高通量植物表型分析 (HTPP) 方法有可能通過開發(fā)經(jīng)濟、快速且和可擴展的自動化表型分析方法來加速作物育種過程。作物抗病育種將受益于 HTPP 方法的成功實施，因為繞過了傳統(tǒng)的疾病視覺表型分析所帶來的瓶頸，能夠篩選更大、更多樣化的種群以尋找新的抗性來源。本研究的目的是使用通過近端表型獲得的 HTPP 數(shù)據(jù)來預測大型冬小麥田間試驗中的黃銹病評分。


實驗群體中的黃銹病進展。a 兩個冬小麥 (Triticum aestivum) 種群中黃銹病 (Puccinia striiformis) 嚴重程度的表型分布：（基因庫集）一組 211 個基因型，包括來自北歐基因庫、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 年冬小麥生長季節(jié)的六個時間點進行了疾病觀察。b 健康（左）和患病（右）小麥地塊的兩個示例圖像

結果表明，從光譜輻射計數(shù)據(jù)獲取的 40-42 個光譜植被指數(shù) (SVI)可以通過隨機森林 (RF) 建模預測黃銹病評分。SVI 是通過基于隨機森林的遞歸特征消除 (RFE) 選擇的，在衡量預測分數(shù)和觀察分數(shù)之間的相關性時，所得模型中的預測分數(shù)具有 rs?=?0.50-0.61 的預測精度。一些用于預測的重要的光譜特征包括植物衰老反射指數(shù) (PSRI)、光化學反射指數(shù) (PRI)、紅綠色素指數(shù) (RGI) 和綠度值 (GI)。


預測變量與 YR 分數(shù)之間的相關性分析。從兩個日期收集的高通量表型(HTPP)數(shù)據(jù)導出的黃銹病評分和模型預測變量之間的Spearman相關性分析。a、b， HTPP 預測因子與疾病評分之間以相關值衡量相關值強度分布。c, d， 前 15 個預測因子與觀察到的疾病評分的相關值從上到下降序排列

提出的 HTPP 方法在隨機森林模型中結合來自光譜傳感器的 SVI 數(shù)據(jù)，有可能用于小麥育種試驗以對黃銹病進行評分。

來源：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