Abstract Bacterial wilt (BW) is a soil-borne disease that severely impacts plant growth and productivity globally. Ubiquitination plays a crucial role in disease resistance. Our previous research indicated that NAC transcription factor SmNAC negatively regulates BW resistance in eggplant ( Solanum melongena ). However, whether the ubiquitin/26S proteasome system (UPS) participates in this regulation is unknown. This study used SmNAC as a bait to screen eggplant cDNA library and obtained SmDDA1b, an E3 ubiquitin ligase. Subcellular location and bimolecular fluorescence complementation assays revealed that SmDDA1b could interact with SmNAC in the nucleus. The in vivo and in vitro ubiquitination experiments indicated that SmDDA1b can degrade SmNAC through UPS. However, the discovery of negative regulation of SmDDA1b expression by SmNAC showed that there was a negative feedback loop between SmNAC and SmDDA1b in eggplant. The SmDDA1b- overexpressed lines showed a higher BW resistance associated with high expression levels of salicylic acid (SA)-related genes and SA content than the wild-type lines. However, SmDDA1b -silencing lines showed the opposite results, indicating that SmDDA1b is a positive regulatory gene for BW resistance. This study provides a candidate gene that can enhance BW resistance in eggplants. In addition, it provides insight into a mechanism that promotes plant disease resistance via the SmDDA1b-SmNAC-SA pathway.

The identification of co-regulated genes and their Transcription-Factor Binding Sites (TFBSs) are the key steps toward understanding transcription regulation. In addition to effective laboratory assays, various bi-clustering algorithms for the detection of the co-expressed genes have been developed. Bi-clustering methods are used to discover subgroups of genes with similar expression patterns under to-be-identified subsets of experimental conditions when applied to gene expression data. By building two fuzzy partition matrices of the gene expression data with the Axiomatic Fuzzy Set (AFS) theory, this paper proposes a novel fuzzy bi-clustering algorithm for the identification of co-regulated genes. Specifically, the gene expression data are transformed into two fuzzy partition matrices via the sub-preference relations theory of AFS at first. One of the matrices considers the genes as the universe and the conditions as the concept, and the other one considers the genes as the concept and the conditions as the universe. The identification of the co-regulated genes (bi-clusters) is carried out on the two partition matrices at the same time. Then, a novel fuzzy-based similarity criterion is defined based on the partition matrices, and a cyclic optimization algorithm is designed to discover the significant bi-clusters at the expression level. The above procedures guarantee that the generated bi-clusters have more significant expression values than those extracted by the traditional bi-clustering methods. Finally, the performance of the proposed method is evaluated with the performance of the three well-known bi-clustering algorithms on publicly available real microarray datasets. The experimental results are in agreement with the theoretical analysis and show that the proposed algorithm can effectively detect the co-regulated genes without any prior knowledge of the gene expression data.