ข้อมูล

จะหาข้อมูลเกี่ยวกับพืชผลต่างๆ ได้ที่ไหน

จะหาข้อมูลเกี่ยวกับพืชผลต่างๆ ได้ที่ไหน


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

สวัสดี ฉันไม่แน่ใจว่าที่นี่เป็นสถานที่ที่เหมาะสมสำหรับคำถามนี้หรือไม่ ถ้าไม่ใช่ก็ยินดีย้ายครับ

ฉันกำลังพยายามค้นหาแหล่งข้อมูลเกี่ยวกับพืชผลต่างๆ มีฐานข้อมูลของรัฐบาลที่เก็บข้อมูลประเภทนี้หรือไม่ หลังจากค้นหาใน google และอ่านบทความต่างๆ สองสามชั่วโมงแล้ว ฉันไม่พบสิ่งที่ต้องการจริงๆ

ตัวอย่างเช่น พิจารณาพืชไร่ข้าวโพด ข้าวสาลี ข้าวฟ่าง และอ้อย ฉันอาจดูคาร์โบไฮเดรตชนิดต่างๆ ตามสัดส่วนในพืชเหล่านี้ หรือฉันอาจต้องการทราบปริมาณน้ำที่จำเป็นในการผลิตผลผลิต ดินชนิดใดที่พืชแต่ละชนิดชอบ ตลอดจนว่าลูกผสมและการกลายพันธุ์ต่างกันอย่างไร ความต้องการหรือคุณสมบัติที่แตกต่างกัน


วิธีหาข้อมูลการระบาดของโรคติดเชื้อ

ในช่วงสองสามสัปดาห์ที่ผ่านมา ฉันได้ตรวจสอบภูมิทัศน์ปัจจุบันของข้อมูลที่เปิดเผยต่อสาธารณะเกี่ยวกับการระบาดของโรคติดเชื้อ ข้อมูลนี้ได้รับการรายงานผ่านหลายช่องทาง ด้านล่างนี้คือการอภิปรายเกี่ยวกับชุดข้อมูลต่างๆ ข้อมูลใดที่ถูกรวบรวมและนำเสนออย่างไร จัดหาเงินทุนอย่างไร และจะหาได้จากที่ใด

1. ฐานข้อมูล WHO/ UN

องค์การอนามัยโลก (WHO) มีชุดข้อมูลที่หลากหลายสำหรับการเข้าถึงแบบสาธารณะบนหน้าเว็บของพวกเขา มีชุดข้อมูลบางชุดสำหรับโรคติดเชื้อ/กลุ่มโรคที่เฉพาะเจาะจง ได้แก่ เอชไอวี/เอดส์ วัณโรค มาลาเรีย โรคเขตร้อนที่ถูกละเลย อหิวาตกโรค ไข้หวัดใหญ่ เยื่อหุ้มสมองอักเสบ และโรคติดต่อทางเพศสัมพันธ์ สำหรับชุดข้อมูลที่ครอบคลุมมากขึ้นเกี่ยวกับโรคติดเชื้อจำนวนหนึ่ง 'Global Health Estimates 2015' จะรวมอัตราการเสียชีวิตเฉพาะโรคตามเพศและอายุ ข้อมูลถูกรวบรวมและรายงานตั้งแต่ปี 2543-2558 ข้อมูลมีอยู่ในไฟล์ .csv และ .xls เพื่อให้มั่นใจว่าผู้ใช้จะสามารถดึงข้อมูลได้ง่าย งานนี้ได้รับทุนจาก WHO และสามารถเข้าถึงได้ที่นี่

2. IHME- ซีรี่ส์ภาระโรคทั่วโลก (GBD)

มีดหมอได้ตีพิมพ์ผลการศึกษาระบาดวิทยาเชิงสังเกตที่ใหญ่ที่สุดเกี่ยวกับภาระของโรค ซึ่งดำเนินการจากสถาบันการประเมินตัวชี้วัดสุขภาพ (IHME) จากมหาวิทยาลัยวอชิงตัน การศึกษาซ้ำครั้งล่าสุดดำเนินการในปี 2559 ภาระของโรคมักวัดจากอัตราการตาย การเจ็บป่วย อุบัติการณ์ และความชุกในฐานข้อมูลเหล่านี้ ข้อมูลที่รวบรวมและรายงานตั้งแต่วันที่ 1970 ถึง 2016 และครอบคลุม 333 โรคและการบาดเจ็บ ข้อมูลที่รายงานรวมถึงโรคติดต่อและไม่ติดต่อ ฐานข้อมูลถูกนำเสนอผ่านบทความหลายบทความ ซึ่งช่วยให้สามารถเข้าถึงเนื้อหาเพิ่มเติม และเข้าถึงตัวเลขและรูปภาพเป็นรายบุคคลได้ วัสดุเสริมเหล่านี้ไม่ใช่แบบโต้ตอบและสามารถเข้าถึงได้ผ่านรูปแบบ PDF เท่านั้น ทำให้ยากต่อการดึงข้อมูลจำนวนมาก แม้ว่าจะมีโรคจำนวนมาก แต่ก็ไม่มีอยู่ในชุดข้อมูลทั้งหมด ตัวอย่างเช่น อหิวาตกโรค บทความศึกษาแต่ละฉบับได้รับทุนสนับสนุนจากผู้ให้ทุนหลายราย องค์กรสำคัญบางแห่ง ได้แก่ มูลนิธิเกตส์ สถาบันสุขภาพแห่งชาติ ธนาคารโลก มูลนิธิวิทยาศาสตร์แห่งชาติ และสภาวิจัยการแพทย์แห่งอินเดีย IHME ได้จัดทำเครื่องมือผลลัพธ์ออนไลน์ซึ่งสามารถกรองข้อมูลปี 2016 ตามสถานที่ ปี อายุ เพศ และการวัดภาระตามสาเหตุ/โรคที่ระบุได้ เครื่องมือนี้อนุญาตให้ดึงข้อมูลไปยังไฟล์ .csv นอกจากนี้ แหล่งข้อมูลทั้งหมดมีอยู่ที่นี่

3. ศึกษาธรรมชาติ

การศึกษาต้นฉบับที่ตีพิมพ์โดย Jones et al (2008) 'Global Trends in Emerging Infectious Diseases' ได้รับการปรับปรุงโดย Allen et al (2017), 'Global Hotspots and Correlates of Emerging Zoonotic Diseases' ข้อมูลในการศึกษานี้รวบรวมผ่านการทบทวนวรรณกรรมอย่างกว้างขวาง โดยรวบรวมข้อมูลตั้งแต่ปี 2483 เป็นต้นไป การศึกษาระบุลักษณะเชิงพื้นที่ เวลา และทางชีวภาพของโรคในช่วงที่โรคเกิดขึ้นครั้งแรกในประชากรมนุษย์ การศึกษาพยายามที่จะระบุสาเหตุที่โรคเกิดขึ้นภายในประชากรมนุษย์ แทนที่จะให้ตัวชี้วัดการตายและการเจ็บป่วยสำหรับการระบาดแต่ละครั้ง ข้อมูลเพิ่มเติมรวมถึงชุดข้อมูลที่สร้างขึ้นและเผยแพร่ทางออนไลน์ผ่านวารสาร Nature การศึกษาครั้งแรกได้รับทุนจาก NSF, NIH, The New York Community Trust, V. Kann Rasmussen Foundation และ Columbia University Earth Institute การศึกษาฉบับปรับปรุงได้รับทุนจากหน่วยงานเพื่อการพัฒนาระหว่างประเทศแห่งสหรัฐอเมริกา (USAID) และกระทรวงกลาโหม หน่วยงานลดภัยคุกคามด้านกลาโหม

เครือข่ายโรคติดเชื้อและระบาดวิทยาทั่วโลก (GIDEON) ให้ข้อมูลการระบาดของโรคติดเชื้อแก่สมาชิก และสามารถเข้าถึงได้ที่นี่ GIDEON ก่อตั้งขึ้นในปี 1992 และเปิดให้ใช้งานในรูปแบบแอปพลิเคชันบนเว็บและแบบ ebook ข้อมูลนี้รวบรวมจากสิ่งพิมพ์ที่ผ่านการตรวจสอบโดยผู้เชี่ยวชาญ รายงานของกระทรวงสาธารณสุขแห่งชาติ และหน่วยงานด้านสุขภาพที่สำคัญระดับโลกอื่นๆ (เช่น WHO & CDC) ระบบจะอัปเดตระบบเป็นประจำเพื่อให้แน่ใจว่าข้อมูลมีความถูกต้องและเกี่ยวข้องมากที่สุด กิเดโอนแบ่งออกเป็นสองประเภทหลัก: โรคติดเชื้อและจุลชีววิทยา ฐานข้อมูลสามารถเข้าถึงได้โดยการทดลองใช้ฟรี 15 วัน และหลังจากค่าสมัครรายเดือน 99.90 ดอลลาร์ (สัญญา 1 ปี) หรือ 199.90 ดอลลาร์ (แบบต่อเนื่องรายเดือน) GIDEON เป็นองค์กรเอกชนและได้รับทุนผ่านค่าธรรมเนียมการสมัครสมาชิกเหล่านี้ แม้ว่า GIDEON จะต้องการค่าธรรมเนียมการสมัครสมาชิก แต่ก็มีการใช้ในการศึกษาที่ตีพิมพ์จำนวนมากพร้อมกับฐานข้อมูลที่มีอยู่ ที่สะดุดตาที่สุด Smith et al ได้รวบรวมชุดข้อมูลที่ครอบคลุมจาก GIDEON ที่มีระยะเวลา 33 ปี (1980-2013)

5. แผนที่สุขภาพ

HealthMap ก่อตั้งขึ้นในปี 2549 ที่โรงพยาบาลเด็กบอสตัน เพื่อให้การเฝ้าระวังการระบาดของโรคติดเชื้อแบบเรียลไทม์ ซอฟต์แวร์นี้ใช้แหล่งข้อมูลออนไลน์ที่ไม่เป็นทางการและหาได้ฟรี ซึ่งรวมถึงแต่ไม่จำกัดเพียง: ProMED, WHO, OIE, FAO, Google News และ EuroSurveillance ข้อมูลจะแสดงผ่านแผนที่ แต่ละจุดบ่งชี้การระบาด ข้อมูลสามารถกรองตามโรค ที่ตั้ง แหล่งที่มา สายพันธุ์ และวันที่ หรือจะดูข้อมูลผ่านรูปแบบรายการหรือกราฟอนุกรมเวลาก็ได้ ข้อมูลสามารถเข้าถึงได้ทางออนไลน์หรือผ่านแอพมือถือ "การระบาดใกล้ฉัน" แหล่งข้อมูลนี้มีให้โดยหลักๆ แล้วผ่านการระดมทุนโดย: Google, the Gates Foundation, Unilever, USAID, Amazon, Merck, Twitter, CIHR, CDC, Defense Threat Reduction Agency (DTRA), IARPA และ U.S. National Library of Medicine HealthMap สามารถเข้าถึงได้ที่นี่

