CRISPR/Cas9-Mediated Trait Improvement in Kiwifruit: Current Progress and Future Directions
Notice bibliographique
Résumé
Kiwifruit is a globally significant economic and nutritional crop, but its breeding faces numerous challenges, including the need for improvements in yield, quality, and stress resistance traits. In recent years, the application of CRISPR/Cas9 technology in crop genetic improvement has demonstrated immense potential, providing a novel technical pathway for optimizing kiwifruit traits. This review systematically summarizes the research progress on key traits and their genetic basis in kiwifruit, with a focus on the application of CRISPR/Cas9 technology in kiwifruit breeding, including functional studies of key trait-related genes and case studies on trait improvement through gene editing. The study explores the technical bottlenecks of CRISPR/Cas9 technology in kiwifruit, such as off-target effects, editing efficiency, and genetic stability, and summarizes methods for improving editing efficiency and the prospects of applying novel Cas variants. Additionally, this review integrates the latest achievements in multi-omics studies, elucidating the role of genomics, transcriptomics, and epigenomics data in precision gene editing and proposing strategies for integrating gene editing with traditional breeding approaches. This review provides a comprehensive theoretical foundation for the research and application of CRISPR/Cas9 technology in kiwifruit, offering practical guidance for developing high-quality kiwifruit varieties with enhanced market competitiveness.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».