270 articoli
La biologia vegetale esplora i meccanismi affascinanti che permettono alle piante di crescere, adattarsi e sopravvivere in ambienti in continuo cambiamento. Questo campo di studio va ben oltre la semplice osservazione botanica, indagando come gli organismi vegetali interagiscono con la luce, il suolo e gli altri esseri viventi per garantire la salute dei nostri ecosistemi globali.
Su Gist.Science, ogni nuovo preprint pubblicato su bioRxiv in questa categoria viene analizzato con cura per renderlo accessibile a tutti. Offriamo sia riassunti tecnici dettagliati per gli esperti sia spiegazioni in linguaggio semplice, permettendo a ricercatori e appassionati di comprendere le ultime scoperte senza barriere linguistiche o concettuali.
Di seguito trovate la selezione più recente dei lavori scientifici pubblicati su bioRxiv riguardanti la biologia vegetale, pronti per essere esplorati e compresi.
Lo studio dimostra che le varietà locali di mais dell'Argentina settentrionale costituiscono un prezioso serbatoio di diversità fenotipica e biochimica, caratterizzata da una significativa variabilità sia intra- che inter-accessionale e da un'associazione tra le differenze fenotipiche e l'altitudine del sito di raccolta.
Lo studio dimostra che la diversità trascrittomica nel mais è meno sensibile ai colli di bottiglia demografici rispetto alla diversità nucleotidica, poiché è mantenuta da architetture regolatorie poligeniche complesse, caratterizzate da molteplici varianti cis-regolatorie a effetto ridotto e da un ricco pool di aplotipi, che vengono rimodellate dalla selezione durante la storia di miglioramento genetico.
Il paper presenta TimeTraits, un pacchetto R disponibile su CRAN che utilizza l'analisi funzionale dei dati per estrarre parametri da serie temporali biologiche, dimostrando la sua utilità nello studio delle variazioni di forma delle curve di un marcatore bioluminescente del ritmo circadiano in Arabidopsis dopo uno spostamento del fotoperiodo.
Questo studio presenta un approccio di fenotipizzazione non invasivo basato su immagini ad alta risoluzione e tecniche di bracketing a fuoco che, combinando modelli statistici avanzati, risolve il compromesso tra precisione e variabilità nella stima della severità delle malattie vegetali, spostando l'incertezza principale dalle limitazioni di misurazione alla variabilità biologica e ambientale.
Questo studio dimostra che i modelli basati su Transformer, in particolare MobileSAM pre-addestrato, superano le architetture ConvNet nella segmentazione delle radici su nove dataset, evidenziando che la cura dei dati e il pre-addestramento hanno un impatto maggiore sulla performance rispetto alla scelta dell'architettura.
Lo studio rivela che il virus geminivirus TYLCV sfrutta lo splicing alternativo dell'ospite per generare varianti della proteina Rep specializzate nella repressione trascrizionale o nella replicazione, un meccanismo fondamentale per il controllo del ciclo virale e l'infezione.
Utilizzando l'algoritmo Conservatory su 284 specie vegetali, questo studio ha mappato circa 2,3 milioni di sequenze non codificanti conservate, rivelando che gli elementi regolatori antichi sono arricchiti vicino ai geni dello sviluppo, che il loro ordine è mantenuto nonostante i riarrangiamenti genomici e che subiscono una dinamica evolutiva complessa caratterizzata da perdita a gruppi o trasformazione in elementi specifici di lignaggio.
Questo studio dimostra che l'uso di galle transgeniche non patogene, generate da *Agrobacterium tumefaciens* contenenti un clone infettivo del virus CY1, offre un approccio scalabile per inoculare vettori virali terapeutici in modo sistemico in piante come agrumi e *Arabidopsis thaliana*, superando le sfide di consegna su larga scala nei frutteti.
Questo studio dimostra che l'aumento della biosintesi della fenilalanina, precursore chiave, amplifica la produzione di fenilpropanoidi indotta dallo stress luminoso in Arabidopsis, superando un collo di bottiglia metabolico che limita la risposta adattativa della pianta.
Questo studio dimostra che l'integrazione della mutagenesi con azoturo di sodio, la selezione MGIDI e l'analisi machine learning permette di identificare rapidamente mutanti di riso BRRI dhan28 ad alto rendimento e indice di raccolta, accelerando il miglioramento genetico.