Caracterización de proteínas (NB) de Yuca (Manihot esculenta) implicadas en la interacción con el patógeno Xanthomonas phaseoli pv. manihotis (Xpm)

Vista sencilla de ítem
dc.contributor.advisorLópez Kleine, Lilianaspa
dc.contributor.advisorLópez Carrascal, Camilo Ernestospa
dc.contributor.authorBastidas Pardo, Margelly Andreaspa
dc.contributor.researchgroupGrupo de Investigación en Bioinformática y Biología de Sistemasspa
dc.date.accessioned2025-04-03T13:39:42Z
dc.date.available2025-04-03T13:39:42Z
dc.date.issued2024
dc.descriptionilustraciones, diagramas, tablasspa
dc.description.abstractLa inmunidad de las plantas depende del reconocimiento efectivo de los patógenos, lo que se logra a través de receptores proteicos especializados. Entre estos, se encuentran las proteínas con un dominio NB-ARC (del inglés Nucleotide Binding - adaptor shared by APAF- 1 R proteins, and CED-4), que están involucradas en el reconocimiento directo o indirecto de las proteínas del patógeno conocidas como efectores. La expresión de los genes que codifican estas proteínas NB suele ser constitutiva y baja. La yuca, un cultivo clave en regiones tropicales del mundo, es vulnerable a enfermedades causadas por patógenos como Xanthomonas phaseoli pv. manihotis (Xpm) y mantiene interacciones con numerosos microorganismos presentes tanto en el suelo como en las hojas. Sin embargo, son pocos los estudios que han abordado el repertorio de estas proteínas en yuca. De igual manera no se ha profundizado sobre su expresión la cual puede ser modulada por factores tanto bióticos como abióticos. La presente investigación tiene como objetivo caracterizar a nivel de secuencia y expresión las proteínas que poseen el dominio NB-ARC de yuca implicadas en respuesta a diferentes estímulos bióticos y abióticos. El estudio se divide en tres fases, la primera es la de identificación de las proteínas de resistencia NB de la yuca mediante curación manual de las secuencias y la determinación del número de polimorfismos, utilizando bases de datos de secuencias y programas bioinformáticos. La segunda fase es la obtención del perfil de expresión de genes codificadores de proteínas NB en la yuca a partir de datos de expresión públicos (RNA-seq) obtenidos de la base de datos GEO del NCBI y el análisis diferencial de expresión (DEGs). Además, se construyeron redes de coexpresión para identificar interacciones entre los genes y se realizó un análisis filogenético mediante alineamientos de secuencias y la construcción de un árbol filogenético. Finalmente, la tercera fase incluye la integración de la información de expresión y polimorfismos y tiene como fin ahondar el conocimiento sobre procesos moleculares conocidos asociados a la interacción con Xpm, así como emitir nuevas hipótesis biológicas sobre esta interacción planta-patógeno a través de análisis descriptivos multivariados (Texto tomado de la fuente).spa
dc.description.abstractPlant immunity relies on the effective recognition of pathogens, achieved through specialized protein receptors. Among these, NB-ARC domain-containing proteins (Nucleotide Binding - adaptor shared by APAF-1, R proteins, and CED-4) are involved in the direct or indirect recognition of pathogen proteins known as effectors. The expression of genes encoding these NB proteins is typically constitutive and low. Cassava (Manihot esculenta), a key crop in tropical regions, is vulnerable to diseases caused by pathogens such as Xanthomonas phaseoli pv. manihotis (Xpm) and interacts with numerous microorganisms present in both soil and leaves. However, few studies have explored the repertoire of these proteins in cassava, and little is known about how their expression might be modulated by biotic and abiotic factors. This research aims to characterize cassava NB-ARC proteins at the sequence and expression levels in response to various biotic and abiotic stimuli. The study is divided into three phases, the first being the identification of cassava NB resistance proteins through manual sequence curation and polymorphism analysis using sequence databases and bioinformatics tools. The second phase focuses on obtaining the expression profiles of NB-encoding genes in cassava using public RNA-seq data from the GEO database (NCBI), applying differential expression (DEG) analysis. Additionally, co-expression networks were constructed to identify gene interactions, and a phylogenetic analysis was performed through sequence alignments and a phylogenetic tree construction. Finally, the third phase integrates expression and polymorphism data to deepen the understanding of molecular processes associated with interactions with Xpm, and, to generate new biological hypotheses about plant-pathogen interactions through multivariate descriptive analyses.eng
dc.description.degreelevelMaestríaspa
dc.description.degreenameMagíster en Ciencias - Microbiologíaspa
dc.description.methodsLa metodología para caracterizar las proteínas de resistencia NB en la yuca (Manihot esculenta) en diferentes condiciones, se desarrolló en tres fases principales. Este esquema ofrece una vista general de los pasos críticos que se siguieron, desde la identificación inicial de los genes NB, pasando por el análisis de sus perfiles de expresión, hasta la integración de los datos de polimorfismos y expresión génica. En la primera fase se realizó la identificación de las proteínas de resistencia NB de la yuca mediante curación manual de las secuencias y determinación de polimorfismos. En esta fase, se identificaron y se depuraron los genes NB, y se determinaron los polimorfismos asociados mediante secuenciación. En la segunda fase se determinó la obtención del perfil de expresión de genes codificadores de proteínas NB en la yuca a partir de datos de expresión públicos. Se realizó un análisis de expresión génica bajo diversas condiciones experimentales utilizando bases de datos públicas de RNA-seq. En la tercera fase se integró la información de expresión y polimorfismos, se organizaron los datos de expresión y polimorfismos en una tabla, culminando en la identificación de genes prioritarios a través del análisis de componentes principales (PCA). Cada fase representó un conjunto de procedimientos interrelacionados que fueron esenciales para profundizar en la comprensión del comportamiento de los genes NB en diferentes contextos biológicos. A continuación, se describen en detalle los pasos clave de cada una de estas fases. 1. Identificación de las proteínas de resistencia NB de la yuca mediante curación manual de las secuencias y determinación de polimorfismos. 