高通量植物表型分析 (HTPP) 方法有可能通過(guò)開(kāi)發(fā)經(jīng)濟(jì)、快速且和可擴(kuò)展的自動(dòng)化表型分析方法來(lái)加速作物育種過(guò)程。作物抗病育種將受益于 HTPP 方法的成功實(shí)施,因?yàn)槔@過(guò)了傳統(tǒng)的疾病視覺(jué)表型分析所帶來(lái)的瓶頸,能夠篩選更大、更多樣化的種群以尋找新的抗性來(lái)源。本研究的目的是使用通過(guò)近端表型獲得的 HTPP 數(shù)據(jù)來(lái)預(yù)測(cè)大型冬小麥田間試驗(yàn)中的黃銹病評(píng)分。
實(shí)驗(yàn)群體中的黃銹病進(jìn)展。a 兩個(gè)冬小麥 (Triticum aestivum) 種群中黃銹病 (Puccinia striiformis) 嚴(yán)重程度的表型分布:(基因庫(kù)集)一組 211 個(gè)基因型,包括來(lái)自北歐基因庫(kù)、北歐和波羅的海品種的材料,和(育種集)一組 325 育種 F5 雜交。在 2019/2020 年冬小麥生長(zhǎng)季節(jié)的六個(gè)時(shí)間點(diǎn)進(jìn)行了疾病觀察。b 健康(左)和患?。ㄓ遥┬←湹貕K的兩個(gè)示例圖像
結(jié)果表明,從光譜輻射計(jì)數(shù)據(jù)獲取的 40-42 個(gè)光譜植被指數(shù) (SVI)可以通過(guò)隨機(jī)森林 (RF) 建模預(yù)測(cè)黃銹病評(píng)分。SVI 是通過(guò)基于隨機(jī)森林的遞歸特征消除 (RFE) 選擇的,在衡量預(yù)測(cè)分?jǐn)?shù)和觀察分?jǐn)?shù)之間的相關(guān)性時(shí),所得模型中的預(yù)測(cè)分?jǐn)?shù)具有 rs?=?0.50-0.61 的預(yù)測(cè)精度。一些用于預(yù)測(cè)的重要的光譜特征包括植物衰老反射指數(shù) (PSRI)、光化學(xué)反射指數(shù) (PRI)、紅綠色素指數(shù) (RGI) 和綠度值 (GI)。
預(yù)測(cè)變量與 YR 分?jǐn)?shù)之間的相關(guān)性分析。從兩個(gè)日期收集的高通量表型(HTPP)數(shù)據(jù)導(dǎo)出的黃銹病評(píng)分和模型預(yù)測(cè)變量之間的Spearman相關(guān)性分析。a、b, HTPP 預(yù)測(cè)因子與疾病評(píng)分之間以相關(guān)值衡量相關(guān)值強(qiáng)度分布。c, d, 前 15 個(gè)預(yù)測(cè)因子與觀察到的疾病評(píng)分的相關(guān)值從上到下降序排列
提出的 HTPP 方法在隨機(jī)森林模型中結(jié)合來(lái)自光譜傳感器的 SVI 數(shù)據(jù),有可能用于小麥育種試驗(yàn)以對(duì)黃銹病進(jìn)行評(píng)分。
來(lái)源:Plant Methods.Predicting yellow rust in wheat breeding trials by proximal phenotyping and machine learning.Alexander Koc, Firuz Odilbekov, Marwan Alamrani, Tina Henriksson & Aakash Chawade
https://plantmethods.biomedcentral.com/articles/10.1186/s13007-022-00868-0