Sequencing 4.3 million mutations in wheat promoters to understand and modify gene expression
Notice bibliographique
Résumé
Wheat is an important contributor to global food security, and further improvements are required to feed a growing human population. Functional genetics and genomics tools can help us to understand the function of different genes and to engineer beneficial changes. In this study, we used a promoter capture assay to sequence 2-kb regions upstream of all high-confidence annotated genes from 1,513 mutagenized plants from the tetraploid wheat variety Kronos. We identified 4.3 million induced mutations with an accuracy of 99.8%, resulting in a mutation density of 41.9 mutations per kb. We also remapped Kronos exome capture reads to Chinese Spring RefSeq v1.1, identified 4.7 million mutations, and predicted their effects on annotated genes. Using these predictions, we identified 59% more nonsynonymous substitutions and 49% more truncation mutations than in the original study. To show the biological value of the promoter dataset, we selected two mutations within the promoter of the VRN-A1 vernalization gene. Both mutations, located within transcription factor binding sites, significantly altered VRN-A1 expression, and one reduced the number of spikelets per spike. These publicly available sequenced mutant datasets provide rapid and inexpensive access to induced variation in the promoters and coding regions of most wheat genes. These mutations can be used to understand and modulate gene expression and phenotypes for both basic and commercial applications, where limited governmental regulations can facilitate deployment. These mutant collections, together with gene editing, provide valuable tools to accelerate functional genetic studies in this economically important crop.
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 ».