Physiologic specialization of <i>Puccinia triticina</i> , the causal agent of wheat leaf rust, in Canada in 2020–2023
Notice bibliographique
Résumé
Wheat nurseries and fields throughout Canada were surveyed annually, from 2020 to 2023, for the presence of leaf rust, caused by Puccinia triticina Erikss. Infected leaves were collected, then single pustule isolates were analyzed for virulence on a set of 16 differential lines. In 2020 there were 29 unique virulence phenotypes found among 230 isolates, in 2021 there were 37 unique virulence phenotypes found from 153 isolates, in 2022, 47 unique phenotypes were found among 246 isolates, and there were 69 unique phenotypes among 384 isolates in 2023. The most common virulence phenotypes over this 4-year period from Manitoba and Saskatchewan were MNPS, TNBJ, MBDS and MLPS. In Ontario these were TCTS, MBTN and TBRD, while in Quebec these were MBTN, TCTS, MBPS and TBSJ. The smaller samples from Ontario and Quebec were more diverse than the larger samples from Manitoba and Saskatchewan. There were only 25 isolates analyzed from British Columbia, but four of the five unique virulence phenotypes found there, LBDS, LCDS, CCPN and NBDS, were not found in the rest of Canada during this period. Only eight isolates from Alberta were analyzed and they were similar to virulence phenotypes found in Manitoba and Saskatchewan. The frequencies of virulence to Lr9, Lr24 and Lr21 were higher in Manitoba and Saskatchewan than in Ontario and Quebec, though the reverse was true for Lr2a, Lr2c and Lr18. When representative isolates were tested on additional differential lines there was no virulence detected to Lr19, Lr29, Lr32, Lr52 and Lr22a.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».