1.1 Identificación y curación manual de los genes que codifican proteínas NB. La investigación se centró en el análisis de los genes de la yuca (M. esculenta) que codifican proteínas NB, utilizando la versión 8.1 de la anotación del genoma, disponible a través de la plataforma Phytozome. Dicha versión contiene aproximadamente 32.858 genes codificadores de proteínas. En primer lugar, se descargó la anotación de los genes de la yuca que pertenecen a la familia Pfam NBS (NB-ARC, PF00931) este proceso se realizó utilizando la herramienta BIOMART, disponible en la base de datos de Phytozome. Posteriormente, se llevó a cabo un proceso de confirmación de la anotación de los genes y para ello, se alinearon las secuencias utilizando el programa BLASTP (NCBI), con el fin de identificar aquellas secuencias que contenían el dominio NB-ARC, clave en la funcionalidad de las proteínas NB. Para asegurar la calidad de los resultados, se realizó una curación manual de las secuencias seleccionadas. Dicho proceso consistió en comparar las secuencias alineadas con la base de datos MOTIF (Searching Protein Sequence Motifs - GenomeNet), donde se verificó manual y visualmente la presencia del dominio NB-ARC. Aquellas secuencias que presentaban dominios incompletos o ausentes fueron eliminadas. Finalmente, las secuencias filtradas se alinearon utilizando el programa Clustal OMEGA, con el objetivo de identificar motivos conservados y variaciones en la estructura de las proteínas NB de la yuca. 1.2. Determinación de polimorfismos de nucleótidos simples (SNPs) La investigación se enfocó en la identificación de SNPs en muestras de variedades nativas de yuca mediante la técnica GBS, estas variedades fueron seleccionadas debido a su importancia local, adaptabilidad agroecológica y posible variabilidad genética asociada con resistencia a patógenos. Después de la secuenciación del genoma v8.1, se llevaron a cabo análisis de variantes para identificar los SNPs presentes en estas variedades. Posteriormente, con el objetivo de determinar la cantidad de SNPs asociados a los genes NBs, se implementó un enfoque programático. Se tuvo en cuenta la información de la posición y el número de cromosoma de los SNPs, se descargó la referencia de genes NBs de la herramienta Biomart de Phytozome y, mediante programación, se cuantificó el número de SNPs en cada gen NB, identificando su ubicación específica en el genoma. Este enfoque permitió un análisis preciso de la variabilidad genética en las variedades nativas de yuca, proporcionando información detallada sobre los SNPs asociados a los genes NBs en estas muestras. 2. Obtención del perfil de expresión de genes codificadores de proteínas NB en la yuca a partir de datos de expresión públicos 2.1. Perfil de expresión de genes codificadores de proteínas NB en la yuca a partir de datos de expresión públicos Se realizó un análisis de datos de expresión génica en M. esculenta (yuca) en respuesta a patógenos y estrés ambiental. Para la selección de los experimentos, se accedió a la base de datos Gene Expression Omnibus (GEO) del NCBI, donde se buscaron estudios relacionados con la yuca que abordaron su respuesta a condiciones de estrés, tanto biótico como abiótico. El enfoque se centró en experimentos que utilizaron técnicas de RNA-seq o expression profiling by high throughput sequencing, asegurando así la obtención de datos de alta calidad para el análisis de expresión génica. Se establecieron varios criterios para la selección de los experimentos: en primer lugar, se priorizó que los datos fueran accesibles y descargables para su posterior procesamiento. Asimismo, se tomó en cuenta que los estudios incluyeran un número considerable de muestras y réplicas, lo que garantiza la robustez estadística necesaria para el análisis. Finalmente, solo se consideraron aquellos experimentos que tuvieran relevancia biológica con el tema de estudio, es decir, la respuesta de la yuca a patógenos y estrés ambiental. Los datos fueron procesados en el entorno de R. Inicialmente, se descargaron los datos de expresión de cada experimento y se evaluó su calidad mediante la generación de un correlograma utilizando la función corrplot (Afzal et al., 2022). Esta visualización facilitó la identificación de datos atípicos y aseguró la consistencia del conjunto de datos antes de proceder con el análisis. Para optimizar aún más la calidad del conjunto de datos, se implementó un filtro que eliminó genes con baja o excesiva expresión. Se excluyeron los genes con sumas de expresión inferiores a 12 y superiores a 900,000, lo que permitió reducir el ruido en los análisis y centrarse en genes de mayor relevancia biológica. Finalmente, se llevó a cabo un análisis específico de los genes que codifican proteínas NB, que fueron identificados dentro del conjunto de datos filtrados. Los patrones de expresión de estos genes se evaluaron mediante la creación de mapas de calor utilizando la librería pheatmap del programa R, lo que permitió visualizar de manera clara las dinámicas de expresión y las posibles respuestas de los genes NB bajo las diferentes condiciones experimentales. Este enfoque fue fundamental para interpretar las respuestas de los genes NB a los estímulos patógenos y estrés ambiental. 2.2. Análisis diferencial de expresión génica Para el análisis de expresión génica de los experimentos seleccionados, se realizó un análisis diferencial de expresión génica (DEGs) con ayuda de la librería DESeq2 en el entorno de programación R, aplicando el mismo procedimiento a cada experimento de manera individual. Inicialmente, los datos fueron cargados y evaluados mediante un boxplot para identificar posibles outliers (valores atípicos) que pudieran alterar los resultados. La similitud entre las muestras fue evaluada utilizando el coeficiente de correlación de Pearson, con un umbral de 0.95 para asegurar una alta correlación entre las réplicas biológicas y garantizar la consistencia de los datos en cada experimento. Para mejorar la calidad de los datos en cada uno de los experimentos, se aplicó un filtro que eliminó genes con lecturas extremadamente altas (aproximadamente 100,000) y aquellos sin variabilidad significativa (varianza igual a 0). Este filtrado permitió centrarse en genes de mayor relevancia biológica, reduciendo el ruido en los análisis. Se construyó una tabla de condiciones experimentales (coldata) que incluía las variables tiempo y condición (control y tratamiento) y el diseño experimental fue modelado en DESeq2, lo que permitió evaluar cómo la expresión génica cambiaba en función del tiempo y las condiciones experimentales ya sea ante patógenos o estrés ambiental en cada experimento. El análisis se realizó utilizando la prueba de Likelihood Ratio Test (LRT), lo que permitió identificar genes con expresión diferencial significativa