Embracing the Omics Era for Plant Breeding
Notice bibliographique
Résumé
The increasing demand for food, feed, fuel, and fiber in modern society calls for urgent crop improvement, especially when faced with challenges such as climate change and decreasing arable land. Therefore, there is a constant need for advances in plant breeding. Over the last two decades, high-throughput techniques, such as next-generation sequencing, have given momentum to multiple omics technologies, including genomics, epigenomics, transcriptomics, proteomics, and metabolomics, generating an immense amount of data daily. These technologies and advanced bioinformatic tools enhance our understanding of agronomically important traits, including yield, nutrient content, and tolerance to biotic/abiotic stresses. For example, research on nucleotide-binding leucine-rich-repeat (NLR) genes, key players in plant immunity, is driven by high-throughput gene discovery, functional annotation, and synthetic design, accelerating disease resistance breeding. Additionally, high-throughput techniques facilitate the generation of valuable tools like molecular markers, which can be utilized in applications such as marker-assisted selection, quantitative trait locus mapping, genome-wide association study, and genomic selection. As regulations on genetically engineered crops move from process-based approaches toward product-based approaches, omics technologies are expected to play a pivotal role in regulating new crop varieties by assessing substantial equivalence. Embracing the omics era in plant breeding requires a paradigm shift in every aspect of the field, and readiness is essential.
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 | 0,001 | 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 ».