Computational genomics insights into cold acclimation in wheat
Notice bibliographique
Résumé
Development of cold acclimation in crops involves transcriptomic reprograming, metabolic shift, and physiological changes. Cold responses in transcriptome and lipid metabolism has been examined in separate studies for various crops. In this study, integrated computational approaches was employed to investigate the transcriptomics and lipidomics data associated with cold acclimation and vernalization in four wheat genotypes of distinct cold tolerance. Differential expression was investigated between cold treated and control samples and between the winter-habit and spring-habit wheat genotypes. Collectively, 12,676 differentially expressed genes (DEGs) were identified. Principal component analysis of these DEGs indicated that the first, second, and third principal components (PC1, PC2, and PC3) explained the variance in cold treatment, vernalization and cold hardiness, respectively. Differential expression feature extraction (DEFE) analysis revealed that the winter-habit wheat genotype Norstar had high number of unique DEGs (1884 up and 672 down) and 63 winter-habit genes, which were clearly distinctive from the 64 spring-habit genes based on PC1, PC2 and PC3. Correlation analysis revealed 64 cold hardy genes and 39 anti-hardy genes. Cold acclimation encompasses a wide spectrum of biological processes and the involved genes work cohesively as revealed through network propagation and collective association strength of local subnetworks. Integration of transcriptomics and lipidomics data revealed that the winter-habit genes, such as COR413-TM1 , CIPKs and MYB20 , together with the phosphatidylglycerol lipids, PG(34:3) and PG(36:6), played a pivotal role in cold acclimation and coordinated cohesively associated subnetworks to confer cold tolerance.
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 | 0,000 | 0,000 |
| 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 ».