Data challenges for future plant gene editing: expert opinion
Notice bibliographique
Résumé
Agricultural data in its multiple forms are ubiquitous. With progress in crop and input monitoring systems and price reductions over the past decade, data are now being captured at an unprecedented rate. Once compiled, organized and analyzed, these data are capable of providing valuable insights into much of the agri-food supply chain. While much of the focus is on precision farming, agricultural data applications coupled with gene editing tools hold the potential to enhance crop performance and global food security. Yet, digitization of agriculture is a double-edged sword as it comes with inherent security and privacy quandaries. Infrastructure, policies, and practices to better harness the value of data are still lacking. This article reports expert opinions about the potential challenges regarding the use of data relevant to the development and approval of new crop traits as well as mechanisms employed to manage and protect data. While data could be of great value, issues of intellectual property and accessibility surround many of its forms. The key finding of this research is that surveyed experts optimistically report that by 2030, the synergy of computing power and genome editing could have profound effects on the global agri-food system, but that the European Union may not participate fully in this transformation.
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 | 0,057 | 0,151 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,006 | 0,013 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,019 | 0,024 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,005 |
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 ».