Phenotypic and genomic diversity of Sclerotinia sclerotiorum L. de Bary in Canada.
Notice bibliographique
Résumé
Sclerotinia sclerotiorum L. de Bary (Ss), l'agent pathogène responsable de la moisissure blanche, constitue une menace importante pour la production agricole mondiale, affectant un large spectre d'espèces végétales, y compris le haricot commun (Phaseolus vulgaris L.) d'importance économique. Comprendre la diversité génétique et la pathogénicité du Ss est crucial pour développer des stratégies efficaces de gestion de la maladie.Dans cette étude, nous avons effectué une analyse phénotypique à deux caractères axés sur la catégorisation des souches en fonction de leurs réactions de compatibilité en établissant des groupes de compatibilité mycélienne (MCG) et en déterminant les niveaux d'agressivité en évaluant la capacité d'induire la maladie d'une population de 39 souches Ss collectés à travers le Canada. Ces souches ont été testés sur deux cultivars de haricot commun : le sensible Beryl et le G122 possedant résistance intermédiaire (IR).En appariant toutes les souches en les confrontant les uns aux autres, nous avons établi 18 MCGs parmi une petite population de 39 souches Ss, ce qui suggère une grande diversité génétique. Les tests des souches pour la détermination de l'agressivité des souches a été évalué à l’aide d’une inoculation in planta permettant la catégorisation des souches de Ss par niveaux d'agressivité, comme déterminé par leur analyse statistique des valeurs moyennes STAUDPC dans le cultivar sensible.Pour compléter l'analyse phénotypique, nous avons séquencé deux génomes Ss à l'aide des technologies de séquençage Nanopore. Cette approche a fourni des lectures longues, qui sont plus efficaces pour identifier les grandes variantes structurelles (SV) par rapport aux méthodes traditionnelles de séquençage à lecture courte. Aidé par de longues lectures de données générées, nous avons obtenu des assemblages génomiques contigus et de haute qualité. En utilisant les assemblages générés, nous avons suivi un pipeline robuste et comparé le génome de deux souches Ss. Le pipeline faisait partie d’une approche rapide qui a permis l’identification de grandes SV à l’aide d’outils bioinformatiques adaptés aux données de lecture longue qui ont permis l’identification de SV. Ces SVs ont été repérés dans des régions intergéniques et il est suggéré qu'ils influencent l'architecture génomique des génomes analysés. Notre analyse génomique a révélé des informations significatives sur la diversité génétique entre deux génomes de Ss. L’utilisation de la technologie de séquençage à lecture longue nous a permis de capturer les variations génomiques qui sont souvent manquées par les méthodes à lecture courte, offrant ainsi une compréhension plus complète du génome de l’agent pathogène. Ces connaissances sont essentielles pour élaborer des stratégies ciblées de gestion des maladies et pour sélectionner des cultivars de haricots communs résistants.Dans l’ensemble, cette étude met en évidence l’importance de combiner les analyses phénotypiques et génomiques pour comprendre la complexité de la pathogénicité de Ss. Notre approche intégrée souligne l'importance de conserver des suches diversifiés et représentatifs dans les études de gestion des maladies afin d'évaluer et d'atténuer avec précision la menace posée par Ss. Cette recherche constitue une base pour l’élaboration de stratégies ciblées visant à lutter contre la pourriture blanche et à protéger la production agricole mondiale
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».