Unravelling the genetic framework associated with grain quality and yield-related traits in maize (Zea mays L.)
Notice bibliographique
Résumé
Maize serves as a crucial nutrient reservoir for a significant portion of the global population. However, to effectively address the growing world population's hidden hunger, it is essential to focus on two key aspects: biofortification of maize and improving its yield potential through advanced breeding techniques. Moreover, the coordination of multiple targets within a single breeding program poses a complex challenge. This study compiled mapping studies conducted over the past decade, identifying quantitative trait loci associated with grain quality and yield related traits in maize. Meta-QTL analysis of 2,974 QTLs for 169 component traits (associated with quality and yield related traits) revealed 68 MQTLs across different genetic backgrounds and environments. Most of these MQTLs were further validated using the data from genome-wide association studies (GWAS). Further, ten MQTLs, referred to as breeding-friendly MQTLs (BF-MQTLs), with a significant phenotypic variation explained over 10% and confidence interval less than 2 Mb, were shortlisted. BF-MQTLs were further used to identify potential candidate genes, including 59 genes encoding important proteins/products involved in essential metabolic pathways. Five BF-MQTLs associated with both quality and yield traits were also recommended to be utilized in future breeding programs. Synteny analysis with wheat and rice genomes revealed conserved regions across the genomes, indicating these hotspot regions as validated targets for developing biofortified, high-yielding maize varieties in future breeding programs. After validation, the identified candidate genes can also be utilized to effectively model the plant architecture and enhance desirable quality traits through various approaches such as marker-assisted breeding, genetic engineering, and genome editing.
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) | 0,000 | 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 ».