Stacking of Multiple Resistance Genes in Wheat via Transgenic Approaches
Notice bibliographique
Résumé
Wheat diseases continue to threaten global food security, leading to yield losses and reduced grain quality. Consequently, effective and sustainable disease resistance strategies are urgently needed. This study explores the stacking of multiple resistance genes in wheat through transgenic approaches as a promising solution to these challenges. We first outline the principles of gene stacking, including the necessity to overcome pathogen evolution, ensure broad and durable resistance, and meet environmental and agricultural needs. We then discuss various transgenic strategies, such as direct genetic transformation, synthetic multigene constructs, and CRISPR/Cas-mediated genome editing, highlighting their potential for assembling and integrating multiple resistance genes. We also detail specific resistance genes commonly used in transgenic wheat, including those targeting rusts (e.g., Lr34, Sr22, Yr36), fungal and viral pathogens, and genes involved in broad-spectrum defense (e.g., pathogenesis-related proteins). Using the case study of transgenic stacking for rust resistance, specifically against Ug99 rust, we illustrate the practical applicability and global impact of this approach. We also explore the technical challenges, biosafety regulations, and genetic complexity that hinder its implementation. Looking ahead, we explore innovations in synthetic biology, precision gene editing, and breeding for climate resilience. Finally, we summarize recent advances in gene stacking, identify key gaps, and highlight the future potential of transgenic technology for enhancing durable disease resistance in wheat.
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 ».