Accelerated Screening of Wheat Gluten Strength Using Dual Physicochemical Tests in Diverse Breeding Lines
Notice bibliographique
Résumé
Introducing fast, reliable, and low-input technologies that utilize wholemeal wheat is essential for efficiently screening gluten quality in wheat breeding lines. Although the GlutoPeak Tester (GPT) has been widely studied for gluten assessment, its application in breeding programs remains underexplored. This study presents a comprehensive approach to optimizing a GPT protocol using a diverse set of genotypes collected over seven harvest years and multiple environments. To improve screening capabilities, a quick and simple protein fractionation (PF) technique was integrated into the workflow. Key GPT parameters-such as peak maximum time, maximum torque, and aggregation energy-along with the newly proposed PM-AM parameter, showed strong correlations with established quality traits. PF data, especially insoluble glutenin percentage and the ratio of insoluble to soluble glutenin, provided additional insights into gluten composition. This extensive dataset supports the use of GPT and PF as a dual, high-throughput screening tool. When applied within specific wheat classes and benchmarked against established checks, this method offers a robust strategy for ranking breeding lines based on gluten performance. The use of wholemeal samples further streamlines the process by eliminating the need for milling, making this protocol particularly suitable for early-stage selection in wheat breeding programs.
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 ».