Multiple disease resistance in intergeneric hybrids
Bibliographic record
Abstract
Федак Дж., Чи Д., Хіберт К., Фетч Т., Маккаллум Б., Сюе А., Као В. Множинна стійкість до хвороб у міжродових гібридахПохідні від чотирьох видів вторинного генофонду пшениці, а саме: один диплоїд (T.monococcum), два тетраплоїди (T.carthlicum; T. timopheevi) та один гексаплоїд (T.Migus chovae) були перевірені на стійкість до фузаріозу колосу, листової іржі, стеблової іржі та лінійної іржі.Після проведення скринінгу, генетичних досліджень та картографування пшениці було виявлено, що всі її види мають множинну стійкість до хвороб.Деякі похідні лінії мають стійкість до чотирьох різних захворювань.Картування показало, що різні захворювання відображаються в різних хромосомах у межах одного приєднання.Наше дослідження показує, що усі чотири генотипи мають стійкість до 4-5 різних захворювань.У більшості випадків фактори стійкості відображені в різних хромосомах.Множинна стійкість до хвороб стає досить поширеним явищем.Для прикладу: ми створили загалом тридцять штучних гексаплоїдів із використанням широкого спектра батьківських форм T. turgidum та T. tauschii.Стійкість до стеблової іржі, листової іржі, лінійної іржі та борошнистої роси була виявлена у різних генотипів, причому два генотипи мають стійкість до всіх чотирьох захворювань.Іншим прикладом нашого дослідження є те, що дві комбінації часткових амфіплоїдів, отриманих із залученням Т. turgidum і Th. intermedium (2n = 42, геном формула AABBEE), мають стійкість до листкової іржі, стеблової іржі та фузаріозу колосу.Наведені приклади взяті з досліджень у наших лабораторіях.Таке саме явище спостерігали і в інших лабораторіях світу.Ці дослідження показують, що вторинні й третинні генофонди пшениці є чудовими джерелами мінливості для більшості хвороб.У своїх дослідженнях ми зазвичай зосереджуємося лише на одній хворобі.Завдання з наведених прикладів полягає в тому, що слід проводити скринінг стійкості до багатьох захворювань.
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
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".