Abstract The plant steroid hormones brassinosteroids (BRs) regulate growth in part through altering the properties of the cell wall, the extracellular matrix of plant cells. Conversely, cell wall signalling connects the state of cell wall homeostasis to the BR receptor complex and modulates BR activity. Here we report that both pectin-triggered cell wall signalling and impaired BR signalling result in altered cell wall orientation in the Arabidopsis root meristem. BR-induced defects in the orientation of newly placed walls are associated with aberrant localization of the cortical division zone but with normal specification of its positioning. Tissue- specific perturbations of BR signalling revealed that the cellular malfunction is unrelated to previously described whole organ growth defects. Thus, tissue type separates the pleiotropic effects of cell wall/BR signals and highlights their importance during cell wall placement.

Abstract Understanding the context-specific role of gene function is a key objective of modern biology. To this end, we generated a resource for inducible cell-type specific trans-activation based on the well-established combination of the chimeric GR-LhG4 transcription factor and the synthetic pOp promoter. Harnessing the flexibility of the GreenGate cloning system, we produced a comprehensive set of GR-LhG4 driver lines targeting most tissues in the Arabidopsis shoot and root with a strong focus on the indeterminate meristems. We show that, when combined with effectors under control of the pOp promoter, tight temporal and spatial control of gene expression is achieved. In particular, inducible expression in F1 plants obtained from crosses of driver and effector lines allows rapid assessment of the cell type-specific impact of an effector with high temporal resolution. Thus, our comprehensive and flexible toolbox is suited to overcome the limitations of ubiquitous genetic approaches, the outputs of which are often difficult to interpret due to widespread existence of compensatory mechanisms and the integration of diverging effects in different cell types. One sentence summary: A set of lines enabling spatio-temporal control of gene expression in Arabidopsis.

The classification of iron ore rock plays a crucial role in assisting the mine to develop scientifically sound mining strategies. Given the limitations of traditional manual identification and chemical techniques in terms of cost and detection time, it is crucial to develop an economical, high-precision, and efficient classification method for iron ore rocks. This paper takes an iron mine in Anshan as the research center and aims to establish an iron ore rock classification model by combining the improved extreme learning machine (ELM) with near-infrared spectra (NIRS). The NIRS of iron ore rock is denoised and feature extracted using the Savitzky–Golay filter and competitive adaptive reweighted sampling (CARS) methods, respectively. In this paper, we propose the IAdaBoost algorithm by introducing the sample similarity relationship into the weight-updating strategy of the AdaBoost integration algorithm. The weighted extreme learning machine (WELM) is adopted as the base learner for the IAdaBoost algorithm. Furthermore, we employ a multi-strategy improved gray wolf optimization (IGWO) algorithm to optimize the learning rate and the number of integrated base learners in the IAdaBoost algorithm. Consequently, we propose the IGWO-IAdaBoost-WELM model. Compared to other machine learning models, our proposed model performs better and can classify iron ore rocks consistently and efficiently. Meanwhile, we also used the model to invert the remote sensing images of the iron ore mining area, and the results show that the model can achieve fast, efficient, and large-scale iron ore rock classification, which provides an important reference for mining.