文献解读-《Beta-amylase and phosphatidic acid involved in recalcitrant seed germination of Chinese chestnut》

简介: 研究表明栽培板栗种子的发芽率受到自然选择和人工选择等多种因素的影响,且提出了板栗种子萌发调控机制的可能工作模型。这些发现将有助于提高坚硬种子的发芽率,并为其他坚硬种子萌发提供见解。

文献解读-Agrigenomics.png
关键词:农业;基因测序;变异检测;


文献简介

  • 标题(英文):Beta-amylase and phosphatidic acid involved in recalcitrant seed germination of Chinese chestnut
  • 标题(中文):β-淀粉酶和磷脂酸参与板栗种子萌发
  • 发表期刊:frontiers in Plant Science
  • 作者单位:北京林业大学
  • 发表年份:2022
  • 文章地址:https://doi.org/10.3389/fpls.2022.828270
    6.png

图1 文献简介

板栗(Castanea mollissima)是一种种子坚硬的物种,是坚果和森林生态系统的重要组成。坚硬种子在自然生境中的发芽率较低,在干燥和低温条件下下降。栽培板栗种子的发芽率明显高于野生种子。

为探究板栗栽培种子萌发率较高的原因,研究者通过基因组比对检测,检测出板栗野生和栽培板栗基因组间113,524个结构变异(SVs)。在60份板栗种质中对这些SV进行基因分型,发现板栗驯化过程中的等位基因频率变化,一些SV是控制种子萌发的重叠基因。转录组分析显示,在强选择的种子基因中,脱落酸合成基因下调,β-淀粉酶合成基因上调。另一方面,激素和酶活性测定表明栽培种子中内源性ABA水平降低,β-淀粉酶活性增加。这些结果揭示了栽培种子的发芽率较高。此外,磷脂酸合成基因在野生板栗种子萌发期高表达,可能在顽固种子萌发中发挥作用。这些发现为野生种子萌发的调控,促进自然再生和演替提供了新的见解。


测序流程

在基因组分析部分,研究者使用Sentieon软件进行变异检测。

3.png

图2 sentieon的作用


1.jpg


图3 野生板栗与栽培板栗之间的强基因选择


2.jpg


图4 板栗萌发相关的淀粉酶基因

Sentieon软件团队拥有丰富的软件开发及算法优化工程经验,致力于解决生物数据分析中的速度与准确度瓶颈,为来自于分子诊断、药物研发、临床医疗、人群队列、动植物等多个领域的合作伙伴提供高效精准的软件解决方案,共同推动基因技术的发展。 截至2023年3月份,Sentieon已经在全球范围内为1300+用户提供服务,被世界一级影响因子刊物如NEJM、Cell、Nature等广泛引用,引用次数超过700篇。此外,Sentieon连续数年摘得了Precision FDA、Dream Challenges等多个权威评比的桂冠,在业内获得广泛认可。


文献讨论

4.png

图5 文献讨论


种子萌发对植物发育和育种计划至关重要。这一过程受环境条件和遗传结构的影响,植物在萌发过程中需要大量能量,如淀粉、蛋白质和脂质。中国板栗的淀粉质坚果干重为46∼64%,这些顽拗性种子的萌发特性在栽培和野生树木之间存在差异。一般来说,种子无法耐受干燥和冷藏,因为它们在储存过程中会迅速失去萌发能力和活力,而野生种子具有强烈的休眠能力和低萌发率。

总结

综上所述,栽培板栗种子的发芽率受到自然选择和人工选择等多种因素的影响。最后,该研究提出了板栗种子萌发调控机制的可能工作模型。这些发现将有助于提高坚硬种子的发芽率,并为其他坚硬种子萌发提供见解。

目录
相关文章
|
6月前
Google Earth Engine(GEE) ——社会关联指数Social Connectedness Index(SCI)数据集
Google Earth Engine(GEE) ——社会关联指数Social Connectedness Index(SCI)数据集
64 1
|
5月前
|
机器学习/深度学习 人工智能 并行计算
人工智能平台PAI操作报错合集之version选了0.7.5并在使用learn_loss_weight时遇到报错,如何解决
阿里云人工智能平台PAI (Platform for Artificial Intelligence) 是阿里云推出的一套全面、易用的机器学习和深度学习平台,旨在帮助企业、开发者和数据科学家快速构建、训练、部署和管理人工智能模型。在使用阿里云人工智能平台PAI进行操作时,可能会遇到各种类型的错误。以下列举了一些常见的报错情况及其可能的原因和解决方法。
|
6月前
|
数据可视化 算法 数据挖掘
R语言SIR模型(Susceptible Infected Recovered Model)代码sir模型实例
R语言SIR模型(Susceptible Infected Recovered Model)代码sir模型实例
|
机器学习/深度学习 算法 网络安全
【OpenVI—论文解读系列】ICML long talk | 开源半监督学习框架Dash
论文链接:Dash: Semi-Supervised Learningwith DynamicThreolding 本文介绍机器学习顶级国际会议 ICML 2021 接收的 long talk (top 3.02%) 论文 “Dash: Semi-Supervised Learning with Dynamic Thresholding”。
359 5
|
机器学习/深度学习 PyTorch 测试技术
使用PyTorch和Flower 进行联邦学习
本文将介绍如何使用 Flower 构建现有机器学习工作的联邦学习版本。我们将使用 PyTorch 在 CIFAR-10 数据集上训练卷积神经网络,然后将展示如何修改训练代码以联邦的方式运行训练。
359 0
|
机器学习/深度学习 人工智能 自然语言处理
全球名校AI课程库(15)| Stanford斯坦福 · 线性代数与矩阵方法导论课程『Introduction to Applied Linear Algebra』
快速补充线性代数的必选课程!课程用了非常多的例子和图标,来直观地表示向量、矩阵与复杂世界的关系,并将数学转化为解决工程问题的能力。
2303 1
全球名校AI课程库(15)| Stanford斯坦福 · 线性代数与矩阵方法导论课程『Introduction to Applied Linear Algebra』
|
Rust Ubuntu 编译器
Standard ML快餐教程(1) - 初识
如何搭建Standard ML开发环境,以及如何在sml中生存下来
2985 0
|
PyTorch 算法框架/工具
PyG (PyTorch Geometric) Dropbox系图数据集无法下载的解决方案(AMiner, DBLP, IMDB, LastFM)(持续更新ing...)
本文主要关注PyG官方提供的数据集中,因为数据下载源是Dropbox,所以不能直接下载的解决方案。
|
机器学习/深度学习 算法 数据挖掘
cs224w(图机器学习)2021冬季课程学习笔记16 Community Detection in Networks
本章主要内容: 本章首先介绍了网络中社区community(或cluster / group)的概念,以及从社会学角度来证明了网络中社区结构的存在性。 接下来介绍了modularity概念衡量community识别效果。 然后介绍了Louvain算法1识别网络中的community。 对于overlapping communiteis,本章介绍了BigCLAM2 方法来进行识别。
cs224w(图机器学习)2021冬季课程学习笔记16 Community Detection in Networks
|
编解码 ice
Google Earth Engine ——ALOS World 3D - 30m (AW3D30) 是一个全球数字表面模型 (DSM) V3_2版本数据集
Google Earth Engine ——ALOS World 3D - 30m (AW3D30) 是一个全球数字表面模型 (DSM) V3_2版本数据集
525 0
Google Earth Engine ——ALOS World 3D - 30m (AW3D30) 是一个全球数字表面模型 (DSM) V3_2版本数据集