Challenges to <em>Cannabis sativa </em>Production from Pathogens and Microbes – the Role of Molecular Diagnostics and Bioinformatics
Notice bibliographique
Résumé
The increased cultivation of Cannabis sativa L. in North America, represented by high Δ9-tetrahydrocannabinol-containing (high-THC) cannabis genotypes and low THC-containing hemp genotypes, has been impacted by an increasing number of plant pathogens. These include fungi which destroy roots, stems and leaves, in some cases causing a build-up of populations and mycotoxins in the inflorescences that can negatively impact quality. Viroids and viruses have also increased in prevalence and severity and can reduce plant growth and product quality. Rapid diagnosis of the occurrence and spread of these pathogens is critical. Techniques in the area of molecular diagnostics have been applied to study these pathogens in both cannabis and hemp. These include polymerase chain reaction (PCR)-based technologies, including RT-PCR, multiplex RT-PCR, RT-qPCR, and ddPCR, as well as whole genome sequencing (NGS) and bioinformatics. In this study, examples of how these technologies have enhanced the rapidity and sensitivity of pathogen diagnosis on cannabis and hemp will be illustrated. These molecular tools have also enabled studies on the diversity and origins of specific pathogens, specifically viruses and viroids, and these will be illustrated. Comparative studies on the genomics and metabolomics of healthy and diseased plants are urgently needed to provide insight into their impact on quality and composition of cannabis and hemp-derived products. Management of these pathogens will require monitoring of their spread and survival using the appropriate technologies to allow accurate detection, followed by appropriate implementation of disease control measures.
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 | 0,002 |
| 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 | 0,001 | 0,004 |
| 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 ».