Challenges and opportunities for proteomics and the improvement of bread wheat quality
Notice bibliographique
Résumé
Wheat remains a critical global food source, pressured by climate change and the need to maximize yield, improve processing and nutritional quality and ensure safety. An enormous amount of research has been conducted to understand gluten protein composition and structure in relation to end-use quality, yet progress has become stagnant. This is mainly due to the need and inability to biochemically characterize the intact functional glutenin polymer in order to correlate to quality, necessitating reduction to monomeric subunits and a loss of contextual information. While some individual gluten proteins might have a positive or negative influence on gluten quality, it is the sum total of these proteins, their relative and absolute expression, their sub-cellular trafficking, the amount and size of glutenin polymers, and ratios between gluten protein classes that define viscoelasticity of gluten. The sub-cellular trafficking of gluten proteins during seed maturation is still not completely clear and there is evidence of dual pathways and therefore different destinations for proteins, either constitutively or temporally. The trafficking of proteins is also unclear in endosperm cells as they undergo programmed cell death; Golgi disappear around 12 DPA but protein filling continues at least to 25 DPA. Modulation of the timing of cellular events will invariably affect protein deposition and therefore gluten strength and function. Existing and emerging proteomics technologies such as proteoform profiling and top-down proteomics offer new tools to study gluten protein composition as a whole system and identify compositional patterns that can modify gluten structure with improved functionality.
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 | 0,000 |
| 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 | 0,000 | 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 ».