al comparar los modelos completos y reducidos. Para normalizar los datos, se utilizaron factores de tamaño estimados con estimateSizeFactors y se excluyeron muestras con factores de tamaño mayores a 3 o menores a 0.3 en cada experimento, asegurando la consistencia en la profundidad de secuenciación. Posteriormente, se aplicó la técnica de shrinkage con la función lfcShrink de la liberia apeglm, lo que permitió ajustar los coeficientes de expresión, particularmente en genes con baja expresión, reduciendo la varianza y mejorando la precisión de las estimaciones. Los coeficientes ajustados fueron visualizados mediante gráficos MA plot, destacando los genes más significativamente expresados en cada experimento. Se consideraron como significativamente expresados los genes con un valor p-adj inferior a 0.1, aplicando un umbral de False Discovery Rate (FDR) del 10%. Este valor de FDR fue calculado mediante la corrección de Benjamini-Hochberg, que controla la tasa y reduce la probabilidad de identificar positivos falsos. Para mejorar la visualización de los datos, se aplicó una transformación logarítmica regularizada (rlog) mediante la función rlog de DESeq2 en cada experimento. Esta transformación estabilizó la varianza y permitió una mejor representación de los genes de baja y alta expresión. Se generaron gráficos boxplot y corrplot con los datos transformados para confirmar la similitud entre las muestras. Luego se almacenaron los resultados de expresión diferencial de cada experimento en archivos CSV y se identificaron los genes que codifican para proteínas NB. Después se aplicó el mismo proceso de análisis diferencial exclusivamente al conjunto de genes (NBs) en cada experimento. 2.3. Red de coexpresión Para la construcción de la red de coexpresión, se utilizaron los datos que fueron previamente normalizados mediante la transformación logarítmica regularizada (rlog) de DESeq2 de cada uno de los experimentos, luego para cada conjunto de datos fue cargado y procesado para agrupar las réplicas biológicas y las condiciones experimentales, con el objetivo de calcular las medianas de expresión génica para cada grupo, después se realizó un proceso de filtrado para eliminar aquellas muestras que no eran de interés para el análisis, lo que permitió centrarse en las condiciones experimentales relevantes. Una vez seleccionadas las muestras, se llevó a cabo la normalización de los datos utilizando el método de normalización de varianza estable (VSN). Este método fue implementado para estabilizar la varianza a lo largo de las diferentes condiciones experimentales y asegurar que los valores de expresión fueran comparables entre las muestras, la efectividad de esta normalización fue evaluada mediante boxplots y gráficas de correlación para verificar la homogeneidad en la distribución de los datos después del proceso de normalización. Una vez obtenidos los datos normalizados, se procedió a construir la red de coexpresión, la cual se basó en el cálculo del coeficiente de correlación de Pearson entre las expresiones génicas. El coeficiente de correlación permitió medir la similitud entre los patrones de expresión y se utilizó un umbral (τ) de 0.88 para definir las conexiones entre los genes. Este umbral fue determinado mediante el análisis de la curva |Cr-Co|, que evalúa el balance entre el coeficiente de agrupamiento observado (Cr) y el esperado (Co). Los genes con correlaciones mayores o iguales a 0.88 fueron considerados como coexpresados y se incluyeron en la matriz de adyacencia que define la red. A continuación, se generó un gráfico a partir de la matriz de adyacencia, donde los nodos representan los genes y las aristas representan las conexiones basadas en la coexpresión. El análisis de la topología de la red se realizó utilizando varias métricas clave como; medidas de centralidad, donde se calculó el grado de nodo (degree) para cada gen, lo que representa el número de conexiones que tiene cada nodo en la red; hub- centralidad, esta métrica permitió identificar genes que actúan como centros importantes en la red, conectando un gran número de genes y facilitando la propagación de la información entre diferentes partes de la red. Se midió la betweenness de cada nodo, que indica cuántas veces un gen actúa como puente en los caminos más cortos entre otros genes, reflejando su importancia en la estructura de la red y la transitividad o también conocida como coeficiente de agrupamiento local, que sirve, para evaluar la tendencia de los genes a formar clústeres o grupos dentro de la red, lo que indica que tan interconectados están los vecinos de un nodo. Por último, la visualización y análisis detallado de la red de coexpresión se realizó utilizando la herramienta Cytoscape, que permitió representar gráficamente la red y realizar un análisis más profundo de su topología. La plataforma facilitó la identificación visual de los genes con mayor centralidad y la exploración de los módulos o clústeres dentro de la red. Se realizó la normalización de los datos utilizando el método Variance Stabilizing Transformation (VSN) y los análisis complementarios para evaluar la efectividad de la normalización. En cuanto a la construcción de la red de coexpresión se basó en el cálculo del coeficiente de correlación de Pearson, utilizando un umbral (τ) de 0.88 para definir las conexiones entre genes (Gaiteri et al., 2014). Se realizó un análisis detallado de la topología de la red, incluyendo medidas de centralidad, hub centrality, betweenness, degree, y transitivity. Los genes identificados se analizaron en términos de centralidad, utilizando herramientas como Cytoscape para visualizar la red y analizar su topología (Zhang & Horvath, 2005). 2.4. Análisis filogenético Se realizó el alineamiento de las secuencias utilizando el programa MAFFT en el servidor NGPhylogeny.fr, el cual fue empleado para garantizar la precisión en la alineación de las 197 secuencias. Posteriormente, se construyó el árbol filogenético mediante el método de máxima verosimilitud con el algoritmo PhyML, utilizando el modelo LG y la opción de bootstrap con 1000 repeticiones para evaluar la robustez de las ramas. La visualización del árbol filogenético fue generada mediante la herramienta de Newick Display en el mismo servidor, lo que permitió observar las relaciones evolutivas entre las secuencias y categorizar los genes en función de sus dominios conservados y similitudes estructurales. 