โครงการเฝ้าระวังโรคอุบัติใหม่ (ProMED) เป็นโครงการจาก International Society for Infectious Diseases และติดตามการระบาดของโรคติดเชื้อและการสัมผัสสารพิษอย่างเฉียบพลัน ข้อมูลจะถูกรวบรวมผ่านรายงานของสื่อ รายงานอย่างเป็นทางการ สรุปออนไลน์ ผู้สังเกตการณ์ในท้องถิ่น และอื่นๆ ข้อมูลที่ส่งโดยบุคคลต้องมาพร้อมกับบัตรประจำตัวที่สังกัด และได้รับการตรวจสอบโดยทีมงาน ProMED ก่อนโพสต์ ProMED เป็นฐานข้อมูลที่เก็บถาวรของรายงานโรคติดเชื้อ ซึ่งทำให้ยากต่อการดึงข้อมูลจำนวนมากอย่างมีประสิทธิภาพ โปรแกรมนี้สร้างขึ้นเพื่อเพิ่มการสื่อสารระหว่างชุมชนโรคติดเชื้อระหว่างประเทศ และสนับสนุนให้มีการอภิปราย ProMED มีให้บริการผ่านเว็บไซต์ออนไลน์และอนุญาตให้บุคคลสมัครรับ "รายการ" ของตนอย่างน้อยหนึ่งรายการเพื่อรับรายงานการระบาดที่อัปเดตทางอีเมล รายการระบุว่าหัวข้อใดที่น่าสนใจภายในฐานข้อมูล ProMED ProMED ร่วมมือกับ HealthMap ที่โรงพยาบาลเด็กบอสตัน เงินทุนสำหรับ ProMED มาจาก Wellcome Trust, Skoll Global Threats Funds, Google, Gates Foundation, Rockefeller Foundation, the Oracle Corporation และ Nuclear Threat Initiative ProMed สามารถเข้าถึงได้ที่นี่


ปัญหาใหญ่ของชีววิทยา: มีข้อมูลมากเกินไปที่จะจัดการ

หากต้องการทบทวนบทความนี้ ให้ไปที่โปรไฟล์ของฉัน แล้วดูเรื่องราวที่บันทึกไว้

หากต้องการทบทวนบทความนี้ ให้ไปที่โปรไฟล์ของฉัน แล้วดูเรื่องราวที่บันทึกไว้

20 ปีที่แล้ว การจัดลำดับจีโนมมนุษย์เป็นหนึ่งในโครงการทางวิทยาศาสตร์ที่ท้าทายความสามารถที่สุดเท่าที่เคยมีมา ทุกวันนี้ เมื่อเทียบกับการรวบรวมจีโนมของจุลินทรีย์ที่อาศัยอยู่ในร่างกายของเรา มหาสมุทร ดิน และที่อื่น ๆ จีโนมมนุษย์แต่ละชนิดซึ่งเข้ากับดีวีดีได้ง่ายนั้นค่อนข้างง่าย คู่เบสดีเอ็นเอ 3 พันล้านคู่และยีนประมาณ 20, 000 ยีนดูเหมือนเพียงเล็กน้อยถัดจากฐานประมาณ 100 พันล้านและยีนนับล้านที่ประกอบเป็นจุลินทรีย์ที่พบในร่างกายมนุษย์

เรื่องเดิม* พิมพ์ซ้ำได้รับอนุญาตจาก นิตยสาร Quanta, กองบรรณาธิการอิสระของ SimonsFoundation.org ซึ่งมีภารกิจในการเสริมสร้างความเข้าใจในวิทยาศาสตร์ของสาธารณชนโดยครอบคลุมการพัฒนางานวิจัยและแนวโน้มในคณิตศาสตร์และวิทยาศาสตร์กายภาพและวิทยาศาสตร์เพื่อชีวิต *และตัวแปรอื่น ๆ ที่มาพร้อมกับ DNA ของจุลินทรีย์รวมถึงอายุและสถานะสุขภาพของโฮสต์จุลินทรีย์เมื่อใดและที่ไหน ตัวอย่างถูกรวบรวมและวิธีการรวบรวมและประมวลผล กินปากที่มีจุลินทรีย์หลายร้อยสายพันธุ์ สิ่งมีชีวิตหลายหมื่นตัวอาศัยอยู่บนฟันแต่ละซี่ นอกเหนือจากความท้าทายในการวิเคราะห์ทั้งหมดนี้ นักวิทยาศาสตร์ยังต้องค้นหาวิธีกำหนดลักษณะสภาพแวดล้อมที่รวบรวมข้อมูลได้อย่างน่าเชื่อถือและทำซ้ำได้

David Relman แพทย์และนักจุลชีววิทยาจากมหาวิทยาลัยสแตนฟอร์ดซึ่งศึกษาเกี่ยวกับไมโครไบโอมของมนุษย์ กล่าวว่า "มีการวัดทางคลินิกที่นักปริทันต์ใช้เพื่ออธิบายช่องเหงือก การวัดทางเคมี องค์ประกอบของของเหลวในกระเป๋า มาตรการทางภูมิคุ้มกัน “มันซับซ้อนเร็วมาก”

ความพยายามอย่างทะเยอทะยานในการศึกษาระบบที่ซับซ้อน เช่น ไมโครไบโอมของมนุษย์ บ่งบอกถึงการมาถึงของชีววิทยาในโลกของข้อมูลขนาดใหญ่ วิทยาศาสตร์เพื่อชีวิตได้รับการพิจารณาว่าเป็นวิทยาศาสตร์เชิงพรรณนามาช้านาน เมื่อ 10 ปีที่แล้ว สาขาวิชานี้มีข้อมูลค่อนข้างต่ำ และนักวิทยาศาสตร์สามารถติดตามข้อมูลที่สร้างขึ้นได้อย่างง่ายดาย แต่ด้วยความก้าวหน้าในด้านจีโนม การถ่ายภาพ และเทคโนโลยีอื่นๆ ขณะนี้นักชีววิทยากำลังสร้างข้อมูลด้วยความเร็วสูง

ผู้ร้ายรายหนึ่งคือการจัดลำดับดีเอ็นเอ ซึ่งค่าใช้จ่ายเริ่มลดลงเมื่อประมาณห้าปีที่แล้ว ลดลงเร็วกว่าต้นทุนของชิปคอมพิวเตอร์ ตั้งแต่นั้นมา จีโนมมนุษย์หลายพันชนิด รวมทั้งสิ่งมีชีวิตอื่นๆ อีกหลายพันชนิด รวมทั้งพืช สัตว์ และจุลินทรีย์ ได้ถูกถอดรหัส คลังเก็บจีโนมสาธารณะ เช่น ที่เก็บโดยศูนย์ข้อมูลเทคโนโลยีชีวภาพแห่งชาติ หรือ NCBI มีข้อมูลอยู่แล้วเป็นพันเพตะไบต์ — หลายล้านกิกะไบต์ - ของข้อมูล และนักชีววิทยาทั่วโลกกำลังผลิตออกมา 15 เพตาเบส (ฐานคือจดหมายของ DNA) ของลำดับต่อปี หากสิ่งเหล่านี้ถูกจัดเก็บไว้ในดีวีดีปกติ สแต็คที่ได้จะสูง 2.2 ไมล์

“วิทยาศาสตร์เพื่อชีวิตกำลังกลายเป็นองค์กรข้อมูลขนาดใหญ่” เอริค กรีน ผู้อำนวยการสถาบันวิจัยจีโนมมนุษย์แห่งชาติในเมืองเบเทสดา รัฐแมริแลนด์ กล่าว ในช่วงเวลาสั้นๆ นักชีววิทยาพบว่าตนเองไม่สามารถดึงคุณค่าทั้งหมดจาก ข้อมูลจำนวนมากพร้อมใช้งาน

การแก้ปัญหาคอขวดมีผลอย่างมากต่อสุขภาพของมนุษย์และสิ่งแวดล้อม ความเข้าใจที่ลึกซึ้งยิ่งขึ้นเกี่ยวกับสวนสัตว์จุลินทรีย์ที่อาศัยอยู่ในร่างกายของเราและวิธีที่ประชากรเหล่านั้นเปลี่ยนไปตามโรคสามารถให้ข้อมูลเชิงลึกใหม่เกี่ยวกับโรค Crohn โรคภูมิแพ้โรคอ้วนและความผิดปกติอื่น ๆ และแนะนำแนวทางใหม่สำหรับการรักษา จุลินทรีย์ในดินเป็นแหล่งที่อุดมสมบูรณ์ของผลิตภัณฑ์จากธรรมชาติ เช่น ยาปฏิชีวนะ และอาจมีบทบาทในการพัฒนาพืชผลที่ทนทานและมีประสิทธิภาพมากขึ้น

นักวิทยาศาสตร์ด้านชีวิตกำลังเริ่มดำเนินการในโครงการข้อมูลขนาดใหญ่อื่นๆ อีกนับไม่ถ้วน รวมถึงความพยายามในการวิเคราะห์จีโนมของมะเร็งหลายชนิด เพื่อทำแผนที่สมองของมนุษย์ และพัฒนาเชื้อเพลิงชีวภาพและพืชผลอื่นๆ ให้ดีขึ้น (จีโนมข้าวสาลีมีขนาดใหญ่กว่าจีโนมมนุษย์มากกว่าห้าเท่า และมีโครโมโซมทุกโครโมโซมหกชุดสำหรับสองคนของเรา)

อย่างไรก็ตาม ความพยายามเหล่านี้กำลังเผชิญกับการวิพากษ์วิจารณ์แบบเดียวกันที่รายล้อมโครงการจีโนมมนุษย์ บางคนตั้งคำถามว่าโครงการขนาดใหญ่ซึ่งจำเป็นต้องถอนเงินทุนบางส่วนออกจากทุนช่วยเหลือรายย่อยที่มีขนาดเล็กกว่านั้นคุ้มค่าที่จะแลกหรือไม่ ความพยายามของข้อมูลขนาดใหญ่ได้สร้างข้อมูลที่ซับซ้อนกว่าที่นักวิทยาศาสตร์คาดไว้เกือบอย่างสม่ำเสมอ ทำให้บางคนตั้งคำถามถึงภูมิปัญญาของโครงการระดมทุนเพื่อสร้างข้อมูลมากขึ้นก่อนที่ข้อมูลที่มีอยู่แล้วจะเข้าใจได้อย่างเหมาะสม Kenneth Weiss นักชีววิทยาจากมหาวิทยาลัยแห่งรัฐเพนซิลวาเนียกล่าวว่า "การทำสิ่งที่เราทำในระดับที่ใหญ่ขึ้นและใหญ่ต่อไปนั้นง่ายกว่าการพยายามคิดอย่างมีวิจารณญาณและถามคำถามที่ลึกซึ้งยิ่งขึ้น

