Bitki Paraziti Nematodlarla Mücadelede Biyoteknolojik Yaklaşımlar
Bibliographic record
Abstract
Dünya nüfusunun her geçen gün artması, tarımsal üretimden istenen yüksek verim beklentisini de artırmaktadır. Bu beklentinin karşılanması esnasında biyotik ve abiyotik faktörlere bağlı sorunlar ortaya çıkmaktadır. Biyotik faktörler içerisinde bulunan bitki paraziti nematodlar yıllık ortalama 125 milyon dolarlık ürün kaybı ile önemli bir yere sahiptir. Bitki paraziti nematodlarla mücadelede yaklaşık 8 milyon dolarlık pazara sahip kimyasal mücadele ilk sırada yer almaktadır. Kimyasal ilaçların çevreye, insanlara ve hedef alınmayan organizmalara olan olumsuz etkileri dolayısıyla yeni alternatif mücadele yöntemleri geliştirilmelidir. Son yıllarda biyoteknolojik yöntemler kullanılarak bitki paraziti nematodların kontrolü çalışmaları hızla artış göstermektedir. Bu metotlar nematodlara karşı doğal dayanıklıklar, bitki RNA’sının susturulması, proteinaz inhibitörlerinin kullanımı, lektinler aracılığı ile sağlanan dayanıklık ve Bacillus thuringiensis (Bt) Cry proteinleri aracılığı ile sağlanan dayanıklıklar şeklinde sıralanabilir. Bitki paraziti nematodları kontrol etmek için kullanılan bu yeni biyoteknolojik yöntemler kısa sürede yüksek verim ve kaliteli ürünler üretmek için kullanılabilmektedir. Bu çalışmada bitki paraziti nematodlarla mücadelede biyoteknolojik yaklaşımlar derlenmiştir.
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 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 0.003 |
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".