Combining metabolomics and transcriptomics to study selenium response mechanisms in germinating watermelon seeds (Citrullus mucospermus)
Notice bibliographique
Résumé
Watermelon seeds are readily accepted even after selenium enrichment, thereby potentially helping meet daily selenium requirements of adults. However, no existing studies have elucidated the molecular-level metabolic changes in watermelon seeds induced by selenium enrichment. In this study, UPLC-MS/MS was employed to identify and quantify metabolite alterations in watermelon seeds. A total of 1036 metabolites were identified, and 81 differentially expressed metabolites (DEMs) being screened out. Gene identification and expression analysis were conducted using the Illumina NovaSeq 6000 platform. A total of 18,686 genes were identified, and 999 differentially expressed genes (DEGs) were screened out. Joint omics analysis revealed that DEMs and DEGs were enriched in 25 pathways, primarily involving flavonoid biosynthesis and amino acid metabolism. Genes like PAL, 4CL, CYP73A, and CHS were the key genes for the biosynthesis of flavonoids under selenium treatment, resulting in a significant decrease in the expression level of chlorogenic acid in the pathway. In the amino acid metabolism pathway, genes such as AGXT2, glnA, speE, and thrC played crucial roles, causing significant alterations in the expression levels of metabolites such as L-Alanine, Threonine, and Tryptophan in the pathway. This study provides a theoretical basis for developing watermelon seeds with both selenium-enrichment function and balanced nutrition. The selenium enrichment process can be improved by regulating the expression levels of key genes such as PAL and AGXT2, and the amino acid composition can also be regulated.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».