เมื่อเทียบกับสาขาต่างๆ เช่น ฟิสิกส์ ดาราศาสตร์ และวิทยาการคอมพิวเตอร์ที่ต้องรับมือกับความท้าทายของชุดข้อมูลขนาดใหญ่มานานหลายทศวรรษ การปฏิวัติข้อมูลขนาดใหญ่ในชีววิทยาก็ดำเนินไปอย่างรวดเร็วเช่นกัน ทำให้มีเวลาเพียงเล็กน้อยในการปรับตัว

Jaroslaw Zola วิศวกรคอมพิวเตอร์ที่ Rutgers University ในรัฐนิวเจอร์ซีย์ ซึ่งเชี่ยวชาญด้านชีววิทยาเชิงคำนวณ กล่าวว่า "การปฏิวัติที่เกิดขึ้นในการจัดลำดับและเทคโนโลยีชีวภาพในยุคต่อไปนั้นไม่เคยเกิดขึ้นมาก่อน"

นักชีววิทยาต้องเอาชนะอุปสรรคมากมาย ตั้งแต่การจัดเก็บและย้ายข้อมูลไปจนถึงการรวมและวิเคราะห์ข้อมูล ซึ่งจะต้องมีการเปลี่ยนแปลงทางวัฒนธรรมอย่างมาก “คนส่วนใหญ่ที่รู้สาขาวิชาไม่จำเป็นต้องรู้วิธีจัดการกับข้อมูลขนาดใหญ่” กรีนกล่าว หากพวกเขาต้องการใช้ข้อมูลจำนวนมากอย่างมีประสิทธิภาพ สิ่งนั้นจะต้องเปลี่ยนแปลง

ความซับซ้อนที่ยิ่งใหญ่

เมื่อนักวิทยาศาสตร์เริ่มจัดลำดับจีโนมมนุษย์ครั้งแรก งานส่วนใหญ่ดำเนินการโดยศูนย์จัดลำดับขนาดใหญ่จำนวนหนึ่ง แต่ค่าใช้จ่ายที่ลดลงของการจัดลำดับจีโนมช่วยให้วงการนี้กลายเป็นประชาธิปไตย ห้องแล็บหลายแห่งสามารถซื้อซีเควนเซอร์ของจีโนมได้ เพิ่มข้อมูลจีโนมที่มีให้สำหรับการวิเคราะห์มากขึ้น ลักษณะการกระจายของข้อมูลจีโนมได้สร้างความท้าทายขึ้นเอง รวมถึงการแพตช์ของข้อมูลที่รวบรวมและวิเคราะห์ได้ยาก Michael Schatz นักชีววิทยาด้านการคำนวณจาก Cold Spring Harbor Laboratory ในนิวยอร์กกล่าวว่า "ในวิชาฟิสิกส์ ต้องใช้ความพยายามอย่างมากในการชนกันขนาดใหญ่สองสามเครื่อง “ในทางชีววิทยา มีศูนย์การจัดลำดับ 1,000 แห่งทั่วโลก บางคนมีเครื่องดนตรีชิ้นเดียว บางคนมีเป็นร้อย”

David Relman แพทย์และนักจุลชีววิทยาที่มหาวิทยาลัยสแตนฟอร์ด ต้องการทำความเข้าใจว่าจุลินทรีย์มีอิทธิพลต่อสุขภาพของมนุษย์อย่างไร

ภาพ: Peter DaSilva จาก Quanta Magazine

ตัวอย่างเช่น ขอบเขตของปัญหา นักวิทยาศาสตร์ทั่วโลกได้จัดลำดับจีโนมมนุษย์นับพัน แต่ผู้ที่ต้องการวิเคราะห์ทั้งหมดจะต้องรวบรวมและจัดระเบียบข้อมูลก่อน “ระบบไม่ได้จัดระเบียบด้วยวิธีที่สอดคล้องกันในการคำนวณ และไม่มีเครื่องมือให้ศึกษา” กรีนกล่าว

นักวิจัยต้องการพลังการประมวลผลที่มากขึ้นและวิธีที่มีประสิทธิภาพมากขึ้นในการย้ายข้อมูล ฮาร์ดไดรฟ์มักจะส่งทางไปรษณีย์ มักจะเป็นวิธีที่ง่ายที่สุดในการส่งข้อมูล และบางคนโต้แย้งว่าการเก็บตัวอย่างทางชีววิทยานั้นถูกกว่าการจัดลำดับและจัดเก็บข้อมูลผลลัพธ์ แม้ว่าต้นทุนของเทคโนโลยีการจัดลำดับจะลดลงอย่างรวดเร็วเพียงพอสำหรับห้องปฏิบัติการแต่ละแห่งที่จะเป็นเจ้าของเครื่องจักรของตนเอง แต่ราคาพลังงานในการประมวลผลและการจัดเก็บที่ควบคู่กันไปนั้นไม่เป็นไปตามความเหมาะสม Folker Meyer นักชีววิทยาด้านคอมพิวเตอร์จาก Argonne National Laboratory ในรัฐอิลลินอยส์ กล่าวว่า "ค่าใช้จ่ายในการใช้คอมพิวเตอร์กำลังคุกคามที่จะกลายเป็นปัจจัยจำกัดในการวิจัยทางชีววิทยา ซึ่งประเมินว่าการคำนวณมีค่าใช้จ่ายมากกว่าการวิจัยถึงสิบเท่า “นั่นเป็นการพลิกกลับอย่างสมบูรณ์ของสิ่งที่เคยเป็น”

นักชีววิทยากล่าวว่าความซับซ้อนของข้อมูลทางชีววิทยาทำให้ข้อมูลนี้แตกต่างจากข้อมูลขนาดใหญ่ในวิชาฟิสิกส์และสาขาอื่นๆ "ในฟิสิกส์พลังงานสูง ข้อมูลมีโครงสร้างที่ดีและมีคำอธิบายประกอบ และโครงสร้างพื้นฐานได้รับการปรับปรุงให้สมบูรณ์แบบมานานหลายปีผ่านการทำงานร่วมกันที่ออกแบบมาอย่างดีและได้รับทุนสนับสนุน" Zola กล่าว เขากล่าวในทางเทคนิคว่าข้อมูลทางชีววิทยามีขนาดเล็กกว่า แต่จัดระเบียบได้ยากกว่ามาก นอกเหนือจากการจัดลำดับจีโนมอย่างง่าย นักชีววิทยาสามารถติดตามโฮสต์ของส่วนประกอบเซลล์และโมเลกุลอื่นๆ ซึ่งส่วนใหญ่ไม่เข้าใจ เทคโนโลยีที่คล้ายคลึงกันนี้มีไว้เพื่อวัดสถานะของยีน ไม่ว่าจะเปิดหรือปิดอยู่ เช่นเดียวกับ RNA และโปรตีนที่พวกมันผลิตขึ้น เพิ่มข้อมูลเกี่ยวกับอาการทางคลินิก การสัมผัสทางเคมีหรืออื่นๆ และข้อมูลประชากร และคุณมีปัญหาการวิเคราะห์ที่ซับซ้อนมาก

"พลังที่แท้จริงในการศึกษาเหล่านี้บางส่วนอาจเป็นการรวมข้อมูลประเภทต่างๆ" กรีนกล่าว แต่เครื่องมือซอฟต์แวร์ที่สามารถตัดข้ามสาขาได้จำเป็นต้องปรับปรุง ตัวอย่างเช่น การเพิ่มขึ้นของเวชระเบียนอิเล็กทรอนิกส์ หมายถึงข้อมูลผู้ป่วยที่พร้อมสำหรับการวิเคราะห์มากขึ้นเรื่อยๆ แต่นักวิทยาศาสตร์ยังไม่มีวิธีที่มีประสิทธิภาพในการเชื่อมโยงข้อมูลกับข้อมูลจีโนม เขากล่าว

ที่แย่ไปกว่านั้น นักวิทยาศาสตร์ไม่เข้าใจดีว่าตัวแปรต่างๆ เหล่านี้มีปฏิสัมพันธ์กันกี่ตัว ในทางตรงกันข้าม นักวิจัยที่ศึกษาเครือข่ายโซเชียลมีเดียรู้ดีว่าข้อมูลที่พวกเขากำลังรวบรวมหมายความว่าแต่ละโหนดในเครือข่ายแสดงถึงบัญชี Facebook เช่น ลิงก์ที่แสดงถึงเพื่อน เครือข่ายการกำกับดูแลยีน ซึ่งพยายามทำแผนที่ว่ายีนต่างๆ ควบคุมการแสดงออกของยีนอื่นอย่างไร มีขนาดเล็กกว่าเครือข่ายสังคมออนไลน์ โดยมีโหนดเป็นพันๆ โหนด แต่ข้อมูลนั้นยากต่อการกำหนด "ข้อมูลที่เราสร้างเครือข่ายมีเสียงดังและไม่แม่นยำ" Zola กล่าว “เมื่อเราดูข้อมูลทางชีววิทยา เรายังไม่รู้ว่าเรากำลังดูอะไรอยู่”

แม้จะมีความต้องการเครื่องมือวิเคราะห์ใหม่ๆ แต่นักชีววิทยาจำนวนหนึ่งกล่าวว่าโครงสร้างพื้นฐานด้านการคำนวณยังคงได้รับเงินทุนไม่เพียงพอ นาธาน ไพรซ์ รองผู้อำนวยการสถาบันชีววิทยาระบบในซีแอตเทิล กล่าวว่า "บ่อยครั้งในทางชีววิทยา เงินจำนวนมากจะนำไปใช้สร้างข้อมูล แต่มีปริมาณน้อยกว่ามากในการวิเคราะห์ข้อมูล" ในขณะที่นักฟิสิกส์สามารถเข้าถึงซูเปอร์คอมพิวเตอร์ที่ได้รับการสนับสนุนจากมหาวิทยาลัยได้ฟรี แต่นักชีววิทยาส่วนใหญ่ไม่มีการฝึกอบรมที่เหมาะสมในการใช้งาน แม้ว่าจะเป็นเช่นนั้นก็ตาม คอมพิวเตอร์ที่มีอยู่ก็ไม่ได้รับการปรับให้เหมาะกับปัญหาทางชีววิทยา Rob Knight นักจุลชีววิทยาแห่งมหาวิทยาลัยโคโลราโด โบลเดอร์และสถาบันการแพทย์ Howard Hughes ซึ่งมีส่วนเกี่ยวข้องในโครงการ Earth Microbiome กล่าวว่า "บ่อยครั้งมากที่ซูเปอร์คอมพิวเตอร์ระดับประเทศ โดยเฉพาะอย่างยิ่งที่ตั้งค่าไว้สำหรับเวิร์กโฟลว์ฟิสิกส์ และโครงการไมโครไบโอมของมนุษย์ “การเพิ่มเงินทุนสำหรับโครงสร้างพื้นฐานจะเป็นประโยชน์อย่างมากต่อภาคสนาม”

