Kauran jalostusominaisuuksiin vaikuttavien geenien paikantaminen
Bibliographic record
Abstract
Kauran lajikejalostuksella pyritään tuottamaan entistä satoisampia ja laadukkaampialajikkeita. Bioteknisiä menetelmiä hyödyntämällä mahdollisuudet vastatarehu- ja elintarviketeollisuuden sekä viljelijöiden toivomuksiin paranevat.Kauran (Avena sativa L.) molekyyligeneettinen tutkimus on kehittynyt hitaastiverrattuna maailmanlaajuisesti tärkeämpiin viljalajeihin. Koska Suomi on kansainvälisestisuuri kaurantuottajamaa, on kilpailukykyisten lajikkeiden tuottaminentärkeää. Tässä hankkeessa kehitettiin ja sovellettiin biotekniikan menetelmiäkotimaisen kauranjalostuksen tueksi.Tutkittaviksi ominaisuuksiksi valittiin kauran sisältämä terveysvaikutteinenravintokuitu β-glukaani, rehun energia-arvon kannalta tärkeä öljypitoisuus javiime vuosina Suomeen levinnyt kauran lehtilaikkutauti. Tutkimuksessa koottiinyli kuusisataa DNA-merkkiä käsittävä geenikartta käyttäen pohjoismaista kauranristeytysjälkeläistöä, joka oli muokattu solukkoviljelyssä haploidiavaiheen avullatäysin yhtenäisiksi DH-linjoiksi. Kartan avulla paikannettiin tutkittuihin ominaisuuksiinvaikuttavia geenejä. Tutkimuksessa löydettiin muun muassa seitsemänöljypitoisuuteen, kaksi β-glukaaniin ja monta lehtilaikkutautiin vaikuttavaa kromosomialuetta.Lisäksi kartoitettiin viljelyominaisuuksiin vaikuttavia geenejä.Ominaisuuteen vaikuttavan geenin lähellä sijaitsevia DNA-merkkejä voidaankäyttää näiden ominaisuuksien merkkiavusteisessa valintajalostuksessa.Haploidijalostustekniikat ja DNA-merkkiavusteinen valintajalostus ovat tämänpäivän kauranjalostuksen ulottuvilla. Tulevaisuudessa nopeasti kehittyvät, kokogenomin tutkimuksen eli genomiikan menetelmät tarjoavat lisävälineitä kaurankinominaisuuksien periytymisen ymmärtämiseen ja jalostukseen.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.051 | 0.011 |
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; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
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".