Physiologic specialization of <i>Puccinia triticina</i>, the causal agent of wheat leaf rust, in Canada in 2015–2019
Notice bibliographique
Résumé
Wheat leaves infected with Puccinia triticina, the causal agent of wheat leaf rust, were collected annually throughout Canada from 2015 to 2019. There were 47, 75, 44, 38 and 54 different virulence phenotypes, respectively, found annually, representing 154 unique virulence phenotypes. From Alberta, there were three virulence phenotypes, MBDS, TDBJ, and TDBS, found in 2015 and eight in 2019, the most common being MBDS and TNBJ (both 20%). The most common virulence phenotypes found in Manitoba and Saskatchewan were MBDS (17.8%) and TNBG (16.3%) in 2015, MNPS (17.2%) and MBDS (15.9%) in 2016, MNPS (41.9%) and TBBG (17.2%) in 2017, MNPS (35.3%) and TBBG (34.8%) in 2018, and MNPS (54.7%) and MBDS (10.7%) in 2019. In Ontario, the most common virulence phenotypes found were MBTN (25%) and MBDS (16.7%) in 2015, MCQQ (13.6%) in 2016, MBTN (33.3%) and PBDG (19.0%) in 2017, TFPJ (13.6%) in 2018, and MCTN (14.5%) and MBTN (10.9%) in 2019. In Quebec the most common virulence phenotypes found were TBBG (66.7%) and MLDS (33.3%) in 2015, TCGJ (23.1%) and MBTN (15.4%) in 2017, MCQH (26.3%) and FCPT (21.1%) in 2018, and MBTN and MCRS (both 18.2%) in 2019. The frequencies of virulence varied on all resistance genes over these years. Within Canada, virulence on Lr21 peaked in 2018 at 39.9% and then declined in 2019, with a similar trend noticed for virulence on Lr2a and Lr2c. There was no virulence detected on Lr19, Lr29, Lr32, Lr52, and Lr22a, while virulence on Lr25 was rare.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».