ในความพยายามที่จะจัดการกับความท้าทายเหล่านี้ ในปี 2555 สถาบันสุขภาพแห่งชาติได้เปิดตัว Big Data to Knowledge Initiative (BD2K) ซึ่งบางส่วนมีเป้าหมายเพื่อสร้างมาตรฐานการแบ่งปันข้อมูลและพัฒนาเครื่องมือวิเคราะห์ข้อมูลที่สามารถแจกจ่ายได้อย่างง่ายดาย . รายละเอียดเฉพาะของโปรแกรมยังอยู่ระหว่างการอภิปราย แต่หนึ่งในจุดมุ่งหมายคือการฝึกอบรมนักชีววิทยาด้านวิทยาศาสตร์ข้อมูล

“ทุกคนได้รับปริญญาเอก ในอเมริกาต้องการความสามารถด้านข้อมูลมากกว่าที่พวกเขามีในตอนนี้” กรีนกล่าว ผู้เชี่ยวชาญด้านชีวสารสนเทศกำลังมีบทบาทสำคัญในโครงการจีโนมมะเร็งและความพยายามด้านข้อมูลขนาดใหญ่อื่น ๆ แต่กรีนและคนอื่น ๆ ต้องการทำให้กระบวนการนี้เป็นประชาธิปไตย “คำถามประเภทต่างๆ ที่ผู้เชี่ยวชาญระดับสูงต้องถามและตอบในวันนี้ เราต้องการให้ผู้ตรวจสอบประจำถามอีก 10 ปีนับจากนี้” กรีนกล่าว “นี่ไม่ใช่ปัญหาชั่วคราว มันเป็นความจริงใหม่”

ไม่ใช่ทุกคนที่เห็นด้วยว่านี่เป็นเส้นทางที่ชีววิทยาควรปฏิบัติตาม นักวิทยาศาสตร์บางคนกล่าวว่าการมุ่งเน้นเงินทุนจำนวนมากในโครงการข้อมูลขนาดใหญ่โดยใช้วิธีการแบบเดิมๆ ที่ขับเคลื่อนด้วยสมมติฐานอาจส่งผลเสียต่อวิทยาศาสตร์ “การเก็บรวบรวมข้อมูลจำนวนมากมีจุดอ่อนมากมาย” ไวส์กล่าว “มันอาจจะไม่มีพลังในการทำความเข้าใจสาเหตุ” Weiss ชี้ให้เห็นถึงตัวอย่างของการศึกษาความสัมพันธ์ทั่วทั้งจีโนม ซึ่งเป็นแนวทางทางพันธุกรรมที่ได้รับความนิยม ซึ่งนักวิทยาศาสตร์พยายามค้นหายีนที่รับผิดชอบต่อโรคต่างๆ เช่น โรคเบาหวาน โดยการวัดความถี่ของความแปรปรวนทางพันธุกรรมที่พบได้บ่อยในผู้ที่มีหรือไม่มีโรค ตัวแปรที่ระบุโดยการศึกษาเหล่านี้จนถึงขณะนี้เพิ่มความเสี่ยงของโรคเพียงเล็กน้อย แต่การศึกษาเหล่านี้ยังคงมีการเสนอและให้ทุนสนับสนุนในรูปแบบที่ใหญ่กว่าและมีราคาแพงกว่า

"โดยส่วนใหญ่แล้วจะพบผลกระทบเล็กน้อยที่ไม่ได้อธิบายถึงโรค" ไวส์กล่าว “เราไม่ควรนำสิ่งที่เราค้นพบและโอนทรัพยากรเพื่อทำความเข้าใจวิธีการทำงานและทำอะไรกับมันหรือ” นักวิทยาศาสตร์ได้ระบุยีนจำนวนหนึ่งที่เชื่อมโยงกับโรคเบาหวานแล้ว ดังนั้น ทำไมไม่ลองทำความเข้าใจบทบาทของพวกมันในโรคนี้ให้ดีเสียก่อน แทนที่จะใช้เงินทุนอย่างจำกัดเพื่อค้นพบยีนเพิ่มเติมที่มีบทบาทอำมหิตมากกว่ากัน?

นักวิทยาศาสตร์หลายคนคิดว่าความซับซ้อนของการวิจัยด้านวิทยาศาสตร์เพื่อชีวิตต้องการทั้งโครงการวิทยาศาสตร์ขนาดใหญ่และขนาดเล็ก ด้วยความพยายามด้านข้อมูลขนาดใหญ่ในการจัดเตรียมอาหารสัตว์ใหม่สำหรับการทดลองแบบดั้งเดิมมากขึ้น “บทบาทของโครงการบิ๊กดาต้าคือการร่างโครงร่างของแผนที่ ซึ่งช่วยให้นักวิจัยในโครงการขนาดเล็กสามารถไปในที่ที่ต้องการได้” ไนท์กล่าว

ค่าใช้จ่ายในการจัดลำดับดีเอ็นเอลดลงตั้งแต่ปี 2550 เมื่อเริ่มลดลงเร็วกว่าต้นทุนของชิปคอมพิวเตอร์

ภาพ: Peter DaSilva จาก Quanta Magazine

เล็กและหลากหลาย

ความพยายามในการจำแนกลักษณะของจุลินทรีย์ที่อาศัยอยู่ในร่างกายของเราและในแหล่งที่อยู่อาศัยอื่นๆ เป็นตัวอย่างที่ชัดเจนของคำมั่นสัญญาและความท้าทายของข้อมูลขนาดใหญ่ เนื่องจากจุลินทรีย์ส่วนใหญ่ไม่สามารถเติบโตได้ในห้องแล็บ โครงการไมโครไบโอมหลักสองโครงการ ได้แก่ Earth Microbiome และ Human Microbiome จึงได้รับการเปิดใช้งานอย่างมากจากการจัดลำดับดีเอ็นเอ นักวิทยาศาสตร์สามารถศึกษาจุลินทรีย์เหล่านี้ส่วนใหญ่ผ่านยีนของพวกมัน วิเคราะห์ DNA ของจุลินทรีย์ที่อาศัยอยู่ในดิน ผิวหนัง หรือสภาพแวดล้อมอื่น ๆ และเริ่มตอบคำถามพื้นฐาน เช่น จุลินทรีย์ประเภทใดที่มีอยู่และวิธีที่พวกมันตอบสนองต่อการเปลี่ยนแปลง ในสภาพแวดล้อมของพวกเขา

เป้าหมายของโครงการ Human Microbiome ซึ่งเป็นหนึ่งในโครงการจำนวนหนึ่งในการทำแผนที่จุลินทรีย์ของมนุษย์ คือการจำแนกลักษณะของไมโครไบโอมจากส่วนต่างๆ ของร่างกายโดยใช้ตัวอย่างที่นำมาจากคนที่มีสุขภาพดี 300 คน Relman เปรียบเสมือนการทำความเข้าใจระบบอวัยวะที่ถูกลืม “มันเป็นอวัยวะที่ค่อนข้างแปลก เพราะมันอยู่ไกลจากชีววิทยาของมนุษย์” เขากล่าว นักวิทยาศาสตร์สร้างลำดับดีเอ็นเอจากจุลินทรีย์หลายพันชนิด ซึ่งหลายชนิดต้องได้รับการสร้างขึ้นใหม่อย่างอุตสาหะ มันเหมือนกับการสร้างหนังสือขึ้นมาใหม่จากชิ้นส่วนที่สั้นกว่าแต่ละประโยค
"ขณะนี้เรากำลังเผชิญกับความท้าทายที่น่ากลัวในการพยายามทำความเข้าใจระบบจากมุมมองของข้อมูลขนาดใหญ่ทั้งหมดนี้ โดยแทบไม่มีชีววิทยามากพอที่จะตีความได้" Relman กล่าว "เราไม่มีสรีรวิทยาแบบเดียวกับที่เข้าใจหัวใจหรือไต"

หนึ่งในการค้นพบที่น่าตื่นเต้นที่สุดของโครงการจนถึงปัจจุบันคือลักษณะเฉพาะของไมโครไบโอมของมนุษย์ที่มีความเฉพาะตัวสูง อันที่จริง การศึกษาหนึ่งจากคนประมาณ 200 คนแสดงให้เห็นว่าเพียงแค่การจัดลำดับจุลินทรีย์ที่ตกค้างบนแป้นพิมพ์ด้วยปลายนิ้วของแต่ละคน นักวิทยาศาสตร์สามารถจับคู่บุคคลนั้นกับแป้นพิมพ์ที่ถูกต้องด้วยความแม่นยำ 95 เปอร์เซ็นต์ “เมื่อไม่นานนี้ เราไม่รู้เลยว่าไมโครไบโอมมีความหลากหลายเพียงใด และมีความเสถียรภายในตัวบุคคลเพียงใด” ไนท์กล่าว


โดย Greg Watry
เพื่อรองรับจำนวนประชากรที่คาดการณ์ไว้ที่ 9.8 พันล้านคนภายในปี 2050 การผลิตอาหารทั่วโลกจำเป็นต้องเติบโตประมาณ 70 เปอร์เซ็นต์ รูปแบบที่เพิ่มขึ้นของสภาพอากาศที่รุนแรงเป็นสิ่งที่ท้าทายความมั่นคงด้านอาหาร เพื่อปรับตัวและเลี้ยงโลก เราต้องการพืชผลที่แข็งแรง

สภาพแวดล้อมที่เปลี่ยนไป

ธารน้ำแข็งกำลังละลาย ระดับน้ำทะเลเพิ่มสูงขึ้น ไฟป่ากำลังลุกโชน และความแห้งแล้งทวีความรุนแรงมากขึ้น โลกของเราอยู่ในสภาพที่น่าตกใจของการไหล สำหรับผู้ผลิตอาหาร การเปลี่ยนแปลงภูมิอากาศเหล่านี้สามารถพิสูจน์ได้ว่าร้ายแรง

Siobhan Brady รองศาสตราจารย์ด้านชีววิทยาพืชกล่าวว่า "พันธุ์พืชสมัยใหม่มักจะได้รับการผสมพันธุ์ตามละติจูดและลองจิจูดหนึ่งๆ เช่นเดียวกับรูปแบบภูมิอากาศเฉพาะ “เมื่อรูปแบบเหล่านี้เปลี่ยนไป อาจส่งผลเสียต่อการเจริญเติบโตของพืช น้ำน้อยเกินไป น้ำมากเกินไป อุณหภูมิสูง ระดับคาร์บอนไดออกไซด์ที่เพิ่มขึ้น สิ่งเหล่านี้สามารถเปลี่ยนแปลงผลผลิตของพืชได้”

แคลิฟอร์เนียเป็นผู้นำของประเทศในด้านการผลิตและการส่งออกทางการเกษตร โดยผู้ผลิตอาหารสร้างผลผลิตได้ 45 พันล้านดอลลาร์ในปี 2559 จากข้อมูลของกรมอาหารและการเกษตร ระบุว่า รัฐแคลิฟอร์เนียจัดหาผัก 1 ใน 3 ของประเทศ และ 2 ใน 3 ของผลไม้และ ถั่ว.

