Application of an Improved 2-Dimensional High-Throughput Soybean Root Phenotyping Platform to Identify Novel Genetic Variants Regulating Root Architecture Traits
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Nutrient-efficient root system architecture (RSA) is becoming an important breeding objective for generating crop varieties with improved nutrient and water acquisition efficiency. Genetic variants shaping soybean RSA is key in improving nutrient and water acquisition. Here, we report on the use of an improved 2-dimensional high-throughput root phenotyping platform that minimizes background noise by imaging pouch-grown root systems submerged in water. We also developed a background image cleaning Python pipeline that computationally removes images of small pieces of debris and filter paper fibers, which can be erroneously quantified as root tips. This platform was used to phenotype root traits in 286 soybean lines genotyped with 5.4 million single-nucleotide polymorphisms. There was a substantially higher correlation in manually counted number of root tips with computationally quantified root tips (95% correlation), when the background was cleaned of nonroot materials compared to root images without the background corrected (79%). Improvements in our RSA phenotyping pipeline significantly reduced overestimation of the root traits influenced by the number of root tips. Genome-wide association studies conducted on the root phenotypic data and quantitative gene expression analysis of candidate genes resulted in the identification of 3 putative positive regulators of root system depth, total root length and surface area, and root system volume and surface area of thicker roots (DOF1-like zinc finger transcription factor, protein of unknown function, and C2H2 zinc finger protein). We also identified a putative negative regulator (gibberellin 20 oxidase 3) of the total number of lateral roots.
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.
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 | 0,001 |
| 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 découle