Harnessing soil feedback from resistant bananas to suppress pathogens in susceptible varieties
Notice bibliographique
Résumé
Abstract Recent evidence shows that plants can recruit beneficial microbiomes that contribute substantially to disease resistance. However, it remains unclear whether resistant varieties can generate soil microbial legacies that persist beyond a single growing cycle and influence subsequent plant health. We tested this hypothesis using two banana varieties differing in resistance to Fusarium wilt to condition soils. These conditioned soils were then used to grow the two banana varieties to assess whether prior soil conditioning affected disease outcomes. We further analysed the microbial communities in the conditioned soils to identify key taxa associated with disease suppression. Cultivation‐based approaches were also used to explore the pathogen inhibition potential of microbial populations that were enriched by the resistant banana variety. The soil legacy from the highly resistant variety positively influenced plant health, whereas the susceptible variety's soil led to pathogen enrichment. Microbial community analyses identified bacterial communities as being more responsive to feedback effects, while varietal differences more strongly influenced fungal communities. Beneficial microbes such as Dyella , Rhizobium and Sphingobium were enriched in the highly resistant variety's soil legacy, contributing to enhanced plant health. Synthesis and applications . Our findings highlight a nature‐based strategy for improving plant health through the intentional use of resistant crop varieties to engineer beneficial soil microbiomes. This approach could enhance the sustainability and disease resilience of modified agricultural systems. By informing the design of crop rotation and soil management practices, our results demonstrate how ecological processes can be actively managed to promote long‐term agroecosystem health.
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 | 0,001 |
| 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) | 0,001 | 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 ».