Neelima Sinha ศาสตราจารย์ด้านชีววิทยาพืชกล่าวว่า "กว่าสองสามพันปีแล้วที่มนุษย์ได้เลือกพันธุ์ที่มีคุณสมบัติที่ช่วยให้การเกษตรเจริญรุ่งเรืองและอารยธรรมมนุษย์เติบโตและวิวัฒนาการได้

โดยการเพาะพันธุ์และการขยายพันธุ์แบบคัดเลือก ผู้ผลิตทางการเกษตรได้เพาะพันธุ์พืชอย่างมีประสิทธิภาพ คัดเลือกสายพันธุ์ที่ให้ผลผลิตสูงและรสชาติดีกว่า การแทรกแซงจากมือมนุษย์ทำให้พืชผลบางชนิดอ่อนแอลง ทำให้พืชบางชนิดสูญเสียลักษณะการปรับตัวซึ่งครั้งหนึ่งเคยช่วยให้พืชเจริญเติบโตในสภาพแวดล้อมที่เต็มไปด้วยแรงกดดัน เช่น ความแห้งแล้งและปรสิต ภัยธรรมชาติและความแห้งแล้งที่ทวีความรุนแรงของแคลิฟอร์เนียทำให้เกิดปัญหากับพืชผลของรัฐอย่างไม่ต้องสงสัย

นักชีววิทยาพืชของ UC Davis กำลังมองหาญาติในป่าเพื่อขอคำแนะนำในการเสริมสร้างพืชผล ด้วยความหวังว่ากุญแจสู่ความยืดหยุ่นจะอยู่ในพันธุกรรมของพวกมัน

College of Biological Sciences รองศาสตราจารย์ Siobhan Brady และ Professor Neelima Sinha ในภาควิชาชีววิทยาพืช วิจัยและปรับแต่งลักษณะพืชที่ประสบความสำเร็จ เดวิด สลิปเปอร์

การขุดลักษณะพืชที่ดีที่สุด

ภูมิภาคแอนเดียนที่แห้งแล้งของอเมริกาใต้เป็นที่อยู่ของมะเขือเทศป่าพันธุ์หนึ่งพันธุ์แกร่ง Solanum pennellii ทนต่อความแห้งแล้ง เกลือ และเชื้อโรค เป็นการศึกษาในอุดมคติในการดัดแปลงพืชที่รุนแรง รากที่แข็งแรงและผลและใบที่มีผิวคล้ายขี้ผึ้งช่วยให้ S. pennellii รับมือกับความท้าทายในทะเลทราย นักวิจัยของ UC Davis เข้าใจถึงความทนทานของ S. pennellii

“โครงสร้างรากเป็นพื้นที่ที่ไม่ได้รับการศึกษา” เบรดี้กล่าว “มันอยู่ใต้พื้นดิน แต่มีหน้าที่ในการนำน้ำและสารอาหารทั้งหมดไปยังส่วนเหนือพื้นดินของพืช ซึ่งจำเป็นต่อโภชนาการของเรา”

Brady ศึกษา S. pennellii และ Solanum lycopersium ซึ่งเป็นญาติในบ้านซึ่งเป็นมะเขือเทศในสวน รากของมะเขือเทศในทะเลทรายจะสะสมสารประกอบย่อยในชั้นรากชั้นนอกซึ่งแตกต่างจากพันธุ์ในสวน ซึ่งช่วยให้กักเก็บน้ำได้ สารประกอบนี้แสดงเฉพาะในมะเขือเทศสวนในช่วงฤดูแล้งที่รุนแรง

ด้วยเครื่องมือจีโนมล้ำสมัย เบรดี้และทีมของเธอค้นหากุญแจสู่การผลิตย่อยในมะเขือเทศทะเลทราย ข้อมูลนี้สามารถช่วยระบุกลไกในการแนะนำลักษณะรากที่ยืดหยุ่นได้ในพืชชนิดอื่น

"ถ้าสามารถขยายไปสู่พืชผลอื่น ๆ ได้โดยการเพาะพันธุ์ด้วยปัจจัยเฉพาะที่อาจเพิ่มการมีอยู่ของมัน ก็อาจทำให้รากของมะเขือเทศในสวนมีคุณสมบัติกันน้ำได้มากขึ้นและสามารถทนต่อความแห้งแล้งได้ดีขึ้น" เบรดี้กล่าว

ภาพประกอบที่ได้รับแรงบันดาลใจจากสมุดบันทึกภาคสนามของชารอน เกรย์ นักวิจัยจาก UC Davis

ปรสิตหากิน

สภาพภูมิอากาศที่เปลี่ยนแปลงไม่ได้เป็นเพียงภัยคุกคามต่อการผลิตพืชผลที่อุดมสมบูรณ์ พืชกาฝากมากกว่า 4,000 สายพันธุ์ต่างดูดสารอาหารจากพืชที่เป็นโฮสต์ ปล่อยให้พวกมันถูกทำลาย

“พืชกาฝากมีความสำคัญอย่างมากในโลก โดยเฉพาะอย่างยิ่งในส่วนที่พัฒนาน้อยกว่าของโลก” Sinha กล่าว “เรามีของอย่าง Striga หรือ witchweed ซึ่งทำให้เกิดความหายนะอย่างไม่น่าเชื่อ”

เป็นที่ทราบกันดีว่าพืชสกุล Striga ที่เป็นกาฝากทำให้สูญเสียผลผลิตได้ถึงร้อยละ 90 ตามรายงานของศูนย์ปรับปรุงข้าวโพดและข้าวสาลีระหว่างประเทศ วัชพืชส่งผลกระทบต่อพื้นที่เพาะปลูกมากกว่า 49 ล้านเอเคอร์ในอนุภูมิภาคทะเลทรายซาฮารา มันยึดติดกับซีเรียลเช่นข้าวโพดและข้าวฟ่างซึ่งมีมูลค่าการสูญเสียประมาณ 1 พันล้านดอลลาร์ต่อปี

Witchweed ล่าเหยื่อของมันอย่างแข็งขัน เมื่อรากข้าวฟ่างมีฟอสฟอรัสต่ำ พวกมันจะหลั่งโมเลกุลที่เรียกว่าสไตรโกแลคโตน ซึ่งบอกให้รากรับสารอาหารมากขึ้น แต่สไตรโกแลคโตนทำหน้าที่เหมือนสัญญาณควันสำหรับต้นแม่มด

"พืชกาฝากชนิดนี้สามารถจี้สตริโกแลคโตนได้" เบรดี้กล่าว “เมื่อ Striga สัมผัสได้ถึง strigolactone มันจะเติบโตไปทางรากของข้าวฟ่าง เจาะเข้าไปและแย่งชิงทรัพยากรทั้งหมดของมัน”

เนื่องจากต้นแม่มดมีวิวัฒนาการควบคู่ไปกับข้าวฟ่าง ข้าวฟ่างบางชนิดจึงพัฒนาความต้านทานต่อปรสิต ประมาณ 70 เปอร์เซ็นต์แสดงระดับความอดทนหรือความต้านทานบางอย่าง

Brady และเพื่อนร่วมงานของเธอได้ตรวจสอบกลไกทางพันธุกรรมของสายพันธุ์ข้าวฟ่างที่ดื้อยา เธอเพิ่งเริ่มโครงการเพื่อกำหนดยีนว่ารากข้าวฟ่างมีปฏิกิริยาอย่างไรกับไมโครไบโอมในดินเพื่ออำนวยความสะดวกหรือยับยั้งการเจริญเติบโตของต้นแม่มด

"มีข้าวฟ่างสายหนึ่งที่แสดงให้เห็นว่ามีข้อบกพร่องในการสังเคราะห์ strigolactone" Brady กล่าว "ถ้าไม่มีฮอร์โมนนี้ รากของ Striga จะไม่สามารถโผล่ออกมาจากเมล็ดพืชได้ บุกรุกพืชที่เป็นโฮสต์และเข้ายึดครอง"

ในขณะเดียวกัน Sinha ศึกษา Cuscuta หรือที่เรียกว่า dodder พืชกาฝากชนิดนี้พบได้ทั่วไปในแคลิฟอร์เนีย โดยมีลักษณะเหมือนใยแมงมุมของสปาเก็ตตี้สีส้มที่ห่อหุ้มโฮสต์ Sinha ศึกษาปฏิสัมพันธ์ทางพันธุกรรมระหว่าง dodder กับพืชที่เป็นโฮสต์

“พืชชนิดนี้ไม่มีรากและไม่สังเคราะห์แสง มันไม่มีใบ ดังนั้นทุกอย่างที่มันต้องใช้ในการปลูกมันก็ต้องมาจากมะเขือเทศ” Sinha กล่าว “เป็นปัญหาสำคัญสำหรับการเกษตรในแคลิฟอร์เนีย”

เช่นเดียวกับเบรดี้ Sinha พยายามทำความเข้าใจในระดับพันธุกรรมว่าสิ่งใดที่ทำให้พืชผลบางชนิดดื้อต่อยาหรือไวต่อการหลบหลีก จากการตรวจสอบจีโนมของพืช เบรดี้และสินฮาหวังว่าจะพบตัวกระตุ้นทางพันธุกรรมที่ทำให้พืชสามารถป้องกันได้ ด้วยความรู้นี้ นักวิจัยสามารถแนะนำลักษณะเหล่านี้ในพืชผลของเรา เพื่อให้มั่นใจว่าพวกมันจะอยู่รอดในสภาพอากาศที่เปลี่ยนแปลง

การทำความเข้าใจภาษาของพืช

พืชผลิตสารเคมีหลายชนิดเพื่อรับมือกับความท้าทายด้านสิ่งแวดล้อม ตั้งแต่การป้องกันผู้ล่าไปจนถึงการดึงดูดแมลงผสมเกสร สารเคมีเหล่านี้ เรียกว่าสารเมตาโบไลต์ มีจำนวนนับแสนและแตกต่างกันไปในแต่ละสายพันธุ์ พืชแต่ละชนิดมีเอกลักษณ์เฉพาะในละครเคมี ทำให้พวกเขาอิจฉานักเคมีอินทรีย์

