Phenotypic and genomic diversity of Sclerotinia sclerotiorum L. de Bary in Canada.
Bibliographic record
Abstract
Sclerotinia sclerotiorum L. de Bary (Ss), l'agent pathogène responsable de la moisissure blanche, constitue une menace importante pour la production agricole mondiale, affectant un large spectre d'espèces végétales, y compris le haricot commun (Phaseolus vulgaris L.) d'importance économique. Comprendre la diversité génétique et la pathogénicité du Ss est crucial pour développer des stratégies efficaces de gestion de la maladie.Dans cette étude, nous avons effectué une analyse phénotypique à deux caractères axés sur la catégorisation des souches en fonction de leurs réactions de compatibilité en établissant des groupes de compatibilité mycélienne (MCG) et en déterminant les niveaux d'agressivité en évaluant la capacité d'induire la maladie d'une population de 39 souches Ss collectés à travers le Canada. Ces souches ont été testés sur deux cultivars de haricot commun : le sensible Beryl et le G122 possedant résistance intermédiaire (IR).En appariant toutes les souches en les confrontant les uns aux autres, nous avons établi 18 MCGs parmi une petite population de 39 souches Ss, ce qui suggère une grande diversité génétique. Les tests des souches pour la détermination de l'agressivité des souches a été évalué à l’aide d’une inoculation in planta permettant la catégorisation des souches de Ss par niveaux d'agressivité, comme déterminé par leur analyse statistique des valeurs moyennes STAUDPC dans le cultivar sensible.Pour compléter l'analyse phénotypique, nous avons séquencé deux génomes Ss à l'aide des technologies de séquençage Nanopore. Cette approche a fourni des lectures longues, qui sont plus efficaces pour identifier les grandes variantes structurelles (SV) par rapport aux méthodes traditionnelles de séquençage à lecture courte. Aidé par de longues lectures de données générées, nous avons obtenu des assemblages génomiques contigus et de haute qualité. En utilisant les assemblages générés, nous avons suivi un pipeline robuste et comparé le génome de deux souches Ss. Le pipeline faisait partie d’une approche rapide qui a permis l’identification de grandes SV à l’aide d’outils bioinformatiques adaptés aux données de lecture longue qui ont permis l’identification de SV. Ces SVs ont été repérés dans des régions intergéniques et il est suggéré qu'ils influencent l'architecture génomique des génomes analysés. Notre analyse génomique a révélé des informations significatives sur la diversité génétique entre deux génomes de Ss. L’utilisation de la technologie de séquençage à lecture longue nous a permis de capturer les variations génomiques qui sont souvent manquées par les méthodes à lecture courte, offrant ainsi une compréhension plus complète du génome de l’agent pathogène. Ces connaissances sont essentielles pour élaborer des stratégies ciblées de gestion des maladies et pour sélectionner des cultivars de haricots communs résistants.Dans l’ensemble, cette étude met en évidence l’importance de combiner les analyses phénotypiques et génomiques pour comprendre la complexité de la pathogénicité de Ss. Notre approche intégrée souligne l'importance de conserver des suches diversifiés et représentatifs dans les études de gestion des maladies afin d'évaluer et d'atténuer avec précision la menace posée par Ss. Cette recherche constitue une base pour l’élaboration de stratégies ciblées visant à lutter contre la pourriture blanche et à protéger la production agricole mondiale
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 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 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".