Selection of rice breeding lines for resistance to biotic and abiotic stresses
Notice bibliographique
Résumé
Rice (Oryza sativa L.) grown in many countries around the world with different climatic conditions and a huge number of environmental stresses, both biotic (fungi, bacteria, viruses, insects) and abiotic (cold, drought, salinity) limit rice productivity. In this regard, breeders and scientists are trying to create rice lines that are resistant to multiple stresses. The aim of this work was to screen and select cold and blast resistant rice breeding lines (RBLs) using molecular markers. Molecular screening of RBLs and parental varieties to cold tolerance was carried out using markers RM24545, RM1377, RM231 and RM569 associated with QTLs (qPSST-3, qPSST-7, qPSST-9). It was discovered that the presence of three QTLs characterizes the cold resistance of studied genotypes, and the absence of one of them leads to cold sensitivity. As a result, 21 cold-resistant out of the 28 studied RBLs were identified. These cold resistant 21 RBLs were further tested to blast resistance using markers Pi-ta, Pita3, Z56592, 195R-1, NMSMPi9-1, TRS26, Pikh MAS, MSM6, 9871.T7E2b, RM224 and RM1233. It was revealed that 16 RBLs from 21 studied lines contain 5-6 blast resistance genes. In accordance with the blast resistance strategy, the presence of 5 or more genes ensures the formation of stable resistance to Magnaporthe oryzae. Thus, 16 lines resistant to multiple stresses, such as cold and blast disease were developed. It should be noted that 6 of these selected lines are high-yielding, which is very important in rice breeding program. These RBLs can be used in breeding process as starting lines, germplasm exchange as a source of resistant genes for the development of new rice varieties resistant to multiple stress factors.
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 ».