3. Integración de la información de expresión y polimorfismos Para integrar de manera efectiva toda la información obtenida, se generó una tabla consolidada que incluyó los datos de los genes diferencialmente expresados (DEGs), la topología de la red de coexpresión, el número polimorfismos identificados (SNPs) y otras características relevantes de los genes. Posteriormente, se realizó un análisis de correlación general utilizando la herramienta corrplot en R, lo cual permitió evaluar de manera global las relaciones entre todas las variables medidas, el análisis mostró que los polimorfismos tienen una correlación más fuerte con las propiedades topológicas de la red que con los DEGs. Luego, se llevó a cabo una evaluación bivariada entre las diferentes características topológicas de la red (centralidad, grado, hubcentralidad y betweenness) y los polimorfismos. Este enfoque permitió identificar las conexiones más relevantes entre la estructura de la red y los polimorfismos, proporcionando una visión más detallada de cómo estos factores interactúan, además, este análisis permitió destacar los genes más significativos. Para reducir la dimensionalidad del conjunto de datos y resaltar las principales fuentes de variabilidad entre los genes analizados, se llevó a cabo un Análisis de Componentes Principales (PCA). Previamente, se generó un Scree Plot que ayudó a determinar el número óptimo de componentes y finalmente se realizó un Análisis de Componentes Principales (PCA) que permitió identificar los componentes principales que capturan la mayor parte de la variabilidad en los datos, proporcionando información clave sobre la distribución y agrupación de los genes en función de sus características (Conesa et al., 2016). A través de este análisis integrado, se destacaron genes clave que mostraron una combinación significativa de alta centralidad en la red de coexpresión y un número elevado de polimorfismos, destacando su relevancia en la funcionalidad biológica y su impacto potencial en las condiciones experimentales evaluadas (Wold et al., 1987).spa
dc.description.researchareaEstadística Genómicaspa
dc.format.extent106 páginasspa
dc.format.mimetypeapplication/pdfspa
dc.identifier.instnameUniversidad Nacional de Colombiaspa
dc.identifier.reponameRepositorio Institucional Universidad Nacional de Colombiaspa
dc.identifier.repourlhttps://repositorio.unal.edu.co/spa
dc.identifier.urihttps://repositorio.unal.edu.co/handle/unal/87830
dc.language.isospaspa
dc.publisherUniversidad Nacional de Colombiaspa
dc.publisher.branchUniversidad Nacional de Colombia - Sede Bogotáspa
dc.publisher.facultyFacultad de Cienciasspa
dc.publisher.placeBogotá, Colombiaspa
dc.publisher.programBogotá - Ciencias - Maestría en Ciencias - Microbiologíaspa
dc.relation.referencesAfzal, M., Alghamdi, S. S., Nawaz, H., Migdadi, H. H., Altaf, M., El-Harty, E., Al-Fifi, S. A., & Sohaib, M. (2022). Genome-wide identification and expression analysis of CC-NB-ARC- LRR (NB-ARC) disease-resistant family members from soybean (Glycine max L.) reveal their response to biotic stress. Journal of King Saud University - Science, 34(2), 101758. https://doi.org/10.1016/j.jksus.2021.101758spa
dc.relation.referencesAlsamman, A. M., Mousa, K. H., Nassar, A. E., Faheem, M. M., Radwan, K. H., Adly, M. H., Hussein, A., Istanbuli, T., Mokhtar, M., Elakkad, T. A., Kehel, Z., Hamwieh, A., Abdelsattar, M., & Allali, A. E. (2023). Identification, characterization, and validation of NBS-encoding genes in grasspea. Frontiers in Genetics, 14, 1187597. https://doi.org/10.3389/fgene.2023.1187597spa
dc.relation.referencesAltschul, S. F., Madden, T. L., Schäffer, A. A., Zhang, J., Zhang, Z., Miller, W., & Lipman, D. J. (1997). Gapped BLAST and PSI-BLAST: a new generation of protein database search programs. Nucleic Acids Research, 25(17), 3389–3402. https://doi.org/10.1093/nar/25.17.3389spa
dc.relation.referencesAlwine, J. C., Kemp, D. J., & Stark, G. R. (1977). Method for detection of specific RNAs in agarose gels by transfer to diazobenzyloxymethyl-paper and hybridization with DNA probes. Proceedings of the National Academy of Sciences, 74(12), 5350–5354. https://doi.org/10.1073/pnas.74.12.5350spa
dc.relation.referencesAnbu, S., Swart, V., & Van Den Berg, N. (2023). Unmasking the invaders: NLR-mal function in plant defense. Frontiers in Plant Science, 14, 1307294. https://doi.org/10.3389/fpls.2023.1307294spa
dc.relation.referencesAnders, S., & Huber, W. (2010). Differential expression analysis for sequence count data. Genome Biology, 11(10), R106. https://doi.org/10.1186/gb-2010-11-10-r106spa
dc.relation.referencesAoki, K., Ogata, Y., & Shibata, D. (2007). Approaches for Extracting Practical Information from Gene Co-expression Networks in Plant Biology. Plant and Cell Physiology, 48(3), 381–spa
dc.relation.referencesAristizábal, J., Sánchez, T., & Mejía-Lorío, D. J. (2007). Guía técnica para producción y análisis de almidón de yuca. Organización de las Naciones Unidas para la Agricultura y la Alimentación.spa
dc.relation.referencesAshburner, M., Ball, C. A., Blake, J. A., Botstein, D., Butler, H., Cherry, J. M., Davis, A. P., Dolinski, K., Dwight, S. S., Eppig, J. T., Harris, M. A., Hill, D. P., Issel-Tarver, L., Kasarskis, A., Lewis, S., Matese, J. C., Richardson, J. E., Ringwald, M., Rubin, G. M., & Sherlock, G. (2000). Gene ontology: tool for the unification of biology. The Gene Ontology Consortium. Nature Genetics, 25(1), 25–29. https://doi.org/10.1038/75556spa
dc.relation.referencesBechoff, A., Tomlins, K., Fliedel, G., Becerra Lopez-lavalle, L. A., Westby, A., Hershey, C., & Dufour, D. (2018). Cassava traits and end-user preference: Relating traits to consumer liking, sensory perception, and genetics. Critical Reviews in Food Science and Nutrition, 58(4), 547–567. https://doi.org/10.1080/10408398.2016.1202888spa
dc.relation.referencesBhattacharjee, S., Noor, J. J., Gohain, B., Gulabani, H., Dnyaneshwar, I. K., & Singla, A. (2015). Post‐translational modifications in regulation of pathogen surveillance and signaling in plants: The inside‐ (and perturbations from) outside story. IUBMB Life, 67(7), 524–532. https://doi.org/10.1002/iub.1398spa
dc.relation.referencesBigeard, J., Colcombet, J., & Hirt, H. (2015). Signaling Mechanisms in Pattern-Triggered Immunity (PTI). Molecular Plant, 8(4), 521–539. https://doi.org/10.1016/j.molp.2014.12.022spa
dc.relation.referencesBoller, T., & Felix, G. (2009). A Renaissance of Elicitors: Perception of Microbe-Associated Molecular Patterns and Danger Signals by Pattern-Recognition Receptors. Annual Review of Plant Biology, 60(1), 379–406. https://doi.org/10.1146/annurev.arplant.57.032905.105346spa
dc.relation.referencesBork, P., & Koonin, E. V. (1996). Protein sequence motifs. Current Opinion in Structural Biology, 6(3), 366–376. https://doi.org/10.1016/S0959-440X(96)80057-1spa
