Integration of crop modeling and sensing into molecular breeding for nutritional quality and stress tolerance
Notice bibliographique
Résumé
Integrating innovative technologies into plant breeding is critical to bolster food and nutritional security under biotic and abiotic stresses in changing climates. While breeding efforts have focused primarily on yield and stress tolerance, emerging evidence highlights the need to also prioritize nutritional quality. Advanced molecular breeding approaches have enhanced our ability to develop improved crop varieties and could be substantially informed by the routine integration of crop modeling and remote sensing technologies. This review article discusses the potential of combining crop modeling and sensing with molecular breeding to address the dual challenge of nutritional quality and stress tolerance. We provide overviews of stress response strategies, challenges in breeding for quality traits, and the use of environmental data in genomic prediction. We also describe the status of crop modeling and sensing technologies in grain legumes, rice, and leafy greens, alongside the status of -omics tools in these crops and the use of AI with directed evolution to identify novel resistance genes. We describe the pairwise and three-way integration of AI-enabled sensing and biophysically and empirically constrained crop modeling into breeding to enable prediction of phenotypic and breeding values and dissection of genotype-by-environment-by-management interactions with increasing fidelity, efficiency, and temporal/spatial resolution to inform selection decisions. This article highlights current initiatives and future trends that focus on leveraging these advancements to develop more climate-resilient and nutritionally dense crops, ultimately enhancing the effectiveness of molecular breeding.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».