Unraveling the regulatory network of barley grain metabolism through the integrative analysis of multiomics and mQTL
Notice bibliographique
Résumé
Although metabolites of barley grains have been analyzed, the changes in metabolite abundance and gene expression regulation mechanisms during barley grain development have not been elucidated. Here, we explore the dynamic accumulation patterns of metabolites in barley grains at six different developmental stages by analyzing high-resolution metabolomic and transcriptomic data from Huadamai6 and Huaai11. We detect 986 metabolites and 18,868 co-expressed genes. Meanwhile, we identify 1057 mQTLs associated with 553 metabolites in a double haploid (DH) population derived from these two cultivars, and integrate metabolome, transcriptome, and mQTL information to construct a global co-expression regulatory network of barley grain metabolism. Using this dataset, we excavate transcription factors and structural genes that regulate flavonoid metabolism pathway, and also reveal the complex mechanism of HvC1-1 and HvMYC-1 regulating grain color differentiation in the DH population. Our findings reveal the metabolic regulatory network of barley grains development, and provide valuable resources for future nutritional quality improvement and molecular design breeding of barley. This study establishes a dynamic regulatory network for barley grain development integrating genetic, metabolic, and gene expression information, revealing the regulatory role of key transcription factors in barley grain flavonoid metabolism and grain color formation.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 ».