dc.relation.referencesBurbano-Figueroa, O. (2020). Resistencia de plantas a patógenos: una revisión sobre los conceptos de resistencia vertical y horizontal. Revista Argentina de Microbiología, 52(3), 245–255. https://doi.org/10.1016/j.ram.2020.04.006spa
dc.relation.referencesCohn, M., Bart, R. S., Shybut, M., Dahlbeck, D., Gomez, M., Morbitzer, R., Hou, B.-H., Frommer, W. B., Lahaye, T., & Staskawicz, B. J. (2014). Xanthomonas axonopodis virulence is promoted by a transcription activator-like effector-mediated induction of a SWEET sugar transporter in cassava. Molecular Plant-Microbe Interactions: MPMI, 27(11), 1186–1198. https://doi.org/10.1094/MPMI-06-14-0161-Rspa
dc.relation.referencesConesa, A., Madrigal, P., Tarazona, S., Gomez-Cabrero, D., Cervera, A., McPherson, A., Szcześniak, M. W., Gaffney, D. J., Elo, L. L., Zhang, X., & Mortazavi, A. (2016). A survey of best practices for RNA-seq data analysis. Genome Biology, 17(1), 13. https://doi.org/10.1186/s13059-016-0881-8spa
dc.relation.referencesContreras, M. P., Lüdke, D., Pai, H., Toghani, A., & Kamoun, S. (2023). NLR receptors in plant immunity: making sense of the alphabet soup. EMBO Reports, 24(10), e57495. https://doi.org/10.15252/embr.202357495spa
dc.relation.referencesCuervo, M., Martínez, A., Niño, D., Ramírez, J. C., Gutiérrez, A., Dorado, E., & Muñoz, L. (2017). Manual de procedimientos del laboratorio de sanidad de germoplasma: Certificación sanitaria del germoplasma de yuca (2da ed., 63 págs.). Palmira, Colombia: Centro Internacional de Agricultura Tropical (CIAT), Programa Recursos Genéticos. https://hdl.handle.net/10568/49635spa
dc.relation.referencesDixon, C. L., Wu, A., & Fairn, G. D. (2023). Multifaceted roles and regulation of nucleotide- binding oligomerization domain containing proteins. Frontiers in Immunology, 14, 1242659. https://doi.org/10.3389/fimmu.2023.1242659spa
dc.relation.referencesDodds, P. N., & Rathjen, J. P. (2010). Plant immunity: towards an integrated view of plant– pathogen interactions. Nature Reviews Genetics, 11(8), 539–548. https://doi.org/10.1038/nrg2812spa
dc.relation.referencesDong, A.-Y., Wang, Z., Huang, J.-J., Song, B.-A., & Hao, G.-F. (2021). Bioinformatic tools support decision-making in plant disease management. Trends in Plant Science, 26(9), 953–967. https://doi.org/10.1016/j.tplants.2021.05.001spa
dc.relation.referencesEllis, J., Dodds, P., & Pryor, T. (2000). Structure, function and evolution of plant disease resistance genes. Current Opinion in Plant Biology, 3(4), 278–284. https://doi.org/10.1016/S1369-5266(00)00080-7spa
dc.relation.referencesEspitia Montes, A. A., Pérez Cantero, S. P., Regino Hernández, S. M., Támara Morelos, R. E., García Herazo, J. L., Martínez Figueroa, R. R., & García Peña, J. A. (2022). Manual para la producción y escalamiento de semilla de yuca (Manihot esculenta) de calidad. Corporación Colombiana de Investigación Agropecuaria (Agrosavia). https://doi.org/10.21930/agrosavia.manual.7405569spa
dc.relation.referencesEuropean Bioinformatics Institute (EBI). (n.d.). ArrayExpress. EBI. http://www.ebi.ac.uk/arrayexpress/spa
dc.relation.referencesFeehan, J. M., Castel, B., Bentham, A. R., & Jones, J. D. (2020). Plant NLRs get by with a little help from their friends. Current Opinion in Plant Biology, 56, 99–108. https://doi.org/10.1016/j.pbi.2020.04.006spa
dc.relation.referencesFick, A., Swart, V., & Van Den Berg, N. (2022). The Ups and Downs of Plant NLR Expression During Pathogen Infection. Frontiers in Plant Science, 13, 921148. https://doi.org/10.3389/fpls.2022.921148spa
dc.relation.referencesFinotello, F., & Di Camillo, B. (2015). Measuring differential gene expression with RNA-seq: challenges and strategies for data analysis. Briefings in Functional Genomics, 14(2), 130–142. https://doi.org/10.1093/bfgp/elu035spa
dc.relation.referencesFood and Agriculture Organization of the United Nations (FAO). (2020). Retrieved August 5, 2023, from https://www.fao.org/faostat/en/spa
dc.relation.referencesGaiteri, C., Ding, Y., French, B., Tseng, G. C., & Sibille, E. (2014). Beyond Modules & Hubs: the potential of gene coexpression networks for investigating molecular mechanisms of complex brain disorders. Genes, Brain, and Behavior, 13(1), 13–24. https://doi.org/10.1111/gbb.12106spa
dc.relation.referencesGoodstein, D. M., Shu, S., Howson, R., Neupane, R., Hayes, R. D., Fazo, J., Mitros, T., Dirks, W., Hellsten, U., Putnam, N., & Rokhsar, D. S. (2012). Phytozome: a comparative platform for green plant genomics. Nucleic Acids Research, 40(Database issue), D1178–D1186. https://doi.org/10.1093/nar/gkr944spa
dc.relation.referencesHohenfeld, C. S., de Oliveira, S. A. S., Ferreira, C. F., Mello, V. H., Margarido, G. R. A., Passos, A. R., & de Oliveira, E. J. (2024). Comparative analysis of infected cassava root transcriptomics reveals candidate genes for root rot disease resistance. Scientific Reports, 14, 10587. https://doi.org/10.1038/s41598-024-60847-4spa
dc.relation.referencesHoward, B. E., Hu, Q., Babaoglu, A. C., Chandra, M., Borghi, M., Tan, X., He, L., Winter-Sederoff, H., Gassmann, W., Veronese, P., & Heber, S. (2013). High-Throughput RNA Sequencing of Pseudomonas-Infected Arabidopsis Reveals Hidden Transcriptome Complexity and Novel Splice Variants. PLoS ONE, 8(10), e74183. https://doi.org/10.1371/journal.pone.0074183spa
dc.relation.referencesHuang, Q., Wu, L.-Y., Wang, Y., & Zhang, X.-S. (2013). GOMA: functional enrichment analysis tool based on GO modules. Chinese Journal of Cancer, 32(4), 195–204. https://doi.org/10.5732/cjc.012.10151spa
dc.relation.referencesHussain, A., Khan, A. A., Aslam, M. Q., Nazar, A., Zaman, N., Amin, A., Mahmood, M. A., Mukhtar, M. S., Rahman, H. U., Farooq, M., Saeed, M., Amin, I., & Mansoor, S. (2024). Comparative analysis, diversification, and functional validation of planucleotide-binding site domain genes. Scientific Reports, 14(1), 11930. https://doi.org/10.1038/s41598-024-62876-5spa
dc.relation.referencesIjaz, S., Haq, I. U., Khan, I. A., Ali, H. M., Kaur, S., & Razzaq, H. A. (2022). Identification of resistance gene analogs of the NBS-LRR family through transcriptome probing and in silico prediction of the expressome of Dalbergia sissoo under dieback disease stress. Frontiers in Genetics, 13, 1036029. https://doi.org/10.3389/fgene.2022.1036029spa
dc.relation.referencesJia, Y., Yuan, Y., Zhang, Y., Yang, S., & Zhang, X. (2015). Extreme expansion of NBS-encoding genes in Rosaceae. BMC Genetics, 16(1), 48. https://doi.org/10.1186/s12863-015-0208- xspa
dc.relation.referencesJiang, Z., Zhao, M., Qin, H., Li, S., & Yang, X. (2023). Genome-wide analysis of NBS-LRR genes revealed contribution of disease resistance from Saccharum spontaneum to modern sugarcane cultivar. Frontiers in Plant Science, 14, 1091567. https://doi.org/10.3389/fpls.2023.1091567spa
