Broad environmental adaptation is associated with root anatomical phenotypes in maize landraces: an <i>in silico</i> study
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Root phenotypes contribute to environmental adaptation. We hypothesized that root phenotypes of maize (Zea mays L. ssp. Mays) landraces reflect their adaptation to edaphic limitations in their native soil environments, and that some root phenotypes may confer broad edaphic adaptation. METHODS: We phenotyped the roots of maize landraces and used the functional-structural plant/soil model OpenSimRoot_v2 to simulate landraces and their native environments to analyze how root phene states interact with each other and with environment variables to regulate edaphic adaptation. KEY RESULTS: Landraces from low phosphorus regions have root phenotypes with shallow growth angles and greater nodal root numbers, allowing them to adapt to their native environments by improved topsoil foraging. We used machine learning algorithms to detect the most important phenotypes responsible for adaptation to multiple environments. The most important phene states responsible for stability across environments are large cortical cell size and reduced diameter of roots in nodes 5 and 6. When we dissected the components of root diameter, we observed that large cortical cell size improved growth by 28%, 23 % and 114%, while reduced cortical cell file number alone improved shoot growth by 137%, 66% and 216%, under drought, nitrogen and phosphorus stress, respectively. Functional-structural analysis of 96 maize landraces from the Americas, previously phenotyped in mesocosms in the greenhouse, suggested that parsimonious anatomical phenotypes, which reduce the metabolic cost of soil exploration, are the main phenotypes associated with adaptation to multiple environments, while root architectural phenotypes were related to adaptation to specific environments. CONCLUSIONS: These results indicate that integrated root phenotypes with anatomical phene states that reduce the metabolic cost of soil exploration increase tolerance to edaphic stress across multiple environments and therefore would improve yield stability, regardless of their root architecture.
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 | 0,000 | 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 ».