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(yù)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?。ㄓ遥┬←湹貕K的兩個示例圖像
結(jié)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(yù)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(yù)測分數(shù)和觀察分數(shù)之間的相關(guān)性時,所得模型中的預(yù)測分數(shù)具有 rs?=?0.50-0.61 的預(yù)測精度。一些用于預(yù)測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)測變量與 YR 分數(shù)之間的相關(guān)性分析。從兩個日期收集的高通量表型(HTPP)數(shù)據(jù)導(dǎo)出的黃銹病評分和模型預(yù)測變量之間的Spearman相關(guān)性分析。a、b, HTPP 預(yù)測因子與疾病評分之間以相關(guān)值衡量相關(guān)值強度分布。c, d, 前 15 個預(yù)測因子與觀察到的疾病評分的相關(guān)值從上到下降序排列
提出的 HTPP 方法在隨機森林模型中結(jié)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