dc.relation.referencesJones, J. D. G., & Dangl, J. L. (2006). The plant immune system. Nature, 444(7117), 323–329. https://doi.org/10.1038/nature05286spa
dc.relation.referencesKante, M., Flores, C., Moufid, Y., Wonni, I., Hutin, M., Thomas, E., Fabre, S., Gagnevin, L., Dagno, K., Verdier, V., Koita, O., & Szurek, B. (2020). First Report of Xanthomonas phaseoli pv. manihotis, the Causal Agent of Cassava Bacterial Blight, in Mali. Plant Disease, 104(6), 1852. https://doi.org/10.1094/PDIS-12-19-2611-PDNspa
dc.relation.referencesKourelis, J. and van der Hoorn, R.A.L. (2018) Defended to the Nines: 25 Years of Resistance Gene Cloning Identifies Nine Mechanisms for R Protein Function. Plant Cell, 30, 285-299. https://doi.org/10.1105/tpc.17.00579spa
dc.relation.referencesKourelis, J., Sakai, T., Adachi, H., & Kamoun, S. (2021). RefPlantNLR is a comprehensive collection of experimentally validated plant disease resistance proteins from the NLR family. PLOS Biology, 19(10), e3001124. https://doi.org/10.1371/journal.pbio.3001124spa
dc.relation.referencesLangfelder, P., & Horvath, S. (2008). WGCNA: an R package for weighted correlation network analysis. BMC Bioinformatics, 9(1), 559. https://doi.org/10.1186/1471-2105-9-559spa
dc.relation.referencesLehner, B., & Lee, I. (2008). Network-guided genetic screening: building, testing and using gene networks to predict gene function. Briefings in Functional Genomics and Proteomics, 7(3), 217–227. https://doi.org/10.1093/bfgp/eln020spa
dc.relation.referencesLi, X., Ma, L., Wang, Y., Ye, C., Guo, C., Li, Y., Mei, X., Du, F., & Huang, H. (2023). PlantNLRatlas: a comprehensive dataset of full- and partial-length NLR resistance genes across 100 chromosome-level plant genomes. Frontiers in Plant Science, 14, 1178069. https://doi.org/10.3389/fpls.2023.1178069spa
dc.relation.referencesLiu, W., Li, L., & Li, W. (2014). Gene co-expression analysis identifies common modules related to prognosis and drug resistance in cancer cell lines: Gene Modules Related with Prognosis and Drug Resistance. International Journal of Cancer, 135(12), 2795–2803. https://doi.org/10.1002/ijc.28935spa
dc.relation.referencesLópez, C. E., & Bernal, A. J. (2012). Cassava Bacterial Blight: Using Genomics for the Elucidation and Management of an Old Problem. Tropical Plant Biology, 5(1), 117–126. https://doi.org/10.1007/s12042-011-9092-3spa
dc.relation.referencesLozano, R., Hamblin, M. T., Prochnik, S., & Jannink, J.-L. (2015). Identification and distribution of the NBS-LRR gene family in the Cassava genome. BMC Genomics, 16(1), 360. https://doi.org/10.1186/s12864-015-1554-9spa
dc.relation.referencesLukasik, E., & Takken, F. L. (2009). STANDing strong, resistance proteins instigators of plant defence. Current Opinion in Plant Biology, 12(4), 427–436. https://doi.org/10.1016/j.pbi.2009.03.001spa
dc.relation.referencesMaziya-Dixon, B. B., Akinyele, I. O., Sanusi, R. A., Oguntona, T. E., Nokoe, S. K., & Harris, E. W. (2006). Vitamin A Deficiency Is Prevalent in Children Less Than 5 y of Age in Nigeria12. The Journal of Nutrition, 136(8), 2255–2261. https://doi.org/10.1093/jn/136.8.2255spa
dc.relation.referencesMcDermaid, A., Monier, B., Zhao, J., Liu, B., & Ma, Q. (2019). Interpretation of differential gene expression results of RNA-seq data: review and integration. Briefings in Bioinformatics, 20(6), 2044–2054. https://doi.org/10.1093/bib/bby067spa
dc.relation.referencesMcHale, L., Tan, X., Koehl, P., & Michelmore, R. W. (2006). Plant NBS-LRR proteins: adaptable guards. Genome Biology, 7(4), 212. https://doi.org/10.1186/gb-2006-7-4-212spa
dc.relation.referencesMeyers, B. C., Kozik, A., Griego, A., Kuang, H., & Michelmore, R. W. (2003). Genome-Wide Analysis of NBS-LRR–Encoding Genes in Arabidopsis[W]. The Plant Cell, 15(4), 809– 834. https://doi.org/10.1105/tpc.009308spa
dc.relation.referencesMichelmore, R. W., & Meyers, B. C. (1998). Clusters of Resistance Genes in Plants Evolve by Divergent Selection and a Birth-and-Death Process. Genome Research, 8(11), 1113– 1130. https://doi.org/10.1101/gr.8.11.1113spa
dc.relation.referencesMidha, S., & Patil, P. B. (2014). Genomic Insights into the Evolutionary Origin of Xanthomonas axonopodis pv. citri and Its Ecological Relatives. Applied and Environmental Microbiology, 80(20), 6266–6279. https://doi.org/10.1128/AEM.01654-14spa
dc.relation.referencesNational Center for Biotechnology Information (NCBI). (n.d.). GEO DataSets. NCBI. http://www.ncbi.nlm.nih.gov/geo/spa
dc.relation.referencesNgou, B. P. M., Ding, P., & Jones, J. D. G. (2022). Thirty years of resistance: Zig-zag through the plant immune system. The Plant Cell, 34(5), 1447–1478. https://doi.org/10.1093/plcell/koac041spa
dc.relation.referencesNoman, A., Aqeel, M., & Lou, Y. (2019). PRRs and NB-LRRs: From Signal Perception to Activation of Plant Innate Immunity. International Journal of Molecular Sciences, 20(8), 1882. https://doi.org/10.3390/ijms20081882spa
dc.relation.referencesOliver, R.P., Hückelhoven, R., Ponte, E. M. D. & Pietro, A. Di (2024). Agrios’ plant pathology, Eds.; Sixth edition). Academic Press.spa
dc.relation.referencesOrozco Guerrero, A. R., Espitia Montes, A. A., Pérez Cantero, S. P., Regino Hernández, S. M., García Herazo, J. L., Martínez Figueroa, R. R., De La Ossa Albis, V. A., Garavito Morales, L. V., León Pacheco, R. I., Alarcón Beltrán, K. A., Cordero Cordero, C. C., Carlos González, J., Pérez Zúñiga, J. I., Silva Acosta, G. E., Taborda Andrade, L. A., Contreras Valencia, K. V., Tran, T., Lenis Calderón, J. I., Salazar Erazo, S. M., … Sandoval Contreras, H. A. (2023). Aportes y perspectivas del mejoramiento genético de yuca para el fortalecimiento de su red de valor en Colombia (E. A. Rosero Alpala, E. Rodríguez Henao, & H. Ceballos Lascano, Eds.; 1ª ed., 170 páginas). Corporación Colombiana de Investigación Agropecuaria (Agrosavia). https://doi.org/10.21930/agrosavia.analisis.7406276spa
dc.relation.referencesOspina, B., & Ceballos, H. (Comp). (2003). La yuca en el tercer milenio sistemas modernos de producción, procesamiento, utilización y comercialización. CIAT: CLAYUCA: Ministerio de Agricultura y Desarrollo Rural, FENAVI.spa
dc.relation.referencesOspina, B., & Ceballos, H. (Eds.). (2012). Cassava in the third millennium: Modern production, processing, use and marketing systems. Centro Internacional de Agricultura Tropical (CIAT). Recuperado de https://cgspace.cgiar.org/items/90dc9553-e2a8-4096-b6cf-e899712e3aa2spa
dc.relation.referencesPan, Q., Liu, Y.-S., Budai-Hadrian, O., Sela, M., Carmel-Goren, L., Zamir, D., & Fluhr, R. (2000). Comparative Genetics of Nucleotide Binding Site-Leucine Rich Repeat Resistance Gene Homologues in the Genomes of Two Dicotyledons: Tomato and Arabidopsis. Genetics, 155(1), 309–322. https://doi.org/10.1093/genetics/155.1.309spa