Philipp Zerbe ผู้ช่วยศาสตราจารย์ด้านชีววิทยาพืชกล่าวว่า "สำหรับฉัน เคมีในพืชเป็นเหมือนภาษามาก “พวกเขาใช้สารเคมีในการสื่อสาร ซึ่งเราใช้คำพูด”

Zerbe ทำงานเพื่อถอดรหัสความหลากหลายของพืชโดยการทำแผนที่ยีน เอนไซม์ และวิถีทางที่สร้างกลไกการเผาผลาญที่ซับซ้อน เขาสนใจเป็นพิเศษในสารเทอร์พีนอยด์ ซึ่งเป็นกลุ่มเมแทบอไลต์ที่ใหญ่ที่สุดและหลากหลายที่สุด

Terpenoids ทำหน้าที่หลายอย่างตั้งแต่การควบคุมการเจริญเติบโตและการพัฒนาไปจนถึงการปกป้องพืชจากความเครียดจากสิ่งแวดล้อมเช่นความแห้งแล้งและความเค็ม

"ถ้าเราสามารถค้นหายีนที่เกี่ยวข้องกับการป้องกันสารเคมีนี้ เราสามารถกำหนดเป้าหมายยีนเหล่านี้ได้อย่างแม่นยำมาก" Zerbe กล่าว “หากเราตั้งใจฟังและเข้าใจภาษาของพืช เราอาจแปลความรู้นี้เป็นแนวทางใหม่เพื่อปรับปรุงการต้านทานของพืชผล และในที่สุดเพื่อจัดหาประชากรที่กำลังเติบโตของเรา”

สำหรับ Zerbe และนักชีววิทยาคนอื่นๆ การกำเนิดของการแก้ไขจีโนมเป้าหมายด้วยเทคโนโลยีอย่าง CRISPR/Cas9 เป็นตัวเปลี่ยนเกม ตอนนี้ นักชีววิทยาพืชสามารถระบุยีนและวิถีทางที่เกี่ยวข้องกับการผลิตเมตาโบไลต์เฉพาะ ซึ่งสามารถนำไปใช้ในพันธุ์พืชได้

“Our efforts at the moment are focused on trying to fundamentally understand the enzymatic circuitry that plants use to form the remarkable diversity of metabolites and how these contribute to plant health,” says Zerbe. “Some of these metabolites have been known for decades, but now we have the means to decode their production.”

As the earth’s climate shifts, humanity must be proactive. To maintain food security, we must develop more resilient crops. Studying the strategies of wild and parasitic plants could prove essential in preparing our crops for a changing future.

At UC Davis, plant biologists are making the foundational, multidisciplinary discoveries that will help adapt food production to thrive in a new world.


Structure and Organization

Survey FAQs and Contact Us

To access FAQs or to submit a question click the arrow to the right.

Toll Free Data and Tradeshow Inquiries

Hours: 7:30 a.m. - 4:00 p.m. Eastern Time
Monday - Friday, except federal holidays
Toll-Free: (800) 727-9540

Hours: 9:00 a.m. - 5:30 p.m. Eastern Time
Monday - Friday, except federal holidays
Toll-Free: (833) One-USDA
Email: [email protected]
Website: https://ask.usda.gov/s/

บริการลูกค้า
Email: / Phone: (800) 727-9540

Teresa White, Public Affairs Deputy Director
Email: / Phone: (202) 690-8123

Jim Barrett, Public Affairs Specialist
Email: / Phone: (202) 690-8124

Jodi Letterman, Public Affairs Specialist
Email: / Phone: (916) 738-6609

Terry Matlock, Public Affairs Specialist
Email: / Phone: (720) 787-3172

Alexandra Nseir, Public Affairs Specialist
Email: / Phone: (202) 690-8121

June Turner, Director
Email: / Phone: (202) 720-8257

Regional and State Field Offices

Find contact information for Regional and State Field Offices

Have specific subject questions for one of our experts, click the arrow to the right.

Web Content Publishing Schedule

Section 207(f)(2) of the E-Government Act of 2002 requires federal agencies to develop an inventory of information to be published on their Web sites, establish a schedule for publishing information, make those schedules available for public comment, and post the schedules and priorities on the Web site.

For Developers and Data Users

Explore Statistics

I Want To

About NASS Estimates

Data and Statistics

Quick Stats (searchable database)

Find and download agricultural statistics for every state and county in the United States.

To access Quick Stats Tools click the arrow to the right.

County Level Information

While Quick Stats is the best source of county level data from NASS, acreage and yield maps of county crop estimates are available. Click here to view County Maps.

County data reference items:

Special Tabulations

Special Tabulations are publishable, resummarized data tables from the Census of Agriculture or NASS surveys. Requests for Special Tabulations are considered when the requested data are not published elsewhere.

Geospatial Data

CropScape is a geospatial data service, which offers advanced tools such as interactive visualization, web-based data dissemination, geospatial queries, and automated data delivery to systems such as Google Earth. It was developed in cooperation with the Center for Spatial Information Science and Systems at George Mason University.

VegScape is a geospatial data service, which offers automated updates of the vegetative condition at daily, weekly, and biweekly intervals. It delivers interactive vegetation indices that enable quantification of U.S. crop conditions for exploring, visualizing, querying, and disseminating via interactive maps. The interface and functionality are similar to CropScape. VegScape was developed in cooperation with the Center for Spatial Information Science and Systems at George Mason University.

Crop Condition and Soil Moisture Analytics (Crop-CASMA) is a web-based geospatial application. It is designed to remotely sense geospatial soil moisture and vegetation index data derived from NASA Soil Moisture Active Passive (SMAP) and Moderate Resolution Imaging Spectroradiometer (MODIS) missions to assess U.S. soil moisture condition and crop vegetation conditions. It is designed and developed by USDA-NASS and the Center for Spatial Information Science and Systems at George Mason University.

Crop Progress and Condition Gridded Layers are gridded geospatial datasets which are fully synthetic representations of confidential, county level data. These new data are available for U.S. corn and soybeans, and eventually cotton and wheat.

Disaster Analysis - USDA-NASS can now monitor agricultural disasters in near real-time and provide quantitative assessments using remotely sensed data and geospatial techniques. View disaster assessments in geospatial data format, reports, and metadata as available.

Land Use Strata for Selected States - The USDA-NASS area sampling frame delineates all parcels of land for the purpose of sampling. The area frame is constructed by visually interpreting satellite imagery to divide a state into stratification classes (strata) based on percent of land used in cultivation. View the most recent land use strata map for each state.

Census of Agriculture

Query the Census of Agriculture database to retrieve customized tables with Census data at the national, state and county levels as far back as 1997. Click here to access the Quick Stats database.

To view the Census publications, visit our Census of Agriculture webpage.


ผลลัพธ์

Optimal rotation patterns under infection: The protective effect of cover crops

Using the effective crop ratio δ(NS) we compute the values of total yield Y for each sequence. We model the scenario in which the pathogen infects at the beginning of the first season, at NS = 0, and include pathogen evolution. As previously, we focus on the ten rotation patterns which yield the best (Fig 4a). Interestingly, results show that 8 out of 10 rotation patterns which have a greater Y in the presence of the pathogen coincide with the set of rotations that maximise yield in pathogen-free conditions.

a) Selection of ten best patterns from 1024 possible sequences when cash yield loss due to infection is computed using the reference values. Each row is a rotation sequence. b) Best rotation sequence in the set of 10 optimal patterns for each of the conditions. The set index corresponds to conditions as indicated in Table 2. c) Intersection array for the sets of optimal sequences under different conditions. Each cell shows the number of sequences found in the intersection between the sets indicated in the vertical and horizontal labels. Highlighted sequences in (a): We allow for the 1024 possible sequences to repeat twice or thrice i.e. two or three generations. Rotation A is the sequence that maximises yield over multiple generations while Rotation B maximises yield only in the first generation but not later on.

Within the set of 10 optimal sequences, the yield range is 7.50 ≤ Y ≤ 7.36 without infection and reduces to 7.49 ≤ Y ≤ 7.31 with infection. In both sets, the best rotation pattern is the one starting with five seasons of cover crop, alternating after that and ending with three cash seasons. The reason behind the coincidence of patterns between the two sets is the double effect that the cover crops provide: on the one hand, they increase soil quality which in turn increases yield on the other hand, they break the epidemic diminishing crop loss and minimising yield loss.

Sensitivity of optimal patterns to different pathogen and soil conditions

Neither all epidemics have the same intensity, nor do all fields respond the same under the same farmer’s practices. Here we explore the conditions under which our set of rotations can maximise yield and compare it with the sets of rotations which have a better outcome in other scenarios. By a set, we refer to the selection of 10 optimal sequences among the 1024 possible rotation patters. We also compare the maximum value of cash yield that we can get for each condition (Table 2).

Sets refer to the selection of 10 sequences which best maximise yield in each condition. Values in bold indicate the change of conditions in the set with respect to the reference set.

Pathogen retainment.

Crop rotations are used to control the disease, but not all pathogens are equally vulnerable to the effects of break crops, here cover crops. The spores of airborne pathogens, such as fungi, can disperse over long distances and are difficult to control with crop rotations because the infection often spreads from the neighbouring fields. Conversely, crop rotations can be beneficial for soil-borne pathogens which cannot reproduce on a non-host plant [4, 35]. The ability of pathogens to survive in the soil or in crop debris, which can also be modified by tillage practices, is represented in our model by the pathogen retainment (). In the previous simulations, = 0.5, and here we explore what happens if its value increases to = 0.8 and decreases to = 0.2.

When we increase the retainment (set 1), the maximum yield decreases to Y = 6.93, and the optimal sequences have a ratio of two cash crops for every three cover crops in all cases. The number of cover seasons increases because there is a need for a more extended period of non-host crops to compensate that more pathogen stays in the soil. When we decrease the retainment (set 2), the maximum yield is approximately maintained, being Y = 7.50., and also the ratio of cash and cover crops.

Initial pathogen inoculum.

For the pathogens, the characteristics of the initial inoculum can determine the severity of the epidemic [36]. Here we explore it in two ways: the quantity of pathogen in the initial inoculum (NS1(0)) and the initial virulence of the pathogen, controlled by the values in the fitness matrix (Wอิจ) ในเวลา NS = 0. The default initial pathogen in our model is NS1(0) = 1 here, we observe how a ten-fold increase NS1(0) = 10 and decrease NS1(0) = 0.1 affect the optimal rotation patterns and yield. For the pathogen fitness, we conserve the ability of the pathogen to mutate into five fitter strains, but we set values of w11 = 1.5 and w11 = 0.5 as initial fitness, in comparison to the reference w11 = 1 (with wNS2 = 0, as before, for the cover crops 2).

