Breeding for quantitative disease resistance: Case studies, emerging approaches, and exploiting pathogen variation
Notice bibliographique
Résumé
Abstract Host resistance, using qualitative genes with major effects, such as resistance ( R ) genes, is one of the most effective disease control strategies. However, because major gene‐derived resistance wanes over time, breeders must increasingly focus on quantitative trait loci and minor effect genes, which, when pyramided together, can confer stronger and longer lasting quantitative disease resistance (QDR). This review highlights the challenges of breeding for QDR in five case studies: blackleg (caused by Leptosphaeria maculans ) in canola ( Brassica napus ), white mold ( Sclerotinia sclerotiorum [ Ss ]) and common bacterial blight ( Xanthomonas citri pv . fuscans and Xanthomonas phaseoli pv. phaseoli ) in common bean ( Phaseolus vulgaris ), late leaf spot, early leaf spot, tomato spotted wilt virus, and southern stem rot in peanut ( Arachis hypogaea ), and stem, leaf, and stripe rusts ( Puccinia spp .) and powdery mildew ( Blumeria graminis ) in wheat ( Triticum aestivum ). Five emerging approaches for accelerating QDR breeding are discussed: high‐throughput phenotyping, phenomic selection, genomic selection, genome editing, and utilizing wild germplasm in pre‐breeding. Lastly, we highlight the importance for breeders of QDR to consider the phenotypic, genetic, genomic, and pathogenicity gene variation within the pathogen population, using Ss in common bean as an example. By doing so, breeders will save time and resources and develop locally adapted cultivars.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 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 ».