-stranded RNA (dsRNA), RNAi offers the promise of controlling pests and pathogens without adversely affecting non-target species. Significant advances in the efficacy of this technology have been observed in a wide range of species, including many insect pests and fungal pathogens. Two different dsRNA application methods are being developed. First, host induced gene silencing (HIGS) harnesses dsRNA production through the thoughtful and precise engineering of transgenic plants and second, spray induced gene silencing (SIGS) that uses surface applications of a topically applied dsRNA molecule. Regardless of the dsRNA delivery method, one aspect that is critical to the success of RNAi is the ability of the target organism to internalize the dsRNA and take advantage of the host RNAi cellular machinery. The efficiency of dsRNA uptake mechanisms varies across species, and in some uptake is negligible, rendering them effectively resistant to this new generation of control technologies. If RNAi-based methods of control are to be used widely, it is critically important to understand the mechanisms underpinning dsRNA uptake. Understanding dsRNA uptake mechanisms will also provide insight into the design and formulation of dsRNAs for improved delivery and provide clues into the development of potential host resistance to these technologies.
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) | 0,001 | 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 | 0,001 | 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