Optimizing an integrated biovigilance toolbox to study the spatial distribution and dynamic changes of airborne mycobiota, with a focus on cereal rust fungi in western Canada
Notice bibliographique
Résumé
In the face of evolving agricultural practices and climate change, tools towards an integrated biovigilance platform to combat crop diseases, spore sampling, DNA diagnostics and predictive trajectory modelling were optimized. These tools revealed microbial dynamics and were validated by monitoring cereal rust fungal pathogens affecting wheat, oats, barley and rye across four growing seasons (2015-2018) in British Columbia and during the 2018 season in southern Alberta. ITS2 metabarcoding revealed disparity in aeromycobiota diversity and compositional structure across the Canadian Rocky Mountains, suggesting a barrier effect on air flow and pathogen dispersal. A novel bioinformatics classifier and curated cereal rust fungal ITS2 database, corroborated by real-time PCR, enhanced the precision of cereal rust fungal species identification. Random Forest modelling identified crop and land-use diversification as well as atmospheric pressure and moisture as key factors in rust distribution. As a valuable addition to explain observed differences and patterns in rust fungus distribution, trajectory HYSPLIT modelling tracked rust fungal urediniospores' northeastward dispersal from the Pacific Northwest towards southern British Columbia and Alberta, indicating multiple potential origins. Our Canadian case study exemplifies the power of an advanced biovigilance toolbox towards developing an early-warning system for farmers to detect and mitigate impending disease outbreaks.
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 ».