An in-silico comparative analysis of lncRNA expression and their role in the pathogenesis of representative fungal, bacterial and viral infections in rice
Notice bibliographique
Résumé
Abstract Long non-coding RNAs (lncRNAs) perform prominent role in the regulation of gene expression during plant development and stress response by directly interacting with DNA, RNA, proteins, and/or triggering production of small regulatory RNA molecules. The objective of our study is to understand the systems-level response of the same plant species to highly diverse pathogens across different kingdoms and evaluate the patterns of similarity vs differences, specifically in the context of lncRNA’s. Towards this objective, we performed a comparative in silico analysis of lncRNA’s of Rice that are differentially expressed in response to infection by bacteria ( Xanthomonas oryzae ), fungus ( Magnaporthe oryzae ) and virus ( Rice black dwarf virus ). Using a tailored lncRNA analysis pipeline, we successfully identified 1125, 719 and 240 lncRNAs in Xanthomonas oryzae infection susceptible cultivar CT9737-6-1-3P-M, Magnaporthe oryzae susceptible LTH accession, and Rice black streaked dwarf virus susceptible Wuyujing No. 7 rice cultivars respectively. The in-silico predicted Cis- and Trans-target genes of lncRNAs were subsequently used to identify the pathways modulated by these lncRNA and how they cluster into unique categories of plant responses to pathogen infections. To further substantiate the role of predicted lncRNA’s in plant defence and immune response our analysis finds that many of the lncRNAs co-localize with the QTLs associated with Blast and Bacterial blight resistance in rice. Our in silico analysis provides a list of common and unique pathogen specific lncRNAs that can provide vital insights into the generic vs tailored mechanisms adopted by rice in different infection scenarios.
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 | 0,001 | 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 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 ».