Transcriptome Sequencing Analysis of Flowering Related Genes in <i>Prunus sibirica</i>
Notice bibliographique
Résumé
In order to explore the molecular mechanism of regulating flowering in Prunus sibirica , the transcriptome of flower buds at two different stages was sequenced to investigate the candidate genes involved in the flowering. A total of 42.04 Gb clean data were obtained, and more than 92.00% of the clean reads were mapped to the reference genome. A total of 6 850 significantly differentially expressed genes (DEGs) were found, including 2 784 significantly up-regulated and 4 066 significantly down regulated genes. We further found 392 and 346 DEGs were special in sprouting stage and full-bloom stage, respectively. KEGG enrichment analysis showed that the first three DEGs were enriched in plant hormone signal transduction, phenylpropanoid biosynthesis, and starch and sucrose metabolism, respectively. Among these DEGs, 39 genes involved in the flowering regulation pathways were obtained, including 10, 17, 5, 1, and 2 genes in vernalization pathway, photoperiod pathway, autonomous pathway, gibberellin pathway, and temperature pathway, respectively. In addition, four integrators, including SOC1 , FT , and LFY , were also identified. This study will provide the valuable information for studying the candidate genes involved in the flowering and for breeding in P. sibirica .
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 | 0,003 |
| Études des sciences et des technologies | 0,000 | 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 ».