Genetic Strategies for Enhancing Pest Resistance in Wheat
Notice bibliographique
Résumé
Wheat cultivation is often threatened by pests such as rye whitefly, Russian wheat aphid and green stink bug. These pests reduce wheat yield and quality worldwide. To reduce the use of pesticides, scientists have improved wheat's insect resistance through genetic modification. This approach is not only more environmentally friendly, but also addresses the problem of pest resistance. Traditional breeding, such as direct hybridization and backcrossing, has played a big role in introducing insect resistance. Now with technologies such as marker-assisted selection (MAS), quantitative trait loci mapping (QTL) and genome-wide association studies (GWAS), breeding efficiency has become higher. Next-generation sequencing and CRISPR/Cas9 gene editing have also made it easier to find and modify insect-resistant genes. In addition, transgenic methods using Bacillus thuringiensis (Bt) proteins and RNA interference (RNAi) have enhanced wheat's insect resistance. Using genes from wild relatives and local varieties has also helped increase wheat's genetic diversity. Combining these genetic technologies with agricultural practices such as crop rotation and biological control constitutes an integrated pest management (IPM) strategy. Despite the progress made, new pests, the complexity of gene stacking, and technical cost issues remain challenges. In the future, research needs to make greater use of genetic resources, deepen the understanding of insect resistance mechanisms, and combine genomic selection and agronomic innovation. Only in this way can we breed wheat that is more resistant to pests, ensure food security, and achieve sustainable agriculture.
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 ».