dc.relation.referencesPotnis, N., Krasileva, K., Chow, V., Almeida, N. F., Patil, P. B., Ryan, R. P., Sharlach, M., Behlau, F., Dow, J. M., Momol, M., White, F. F., Preston, J. F., Vinatzer, B. A., Koebnik, R., Setubal, J. C., Norman, D. J., Staskawicz, B. J., & Jones, J. B. (2011). Comparative genomics reveals diversity among Xanthomonads infecting tomato and pepper. BMC Genomics, 12(1), 146. https://doi.org/10.1186/1471-2164-12-146spa
dc.relation.referencesQian, L.-H., Wu, J.-Y., Wang, Y., Zou, X., Zhou, G.-C., & Sun, X.-Q. (2022). Genome-Wide Analysis of NBS-LRR Genes from an Early-Diverging Angiosperm Euryale ferox. Frontiers in Genetics, 13, 880071. https://doi.org/10.3389/fgene.2022.880071spa
dc.relation.referencesR Core Team (2021) R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna. https://www.R-project.orgspa
dc.relation.referencesR., & de Oliveira, E. J. (2024). Comparative analysis of infected cassava root transcriptomics reveals candidate genes for root rot disease resistance. Scientific Reports, 14, 10587. https://doi.org/10.1038/s41598-024-60847-4spa
dc.relation.referencesRapaport, F., Khanin, R., Liang, Y., Pirun, M., Krek, A., Zumbo, P., Mason, C. E., Socci, N. D., & Betel, D. (2013). Comprehensive evaluation of differential gene expression analysis methods for RNA-seq data. Genome Biology, 14(9), 3158. https://doi.org/10.1186/gb- 2013-14-9-r95spa
dc.relation.referencesRoberts, M., Tang, S., Stallmann, A., Dangl, J. L., & Bonardi, V. (2013). Genetic Requirements for Signaling from an Autoactive Plant NB-LRR Intracellular Innate Immune Receptor. PLoS Genetics, 9(4), e1003465. https://doi.org/10.1371/journal.pgen.1003465spa
dc.relation.referencesSaile, S. C., Jacob, P., Castel, B., Jubic, L. M., Salas-Gonzáles, I., Bäcker, M., Jones, J. D. G., Dangl, J. L., & Kasmi, F. E. (2020). Two unequally redundant “helper” immune receptor families mediate Arabidopsis thaliana intracellular “sensor” immune receptor functions. PLOS Biology, 18(9), e3000783. https://doi.org/10.1371/journal.pbio.3000783spa
dc.relation.referencesSaraste, M., Sibbald, P. R., & Wittinghofer, A. (1990). The P-loop--a common motif in ATP- and GTP-binding proteins. Trends in Biochemical Sciences, 15(11), 430–434. https://doi.org/10.1016/0968-0004(90)90281-fspa
dc.relation.referencesSchena, M., Shalon, D., Davis, R. W., & Brown, P. O. (1995). Quantitative Monitoring of Gene Expression Patterns with a Complementary DNA Microarray. Science, 270(5235), 467– 470. https://doi.org/10.1126/science.270.5235.467spa
dc.relation.referencesShao, Z.-Q., Xue, J.-Y., Wu, P., Zhang, Y.-M., Wu, Y., Hang, Y.-Y., Wang, B., & Chen, J.-Q. (2016). Large-Scale Analyses of Angiosperm Nucleotide-Binding Site-Leucine-Rich Repeat Genes Reveal Three Anciently Diverged Classes with Distinct Evolutionary Patterns. Plant Physiology, 170(4), 2095–2109. https://doi.org/10.1104/pp.15.01487spa
dc.relation.referencesSmedley, D., Haider, S., Ballester, B., Holland, R., London, D., Thorisson, G., & Kasprzyk, A. (2009). BioMart--biological queries made easy. BMC Genomics, 10, 22. https://doi.org/10.1186/1471-2164-10-22spa
dc.relation.referencesSonnzhammer, E. L. L., Eddy, S. R., & Durbin, R. (1997). Pfam: A comprehensive database of protein domain families based on seed alignments. Proteins: Structure, Function, and Genetics, 28(3), 405–420. https://doi.org/10.1002/(SICI)1097-0134(199707)28:3<405::AID-PROT10>3.0.CO;2-Lspa
dc.relation.referencesSoto, J. C., Ortiz, J. F., Perlaza-Jiménez, L., Vásquez, A. X., Lopez-Lavalle, L. A. B., Mathew, B., Léon, J., Bernal, A. J., Ballvora, A., & López, C. E. (2015). A genetic map of cassava (Manihot esculenta Crantz) with integrated physical mapping of immunity-related genes. BMC Genomics, 16(1), 190. https://doi.org/10.1186/s12864-015-1397-4spa
dc.relation.referencesSteuernagel, B., Witek, K., Krattinger, S. G., Ramirez-Gonzalez, R. H., Schoonbeek, H., Yu, G., Baggs, E., Witek, A. I., Yadav, I., Krasileva, K. V., Jones, J. D. G., Uauy, C., Keller, B., Ridout, C. J., & Wulff, B. B. H. (2020). The NLR-Annotator Tool Enables Annotation of the Intracellular Immune Receptor Repertoire. Plant Physiology, 183(2), 468–482. https://doi.org/10.1104/pp.19.01273spa
dc.relation.referencesStuart, J. M., Segal, E., Koller, D., & Kim, S. K. (2003). A Gene-Coexpression Network for Global Discovery of Conserved Genetic Modules. Science, 302(5643), 249–255. https://doi.org/10.1126/science.1087447spa
dc.relation.referencesTakken, F. L., & Goverse, A. (2012). How to build a pathogen detector: structural basis of NB- LRR function. Current Opinion in Plant Biology, 15(4), 375–384. https://doi.org/10.1016/j.pbi.2012.05.001spa
dc.relation.referencesTamborski, J., & Krasileva, K. V. (2020). Evolution of Plant NLRs: From Natural History to Precise Modifications. Annual Review of Plant Biology, 71(1), 355–378. https://doi.org/10.1146/annurev-arplant-081519-035901spa
dc.relation.referencesTartilán, M., 2015. Análisis de secuencias NBS-LRR en el género Lens. Tesis Doctoral. Universidad de León. España https://buleria.unileon.es/bitstream/handle/10612/5948/tesis_f92a30.PDF?sequence=1& isAllowed=yspa
dc.relation.referencesTong, C., Zhang, Y., & Shi, F. (2023). Genome-wide identification and analysis of the NLR gene family in Medicago ruthenica. Frontiers in Genetics, 13, 1088763. https://doi.org/10.3389/fgene.2022.1088763spa
dc.relation.referencesTraut, T. W. (1994). The functions and consensus motifs of nine types of peptide segments that form different types of nucleotide‐binding sites. European Journal of Biochemistry, 222(1), 9–19. https://doi.org/10.1111/j.1432-1033.1994.tb18835.xspa
dc.relation.referencesVan Der Biezen, E. A., & Jones, J. D. G. (1998). Plant disease-resistance proteins and the gene- for-gene concept. Trends in Biochemical Sciences, 23(12), 454–456. https://doi.org/10.1016/S0968-0004(98)01311-5spa
dc.relation.referencesVan Ooijen, G., Mayr, G., Kasiem, M. M. A., Albrecht, M., Cornelissen, B. J. C., & Takken, F. L. W. (2008). Structure–function analysis of the NB-ARC domain of plant disease resistance proteins. Journal of Experimental Botany, 59(6), 1383–1397. https://doi.org/10.1093/jxb/ern045spa
dc.relation.referencesVan Wersch, S., Tian, L., Hoy, R., & Li, X. (2020). Plant NLRs: The Whistleblowers of Plant Immunity. Plant Communications, 1(1), 100016. https://doi.org/10.1016/j.xplc.2019.100016spa
dc.relation.referencesVerdier, V. M. (2002). Bacteriosis vascular (o añublo bacteriano) de la yuca causada por Xanthomonas axonopodis pv. manihotis. Centro Internacional de Agricultura Tropical (CIAT). https://cgspace.cgiar.org/handle/10568/55243spa
