Transcriptome Analysis Revealed the Molecular Response Mechanism of Non-heading Chinese Cabbage to Iron Deficiency Stress
Notice bibliographique
Résumé
Iron is a trace metal that is found in animals, plants, and the human body. Human iron absorption is hampered by plant iron shortage, which leads to anemia. Leafy vegetables are one of the most direct and efficient sources of iron for humans. Despite the fact that ferrotrophic disorder is common in calcareous soil, however, non-heading Chinese cabbage performs a series of reactions in response to iron deficiency stress that help to preserve iron homeostasis in vivo . In this study, we discovered that iron deficiency stress caused leaf yellowing and impeded plant development in both iron-deficient and control treatments by viewing or measuring phenotypic, chlorophyll content, and Fe 2+ content in both iron-deficient and control treatments. We found a total of 9213 differentially expressed genes (DEGs) in non-heading Chinese cabbage by comparing root and leaf transcriptome data with iron deficiency and control treatments. For instance, 1927 DEGs co-expressed in root and leaf, including 897 up-regulated and 1030 down-regulated genes, respectively. We selected some key antioxidant genes, hormone signal transduction, iron absorption and transport, chlorophyll metabolism, and transcription factors involved in the regulation of iron deficiency stress utilizing GO enrichment, KEGG enrichment, multiple types of functional annotation, and Weighted Gene Co-expression Network Analysis (WGCNA). This study identifies prospective genes for maintaining iron homeostasis under iron-deficient stress, offering a theoretical foundation for further research into the molecular mechanisms of greater adaptation to iron-deficient stress, and perhaps guiding the development of iron-tolerant varieties.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».