Starting with an initial pathogen of NS1(0) = 10 (set 3) decreases the maximum yield to Y = 7.38 and decreases the ratio of cash to cover crops to 2:3 in all the sequences. The decrease is not drastic since starting with five consecutive cover crops decreases the pathogen load. This feature is present also in the reference set, to increase soil quality, showing the double effect of the cover crops. The decrease of inoculum (set 4) maintains the yield to Y = 7.50 and keeps the reference crop ratio. The increase of pathogen fitness (set 5) reduces the yield to Y = 6.91 and decreases the cash to cover ratio to 2:3. The results of decreasing pathogen fitness (set 6) are similar to the decrease of initial inoculum, being the yield Y = 7.50 and the ratio maintained to 1:1 or 2:3.

Initial soil quality.

When farmers aim to maximise cash yield, disregarding soil quality can lead to a sterile field which needs more cover crops than ลำดับความสำคัญ expected. Since the rotation plan may start in a field with poor quality, we check the effect of initial soil quality on the patterns. The values chosen are NS(0) = 1.9, close to the carrying capacity K = 2, and NS(0) = 0.1.

High initial soil quality (set 7) leads to the highest maximum yield increase, being Y = 9.29 and the ratio of crops 1:1. This yield increase is because we can get the highest yield in the first seasons, and we can maintain soil quality by the alternation of crops (Fig 4b). The number of cash crops cannot increase more because this would promote the infection, decreasing the yield. Low initial soil quality (set 8) has the most substantial reduction of maximum yield, decreasing to Y = 5.30. Dedicating more seasons in improving soil quality at the beginning, the ratio of cash to cover crops decays to 3:7 or 2:3 (Fig 4b).

Intersection of optimal sets.

Results show that the set of 10 best sequences shown in the previous section—and chosen as reference set—intersects with the optimal sets obtained in all conditions except for increased initial soil quality, despite changes in the maximum yield. We check for the number of common rotation sequences via a pairwise comparison of the sets for each of the exposed conditions (Fig 4c). The cases for which the sets intersect the most with the reference set relate to the initial pathogen: increase and decrease of pathogen retainment (8/10), increase (8/10) or decrease (9/10) of initial pathogen NS1(0) and changes of initial pathogen fitness w11(0) (8/10). When pathogen retainment and pathogen fitness is high, there is full intersection due to a common need for more non-host crops that break the epidemic (Set 1 and Set 5, 10/10) and also vice-versa (Set 2 and Set 6, 10/10). Other conditions also have high intersection values between them (from 6/10 to 9/10) due to similar needs for both increasing soil quality and controlling the infection. Variations in soil quality lead to the most different optimal patterns, with low (1/10) or no intersection with the rest of the sets.

Longer-term rotations: Soil quality and virulence control for the next generation of crops

Ten seasons, or a decade in yearly crops, can be regarded as long term planning, but farmers cultivate fields for even longer. To investigate if our rotation patterns are sustainable over decades, we study the variation in the yield and the pathogen load in consecutively repeated patterns.

For the analysis, we focus on the repetition of the population of sequences of length หลี่ = 10 i.e. all of the 1024 possible patterns and then repeating them twice or thrice. We term these repetitions as generations. We do not explore, however, the complete combinatorial space presented by the inclusion of second and third generation (i.e. 2 20 or 2 30 combinations), which is beyond the scope and focus of this manuscript. Of the 1024 patterns we limit our attention to the sets of 10 sequences that best maximise the yield in the infection scenario of reference (NS1(0) = 1, = 0.5, w11(0) = 1) and median initial soil quality (NS(0) = 1).

The results show that the rotations that best maximise yield after the second and third generation coincide with the optimal rotations for the first generation (intersection of 8/10 for both sets). To further investigate their sustainability, we analyse the changes of the agronomic variables—soil quality and cash yield—and the host-pathogen eco-evolutionary dynamics. We focus on two rotation patterns: the common optimal rotation for all generations Fig 4 (rotation A) and a rotation from the 10-optimal set of the first generation which is excluded in the set for the second and third generations Fig 4 (rotation B). Rotation A starts with five cover crops, alternates for two seasons and finishes with three cash crops rotation B has five cover crops followed by five cash crops.

The analysis (Table 3) shows that rotation A maintains the initial soil quality after the 10th season (NS(10) = 1), while rotation B depletes it (NS(10) = 0.15). In the previous section, we have shown that initial soil quality is key in determining the optimal rotation. Because of this feature, rotation A is able to maintain its optimal performance in the following generations, but B would need more investment in soil quality to aim for the same cash yield. Importantly, pathogen evolution during the first generation is also determinant in the yield outcome in the future. For rotation A, the increased frequency of virulent pathogen strains (NS(NS5) = 0.28) provokes more yield loss during the infection time. Consequently, the cash yield within the second (Y = 7.38) and third (Y = 6.32) generation is lower than within the first instance (Y = 7.49), even if soil quality is maintained. This effect is more drastic for rotation B, which initiates the second generation with high frequency of virulent strains (NS(NS5) = 0.46) and shows severe infection when a cash crop is cultivated. The frequency of NS5 is chosen to be an indicator for virulence. If the strain NS5 exists then the existence of all other strains is guaranteed.

A and B are the highlighted sequences in Fig 4. Rotation A is the sequence that maximises yield over multiple generations. Rotation B maximises yield in the first generation but not in the subsequent. For each rotation and generation there are shown values for total yield, final soil quality and final frequency of the most virulent strain (NS5).

Remarkably, the pathogen strain with more fitness does not outcompete the rest of strains (Fig 5). Since pathogens can mutate in both forward and reverse directions with the same rate (Eq (5)), the system reaches a mutation-selection balance in which the rate of generating strains with less fitness equals the rate at which the fitter strains are generated. The faster growth of the fitter strains is reflected in their higher eventual frequency in equilibrium.

A) Soil quality (blue circles) and cash yield (red squares) variations, in discrete time-steps which correspond to the harvesting seasons. B) Eco-evolutionary dynamics of crop (yellow = cash, purple = cover) and pathogen (grey) within and between seasons. C) Relative abundances of pathogen strains during the rotation.

These results show the properties of the rotation patterns that maintain soil quality and slow down pathogen evolution in the long term—requirements for sustainable farming.


Scientists monitor crop photosynthesis, performance using invisible light

Twelve-foot metal poles with long outstretched arms dot a Midwestern soybean field to monitor an invisible array of light emitted by crops. This light can reveal the plants’ photosynthetic performance throughout the growing season, according to newly published research by the University of Illinois.

“Photosynthetic performance is a key trait to monitor as it directly translates to yield potential,” said Kaiyu Guan, an assistant professor in the College of Agriculture, Consumer, and Environmental Sciences (ACES) and the principal investigator of this research. “This method enables us to rapidly and nondestructively monitor how well plants perform in various conditions like never before.”

Scientists evaluate the photosynthetic performance of soybeans using these towers, which use hyperspectral cameras to capture light invisible to the human eye that may one day help us predict yield on a grand scale.

Published in the Journal of Geophysical Research – Biogeosciences, the Illinois team led by Guofang Miao, a postdoctoral researcher in ACES and the lead author of the paper, report the first continuous field season to use sun-induced fluorescence (SIF) data to determine how soybeans respond to fluctuating light levels and environmental stresses.

“Since the recent discovery of using satellite SIF signals to measure photosynthesis, scientists have been exploring the potential to apply SIF technology to better agricultural ecosystems,” said study collaborator Carl Bernacchi, an associate professor of plant science at the Carl R. Woese Institute for Genomic Biology (IGB). “This research advances our understanding of crop physiology and SIF at a local scale, which will pave the way for satellite observations to monitor plant health and yields over vast areas of cropland.”

Photosynthesis is the process where plants convert light energy into sugars and other carbohydrates that eventually become our food or biofuel. However, one to two percent of the plant’s absorbed light energy is emitted as fluorescent light that is proportional to the rate of photosynthesis.

Researchers capture this process using hyperspectral sensors to detect fluctuations in photosynthesis over the growing season. They designed this continuous study to better understand the relationship between absorbed light, emitted fluorescent light, and the rate of photosynthesis. “We want to find out whether this proportional relationship is consistent across various ecosystems, especially between crops and wild ecosystems such as forests and savannas,” said Miao.

“We are also testing the applicability of this technology for crop phenotyping to link key traits with their underlying genes,” said co-author Katherine Meacham, a postdoctoral researcher at the IGB.

“SIF technology can help us transform phenotyping from a manual endeavor requiring large teams of researchers and expensive equipment to an efficient, automated process,” said co-author Caitlin Moore, also a postdoctoral researcher at the IGB.

A network of SIF sensors has been deployed across the U.S. to evaluate croplands and other natural ecosystems. Guan’s lab has launched two other long-term SIF systems in Nebraska to compare rainfed and irrigated fields in corn-soybean rotations. “By applying this technology to different regions, we can ensure the efficacy of this tool in countless growing conditions for a myriad of plants,” said Xi Yang, an assistant professor at the University of Virginia, who designed this study’s SIF monitoring system.

“Our ability to link SIF data at the leaf, canopy and regional scales will facilitate the improvement of models that forecast crop yields,” Guan said. “Our ultimate goal is to monitor the photosynthetic efficiency of any field across the world to evaluate crop conditions and forecast crop yields on a global scale in real time.”

This work was supported by the NASA New Investigator Award, the Institute for Sustainability, Energy, and Environment (iSEE), a NASA Interdisciplinary Science Award and the TERRA-MEPP (Mobile Energy-Crop Phenotyping Platform) research project that is funded by the Advanced Research Projects Agency-Energy (ARPA-E).

The paper “Sun-Induced Chlorophyll Fluorescence, Photosynthesis, and Light Use Efficiency of a Soybean Field from Seasonally Continuous Measurements” is available online (DOI: 10.1002/2017JG004180) or by request. Co-authors also include Joseph A. Berry, Evan H. DeLucia, Jin Wu, Yaping Cai, Bin Peng, Hyungsuk Kimm, and Michael D. Masters.

TERRA-MEPP (Mobile Energy-Crop Phenotyping Platform) is a research project that is developing a low-cost phenotyping robot to identify top-performing crops. TERRA-MEPP is led by the University of Illinois in partnership with Cornell University and Signetron Inc. and is supported by the Advanced Research Projects Agency-Energy (ARPA-E).
The Carl R. Woese Institute for Genomic Biology research facility at the University of Illinois is dedicated to transformative research and technology in life sciences using team-based strategies to tackle grand societal challenges.


Structure and Organization

Survey FAQs and Contact Us

To access FAQs or to submit a question click the arrow to the right.

