Génomique des champignons ophiostomatoïdes : un gène, c’est bien; deux, c’est mieux; deux mille, c’est encore mieux!
Bibliographic record
Abstract
Les champignons ophiostomatoïdes regroupent plus d’une centaine d’espèces saprophytes du xylème des arbres, ainsi que quelques espèces phytopathogènes dont Ophiostoma novo-ulmi , principal agent de la maladie hollandaise de l’orme. Dans le cadre d’un projet de recherche pan-canadien lancé en 2001, nous étudions l’organisation du génome nucléaire des champignons ophiostomatoïdes, en plus d’identifier les gènes qui modulent la valeur adaptative et la pathogénicité chez O. novo-ulmi . Pour ce faire, un éventail d’approches expérimentales relevant de la génomique structurale et de la génomique fonctionnelle est mis à contribution. D’une part, nous avons cartographié à ce jour près de 200 marqueurs nucléaires chez O. novo-ulmi . Certains de ces marqueurs sont utilisés aux fins d’études comparatives du génome nucléaire chez les espèces du genre Ophiostoma . En second lieu, le séquençage à grande échelle de clones d’ADN complémentaire obtenus à partir d’ARN messagers exprimés à diverses phases du développement d’ O. novo-ulmi (par exemple, lors de la croissance végétative en conditions axéniques, lors de la fructification ou encore lors de la colonisation de tissus d’orme) permet d’obtenir la séquence, non plus de gènes individuels, mais des populations entières de gènes. Suite à l’analyse bioinformatique des banques de données publiques, la fonction présumée de plusieurs de ces gènes peut être déterminée in silico . Les approches susmentionnées, qui peuvent être mises à profit pour l’étude d’un grand nombre d’agents pathogènes dont des espèces récalcitrantes aux approches classi-ques, nous ont permis de faire passer rapidement le nombre de gènes identifiés chez O. novo-ulmi de 20 à plus de 2,000. Cette imposante banque de données permet désormais d’envisager des expériences complexes qui permettront de mieux comprendre la biologie des champignons ophiostomatoïdes.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.006 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".