Role of plant miRNAs in disease resistance
Bibliographic record
Abstract
Las plantas han desarrollado un potente sistema inmune para defenderse de la infección por patógenos. Este sistema requiere una delicada regulación de la expresión de genes codificantes para proteínas antimicrobianas y de señalización, factores de transcripción y proteínas de regulación hormonal. La regulación transcripcional es esencial para una adecuada defensa, pero también se ha demostrado el papel fundamental de los pequeños RNAs en la regulación post-transcripcional. Los microRNAs (miRNAs) son pequeños RNA no codificantes, reguladores de la expresión génica a nivel post-transcripcional. Su funcionamiento está basado en la degradación o represión de la traducción de sus tránscritos diana. La función reguladora de los miRNAs en el desarrollo de plantas ha sido ampliamente estudiada, sin embargo, la información sobre el papel de los miRNAs en la respuesta de defensa frente a patógenos está más limitada. Esta tesis comprende el estudio de miRNAs en la inmunidad de plantas. El trabajo ha sido desarrollado en arroz (Capítulo I y Capítulo II) y Arabidopsis (Capítulo III), siendo modelos para estudios de genómica funcional en plantas monocotiledóneas y dicotiledóneas. El Capítulo I describe la funcionalidad de un miRNA policistrónico en la interacción con el hongo patógeno Magnaporthe oryzae. Este hongo es el responsable de la piriculariosis, una de las enfermedades del arroz más devastadoras a nivel mundial. La previa identificación de un nuevo miRNA policistrónico (miR166k-166h) nos ha permitido investigar cómo está regulado durante la infección y qué genes están bajo su control. La disponibilidad de una línea transgénica de inserción de T-DNA ha hecho posible demostrar que la activación transcripcional de este miRNA policistrónico confiere resistencia, por lo tanto, funciona como regulador positivo de la inmunidad de las plantas. En el Capítulo II se demuestra la importancia de la expresión del gen Dicer-like 1a (DCL1a), implicado en la biogénesis de miRNAs, en la respuesta de defensa frente a M. oryzae. La sobreexpresión de DCL1a desencadena susceptibilidad a este patógeno. Los mecanismos por los cuales la sobreexpresión de DCL1a produce susceptibilidad son diversos, desde la represión de la expresión de genes de defensa y de genes implicados en la síntesis de fitoalexinas diterpenoides, hasta la producción de especies reactivas de oxígeno (ROS) y la falta de regulación de la expresión de miRNAs. En el Capítulo III se describe el papel del miR773 de Arabidopsis en la inmunidad innata. Este miRNA promueve el corte de tránscritos del gen methyltransferase2 (MET2). Cuando la acción del miR773 se ve reprimida por el mecanismo "target mimic" de imitación de diana, las plantas (MIM773) son más resistentes a la infección fúngica (Plectosphaerella cucumerina, Fusarium oxysporum f. sp. conglutinans and Colletotrichum higginsianum). Sin embargo, tanto la sobreexpresión del miR773 como la mutación de met2 confieren susceptibilidad a la infección fúngica. En conjunto, los resultados obtenidos en esta tesis doctoral demuestran que los miRNAs y los genes de biogénesis de miRNAs son componentes importantes de las respuestas inmunes frente patógenos, tanto en arroz como en Arabidopsis. Un mejor conocimiento de la función de miRNAs puede ser de utilidad para el diseño de nuevas estrategias para la protección de cultivos.
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) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.001 |
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".