Editorial: Structural bioinformatics and biophysical approaches for understanding the plant responses to biotic and abiotic stresses
Notice bibliographique
Résumé
Plants are exposed to a variety of environmental conditions that negatively impact \n their physiology and yields (Rivero et al., 2022; Sharma et al., 2022; Zandalinas and \n Mittler, 2022). Several studies identified mechanisms involving genes, proteins, and \n metabolites that underlie plant responses to stress conditions (Chen et al., 2022; Hassan \n et al., 2022; Huang et al., 2022; Mittler et al., 2022; Yang et al., 2022; Zhan et al., \n 2022). Some of these molecules were used to improve plant responses to abiotic \n and biotic stresses (Li et al., 2022; Mahto et al., 2022; Wang and Komatsu, 2022; \n Zhao et al., 2022). However, the underlying structural and functional relationships of \n these molecular mechanisms require more research. Computational and biophysical \n approaches are viable options for analyses of target molecules to understand their \n interactions and dynamics that initiate biochemical and physiological responses of \n plants (Wan et al., 2015; Konda et al., 2018; Moffett and Shukla, 2018; Rayevsky et al., \n 2019; Jha et al., 2022). These responses in turn control plant tolerance and resistance \n to sub-optimal environmental conditions. Therefore, this Research Topic is aligned \n with the current research trends and provides an update on the advances in structural \n bioinformatics and biophysical approaches to understanding plant responses to biotic \n and abiotic stresses at the molecular level. Here, we highlight some of the topics from the \n following contributions.
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 | 0,005 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,005 | 0,001 |
| Intégrité de la recherche | 0,013 | 0,017 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,030 | 0,020 |
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 ».