SIGS vs. HIGS: opportunities and challenges of RNAi pest and pathogen control strategies
Notice bibliographique
Résumé
Insect pests and fungal pathogens are estimated to cause 20–40% yield reduction to crops annually, causing $290 billion of economic loss every season worldwide. Pest and pathogen impacts are a persistent and ever-increasing problem for global food production, especially due to climate change and growing populations. Frequent use of chemical pesticides has resulted in increased resistance among pests and pathogens due to the strong selection pressure that the pesticides exert, resulting in the rapid accumulation of mutations that confer behavioural, mechanical and/or biochemical resistance within the pest populations. Due to rising resistance and increasing interest in control measures with low environmental impact, there is an immediate need to find alternative pest and pathogen management strategies. RNA interference (RNAi) has been developed as a control strategy by exploiting inherent cellular defence processes, providing a species-specific biological approach to crop management. Delivery of double-stranded RNA (dsRNA) can be accomplished non-transgenically by spray-induced gene silencing (SIGS), virus-mediated host-induced gene silencing (VmHIGS) or transgenically through host-induced gene silencing (HIGS), specifically targeting pest and pathogen messenger RNAs with sequence homology. Accomplishing effective RNAi strategies requires consideration into how SIGS, VmHIGS, and HIGS approaches intersect with the crop species and pest or pathogen being targeted. Additional technical advancements for the delivery and uptake of dsRNAs, messenger RNA target identification and the possibility of insect or fungal dsRNA resistance are currently being explored. These considerations will enhance the utility, ease of use and implementation of both spray-based and transgenic applications of RNAi technology for improved food security.
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 ».