Omics advances and integrative approaches for the simultaneous improvement of seed oil and protein content in soybean (<i>Glycine max</i>L.)
Notice bibliographique
Résumé
Genetic improvement of soybean, one of the major crops providing edible oil and protein-rich food, is important to ensure balanced nutrition for the growing world population. To make soybean cultivation more rewarding, an increase in seed oil and protein content is most desirable. Here, a critical review of the efforts employed over a half-century to accomplish the improvement of soybean oil and protein content has been presented. Many studies have used diverse parental lines to map and characterize quantitative trait loci (QTL)/genes regulating these two essential traits. Here, we highlighted such genomic loci that were consistently identified with different mapping approaches, like QTL mapping, genome-wide association studies (GWAS), and meta-QTL analysis. In addition, the information generated through efforts utilizing omics approaches, such as genomics, transcriptomics, and proteomics has also been compiled to anticipate the molecular mechanism. Several innovative approaches like multi-parental mapping, induced mutagenesis, genomic selection, transgenics, and genome-editing have been discussed in terms of effective utilization of technological advances to improve the oil and protein content in soybean. Information provided here will be helpful for better understanding and designing an effective strategy for simultaneous improvement in seed oil and protein content in soybean.
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 | 0,001 | 0,002 |
| 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 ».