Rhizosphere Engineering of Biocontrol Agents Enriches Soil Microbial Diversity and Effectively Controls Root-Knot Nematodes
Notice bibliographique
Résumé
The root-knot nematode (RKN) causes significant yield loss in tomatoes. Understanding the interaction of biocontrol agents (BCAs)-nematicides-soil microbiomes and RKNs is essential for enhancing the efficacy of biocontrol agents and nematicides to curb RKN damage to crops. The present study aimed to evaluate the in vitro effectiveness of BACa and nematicide against RKN and to apply the amplicon sequencing to assess the interaction of Bacillus velezensis (VB7) and Trichoderma koningiopsis (TK) against RKNs. Metagenomic analysis revealed the relative abundance of three phyla such as Proteobacteria (42.16%), Firmicutes (19.57%), and Actinobacteria (17.69%) in tomato rhizospheres. Those tomato rhizospheres treated with the combined application of B. velezensis VB7 + T. koningiopsis TK and RKN had a greater frequency of diversity and richness than the control. RKN-infested tomato rhizosphere drenched with bacterial and fungal antagonists had the maximum diversity index of bacterial communities. A strong correlation with a maximum number of interconnection edges in the phyla Proteobacteria, Firmicutes, and Actinobacteria was evident in soils treated with both B. velezensis VB7 and T. koningiopsis TK challenged against RKN in infected soil. The present study determined a much greater diversity of bacterial taxa observed in tomato rhizosphere soils treated with B. velezensis VB7 and T. koningiopsis TK than in untreated soil. It is suggested that the increased diversity and abundance of bacterial communities might be responsible for increased nematicidal properties in tomato plants. Hence, the combined applications of B. velezensis VB7 and T. koningiopsis TK can enhance the nematicidal action to curb RKN infecting tomatoes.
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 | 0,001 |
| 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 ».