Toll Free Data and Tradeshow Inquiries

Hours: 7:30 a.m. - 4:00 p.m. Eastern Time
Monday - Friday, except federal holidays
Toll-Free: (800) 727-9540

Hours: 9:00 a.m. - 5:30 p.m. Eastern Time
Monday - Friday, except federal holidays
Toll-Free: (833) One-USDA
Email: [email protected]
Website: https://ask.usda.gov/s/

บริการลูกค้า
Email: / Phone: (800) 727-9540

Teresa White, Public Affairs Deputy Director
Email: / Phone: (202) 690-8123

Jim Barrett, Public Affairs Specialist
Email: / Phone: (202) 690-8124

Jodi Letterman, Public Affairs Specialist
Email: / Phone: (916) 738-6609

Terry Matlock, Public Affairs Specialist
Email: / Phone: (720) 787-3172

Alexandra Nseir, Public Affairs Specialist
Email: / Phone: (202) 690-8121

June Turner, Director
Email: / Phone: (202) 720-8257

Regional and State Field Offices

Find contact information for Regional and State Field Offices

Have specific subject questions for one of our experts, click the arrow to the right.

Web Content Publishing Schedule

Section 207(f)(2) of the E-Government Act of 2002 requires federal agencies to develop an inventory of information to be published on their Web sites, establish a schedule for publishing information, make those schedules available for public comment, and post the schedules and priorities on the Web site.

For Developers and Data Users

Quick links for Census of Ag

Historical Census of Ag Publications

Find current data by.

Surveys related to the Census of Ag

Census of Agriculture

The Census of Agriculture is a complete count of U.S. farms and ranches and the people who operate them. Even small plots of land - whether rural or urban - growing fruit, vegetables or some food animals count if $1,000 or more of such products were raised and sold, or normally would have been sold, during the Census year. The Census of Agriculture, taken only once every five years, looks at land use and ownership, operator characteristics, production practices, income and expenditures. For America’s farmers and ranchers, the Census of Agriculture is their voice, their future, and their opportunity.

If you did not receive the 2017 Census of Agriculture questionnaire and should have, or if you are operating a new farm or ranch, please sign up to be counted in the 2022 Census of Agriculture.

Census Data Release Videos

Want an overview of the 2017 Census of Agriculture data? Don’t miss the Census of Agriculture Data Highlight Series on farm economics, demographics, and more.


FSA Crop Acreage Data Reported to FSA

2020 Crop Year

    (ZIP, 21 MB, January 12, 2021) (ZIP, 21 MB, December 10, 2020) ( ZIP, 22 MB, November 10, 2020 ) (ZIP, 21 MB, October 9, 2020) (ZIP, 21 MB, September 11, 2020) (ZIP, 21 MB, August 12, 2020)

2019 Crop Year

บันทึก: Beginning with the 2019 crop, producers may report the same acre of either wheat, barley, oats, rye, and triticale for grain and grazing. That situation can occur when a producer intends to graze cattle in the winter, remove the cattle, and harvest the grain when mature later that spring. Thus, for these crops the acre would be counted twice when a producer intends to use the same acre for both grazing and grain.

    (ZIP, 21 MB, January 10, 2020) (ZIP, 21 MB, December 10, 2019) (ZIP, 21 MB, November 8, 2019) (ZIP, 21 MB, October 10, 2019) (ZIP, 21 MB, September 12, 2019) (ZIP, 21 MB, August 27, 2019) (ZIP, 21 MB, August 12, 2019)

Due to the large amount of questions surrounding the difference between NASS estimated planted acres and certified acres reported to FSA, USDA is publishing this update of the August 1, 2019 data.

A description of the differences between the August 2019 NASS crop acre estimates and the FSA certified acres reported to FSA can be found on the Office of the Chief Economist website, click this link for more information.


Where to find data on different crops - Biology

พืชได้กำหนดรูปแบบชีวิตมนุษย์ของเราตั้งแต่เริ่มแรก ด้วยการรับรู้ถึงการให้อาหารของประชากรโลก การเปลี่ยนแปลงสภาพภูมิอากาศโลก และทรัพยากรพลังงานที่จำกัดด้วยเชื้อเพลิงฟอสซิล ความเกี่ยวข้องของชีววิทยาพืชและเทคโนโลยีชีวภาพจึงมีความสำคัญอย่างมาก ประเด็นสำคัญประการหนึ่งคือการปรับปรุงผลผลิตของพืชและความต้านทานความเครียดจากสิ่งมีชีวิต/ชีวภาพในการเกษตร เนื่องจากพื้นที่จำกัดและแรงกดดันด้านสิ่งแวดล้อมที่เพิ่มขึ้น อีกประการหนึ่งคือการพัฒนาCO2- ทรัพยากรพืชที่เป็นกลางสำหรับเส้นใย/ชีวมวลและเชื้อเพลิงชีวภาพ: การเปลี่ยนจากพืชรุ่นแรก เช่น อ้อย ข้าวโพด และพืชทางโภชนาการที่สำคัญอื่นๆ เป็นพืชพลังงานรุ่นที่สองและสาม เช่น มิสแคนทัส และต้นไม้สำหรับลิกโนเซลลูโลสและสาหร่ายสำหรับชีวมวลและอาหาร การผลิตไฮโดรเจนและไขมัน ในขณะเดียวกัน เราต้องอนุรักษ์และปกป้องความหลากหลายทางธรรมชาติและความสมบูรณ์ของชนิดพันธุ์เป็นรากฐานของชีวิตเราบนแผ่นดินโลก ในที่นี้ มีการกล่าวถึงธนาคารความหลากหลายทางชีวภาพในฐานะรากฐานของการวิจัยการปรับปรุงพันธุ์พืชในปัจจุบันและอนาคต ดังนั้นจึงสามารถคาดการณ์ได้ว่าชีววิทยาพืชและนิเวศวิทยาจะมีบทบาทในอนาคตที่ขาดไม่ได้มากขึ้นในทุกแง่มุมทางเศรษฐกิจและสังคมในชีวิตของเรามากกว่าที่เคยเป็นมา ดังนั้นเราจึงจำเป็นต้องมีความเข้าใจในเชิงลึกเกี่ยวกับสรีรวิทยาของพืชชนิดเดียวเพื่อการใช้งานจริง รวมถึงการแปลความรู้นี้ไปสู่ระบบนิเวศทางธรรมชาติที่ซับซ้อนและทางมานุษยวิทยา การพัฒนาล่าสุดในการวิจัยทางชีววิทยาและการวิเคราะห์ทางชีวเคมีจะนำไปสู่การเปลี่ยนแปลงกระบวนทัศน์ไปสู่การพยายามทำความเข้าใจสิ่งมีชีวิตในระดับระบบและในบริบททางระบบนิเวศ: (i) ปืนลูกซองและการจัดลำดับจีโนมรุ่นต่อไป การสร้างยีนขึ้นใหม่ และการใส่คำอธิบายประกอบ (ii) ขนาดจีโนม การวิเคราะห์ระดับโมเลกุลโดยใช้เทคโนโลยี OMICS และ (iii) การวิเคราะห์โดยใช้คอมพิวเตอร์ช่วย การสร้างแบบจำลองและการตีความข้อมูลทางชีววิทยา ชีววิทยาของระบบรวมข้อมูลระดับโมเลกุล วิวัฒนาการทางพันธุกรรม สัญญาณสิ่งแวดล้อม และปฏิสัมพันธ์ของสปีชีส์ เข้ากับความเข้าใจ การสร้างแบบจำลอง และการทำนายเครือข่ายทางชีวเคมีเชิงรุกจนถึงประชากรทั้งสปีชีส์ กระบวนการนี้อาศัยการพัฒนาเทคโนโลยีใหม่สำหรับการวิเคราะห์ข้อมูลระดับโมเลกุล โดยเฉพาะอย่างยิ่งข้อมูลจีโนม เมตาโบโลมิกส์ และโปรตีโอมิกส์ เป้าหมายที่ทะเยอทะยานของเทคโนโลยี 'omic' ที่ไม่ได้กำหนดเป้าหมายเหล่านี้คือการขยายความเข้าใจของเราให้มากกว่าการวิเคราะห์ส่วนที่แยกจากกันของระบบ ตรงกันข้ามกับแนวทางที่ขับเคลื่อนด้วยสมมติฐานการลดแบบเดิม การผสมผสานที่ตามมาของจีโนไทป์ ฟีโน/สัณฐานวิทยา และการวิเคราะห์ฟีโนไทป์ของโมเลกุลโดยใช้เมตาโบโลมิกส์ โปรตีโอมิกส์ และทรานสคริปโตมิกส์จะเผยให้เห็นความเข้าใจใหม่เกี่ยวกับเมแทบอลิซึมของพืชและการมีปฏิสัมพันธ์กับสิ่งแวดล้อม การวิเคราะห์ระบบแบบจำลองเดียว เช่น พืช เชื้อรา สัตว์ และแบคทีเรีย จะปรากฏในการวิเคราะห์ประชากรของพืชและสิ่งมีชีวิตอื่นๆ และการปรับตัวให้เข้ากับระบบนิเวศ ในขณะเดียวกัน ความเข้าใจใหม่เกี่ยวกับสรีรวิทยาทางนิเวศวิทยานี้จะแปลเป็นแนวทางที่อิงความรู้ในเทคโนโลยีชีวภาพของพืชผลและแนวทางการผสมพันธุ์โดยใช้เครื่องหมายหรือจีโนม ในการทบทวนนี้จะมีการอธิบายพื้นฐานของชีววิทยาระบบสีเขียวและนำเสนอการประยุกต์ใช้ในการวิจัยระบบนิเวศ การแลกเปลี่ยนความรู้ของการวิจัยระบบนิเวศน์และเทคโนโลยีชีวภาพสีเขียวที่ผสานเข้ากับชีววิทยาระบบสีเขียวนั้นคาดว่าจะเป็นไปตามหลักการของการเปลี่ยนแปลงตามธรรมชาติ ความหลากหลายทางชีวภาพ และความสัมพันธ์ระหว่างสภาพแวดล้อมของจีโนไทป์กับฟีโนไทป์ซึ่งเป็นตัวขับเคลื่อนพื้นฐานของนิเวศวิทยาและวิวัฒนาการ



ความคิดเห็น:

  1. Samuzshura

    มันเป็นภาพลวงตา

  2. Baker

    I advise to you to look a site, with a large quantity of articles on a theme interesting you.

  3. Dilrajas

    ขออภัย ฉันไม่สามารถช่วยคุณได้ แต่ฉันแน่ใจว่าคุณจะพบวิธีแก้ปัญหาที่ถูกต้อง

  4. Calais

    I congratulate, what words ..., remarkable idea



เขียนข้อความ