dc.relation.referencesWang, J., & Chai, J. (2020). Molecular actions of NLR immune receptors in plants and animals. Science China Life Sciences, 63(9), 1303–1316. https://doi.org/10.1007/s11427-019-1687-6spa
dc.relation.referencesWang, J., & Chai, J. (2020). Structural Insights into the Plant Immune Receptors PRRs and NLRs. Plant Physiology, 182(4), 1566–1581. https://doi.org/10.1104/pp.19.01252spa
dc.relation.referencesWei, C., Chen, J., & Kuang, H. (2016). Dramatic Number Variation of R Genes in Solanaceae Species Accounted for by a Few R Gene Subfamilies. PLOS ONE, 11(2), e0148708. https://doi.org/10.1371/journal.pone.0148708spa
dc.relation.referencesWold, S., Esbensen, K., & Geladi, P. (1987). Principal component analysis. Chemometrics and Intelligent Laboratory Systems, 2(1–3), 37–52. https://doi.org/10.1016/0169- 7439(87)80084-9Wu, Z., & Irizarry, R. A. (2004). Preprocessing of oligonucleotide array data. Nature Biotechnology, 22(6), 656–658. https://doi.org/10.1038/nbt0604-656bspa
dc.relation.referencesWu, Z., & Irizarry, R. A. (2004). Preprocessing of oligonucleotide array data. Nature Biotechnology, 22(6), 656–658. https://doi.org/10.1038/nbt0604-656bspa
dc.relation.referencesYoodee, S., Kobayashi, Y., Songnuan, W., Boonchird, C., Thitamadee, S., Kobayashi, I., & Narangajavana, J. (2018). Phytohormone priming elevates the accumulation of defense- related gene transcripts and enhances bacterial blight disease resistance in cassava. Plant Physiology and Biochemistry, 122, 65–77. https://doi.org/10.1016/j.plaphy.2017.11.016spa
dc.relation.referencesZárate‐Chaves, C. A., Gómez De La Cruz, D., Verdier, V., López, C. E., Bernal, A., & Szurek, B. (2021). Cassava diseases caused by Xanthomonas phaseoli pv. manihotis and Xanthomonas cassavae. Molecular Plant Pathology, 22(12), 1520–1537. https://doi.org/10.1111/mpp.13094spa
dc.relation.referencesZhang, B., & Horvath, S. (2005). A General Framework for Weighted Gene Co-Expression Network Analysis. Statistical Applications in Genetics and Molecular Biology, 4(1). https://doi.org/10.2202/1544-6115.1128spa
dc.relation.referencesZhang, H., Ye, Z., Liu, Z., Sun, Y., Li, X., Wu, J., Zhou, G., & Wan, Y. (2022). The Cassava NBS- LRR Genes Confer Resistance to Cassava Bacterial Blight. Frontiers in Plant Science,13. https://www.frontiersin.org/articles/10.3389/fpls.2022.790140spa
dc.relation.referencesZhang, R., Kuo, R., Coulter, M., Calixto, C. P. G., Entizne, J. C., Guo, W., Marquez, Y., Milne, L., Riegler, S., Matsui, A., Tanaka, M., Harvey, S., Gao, Y., Wießner-Kroh, T., Paniagua, A., Crespi, M., Denby, K., Hur, A. B., Huq, E., … Brown, J. W. S. (2022). A high-resolution single-molecule sequencing-based Arabidopsis transcriptome using novel methods of Iso-seq analysis. Genome Biology, 23(1), 149. https://doi.org/10.1186/s13059-022- 02711-0spa
dc.relation.referencesZia, K., Sadaqat, M., Ding, B., Fatima, K., Albekairi, N. A., Alshammari, A., & Tahir Ul Qamar, M. (2024). Comparative genomics and bioinformatics approaches revealed the role of CC- NBS-LRR genes under multiple stresses in passion fruit. Frontiers in Genetics, 15, 1358134. https://doi.org/10.3389/fgene.2024.1358134spa
dc.relation.referencesZinsou, V., Wydra, K., Ahohuendo, B., & Schreiber, L. (2006). Leaf Waxes of Cassava (Manihot Esculenta Crantz) in Relation to Ecozone and Resistance to Xanthomonas Blight. Euphytica, 149(1–2), 189–198. https://doi.org/10.1007/s10681-005-9066-3spa
dc.relation.referencesZipfel, C. (2014). Plant pattern-recognition receptors. Trends in Immunology, 35(7). https://doi.org/10.1016/j.it.2014.05.004spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.licenseAtribución-NoComercial-SinDerivadas 4.0 Internacionalspa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/spa
dc.subject.ddc570 - Biología::576 - Genética y evoluciónspa
dc.subject.ddc570 - Biología::577 - Ecologíaspa
dc.subject.ddc630 - Agricultura y tecnologías relacionadas::633 - Cultivos de campo y de plantaciónspa
dc.subject.lembPLANTAS-RESISTENCIA A ENFERMEDADES Y PLAGASspa
dc.subject.lembPlants - disease and pest resistanceeng
dc.subject.lembNUTRICION DE LAS PLANTASspa
dc.subject.lembPlants - nutritioneng
dc.subject.lembYUCAspa
dc.subject.lembCassavaeng
dc.subject.lembMANIHOTspa
dc.subject.lembManihoteng
dc.subject.lembEUFORBIACEASspa
dc.subject.lembEuphorbiaceaeeng
dc.subject.proposalYucaspa
dc.subject.proposalXanthomonas phaseoli pv. manihotislat
dc.subject.proposalProteínas NBeng
dc.subject.proposalBacteriosis vascularspa
dc.subject.proposalProteínas NBspa
dc.subject.proposalCassavaeng
dc.subject.proposalVascular bacteriosiseng
dc.subject.proposalNB proteinseng
dc.titleCaracterización de proteínas (NB) de Yuca (Manihot esculenta) implicadas en la interacción con el patógeno Xanthomonas phaseoli pv. manihotis (Xpm)spa
dc.title.translatedCharacterization of Cassava (Manihot esculenta) NB Proteins Involved in the Interaction with the Pathogen Xanthomonas phaseoli pv. manihotis (Xpm)eng
dc.typeTrabajo de grado - Maestríaspa
dc.type.coarhttp://purl.org/coar/resource_type/c_bdccspa
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aaspa
dc.type.contentTextspa
dc.type.driverinfo:eu-repo/semantics/masterThesisspa
dc.type.redcolhttp://purl.org/redcol/resource_type/TMspa
dc.type.versioninfo:eu-repo/semantics/acceptedVersionspa
dcterms.audience.professionaldevelopmentAdministradoresspa
dcterms.audience.professionaldevelopmentBibliotecariosspa
dcterms.audience.professionaldevelopmentConsejerosspa
dcterms.audience.professionaldevelopmentEstudiantesspa
dcterms.audience.professionaldevelopmentGrupos comunitariosspa
dcterms.audience.professionaldevelopmentInvestigadoresspa
dcterms.audience.professionaldevelopmentMaestrosspa
dcterms.audience.professionaldevelopmentMedios de comunicaciónspa
dcterms.audience.professionaldevelopmentPadres y familiasspa
dcterms.audience.professionaldevelopmentPersonal de apoyo escolarspa
dcterms.audience.professionaldevelopmentProveedores de ayuda financiera para estudiantesspa
dcterms.audience.professionaldevelopmentPúblico generalspa
dcterms.audience.professionaldevelopmentReceptores de fondos federales y solicitantesspa
dcterms.audience.professionaldevelopmentResponsables políticosspa
oaire.accessrightshttp://purl.org/coar/access_right/c_abf2spa

Archivos

Bloque original

Mostrando 1 - 1 de 1
Miniatura
Nombre:
1117534499.2024.pdf
Tamaño:
2.95 MB
Formato:
Adobe Portable Document Format
Descripción:
Tesis de Maestría en Ciencias - Microbiología
Descargar

Bloque de licencias

Mostrando 1 - 1 de 1
Miniatura
Nombre:
license.txt
Tamaño:
5.74 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Maestría en Ciencias - Microbiología