基于多光谱衍生的基因型相似性预测春小麦在单一和多环境下的产量和基因组选择增强


发布时间:

2023-11-02

来源:

本站

作者:

PhenoTrait

有了大量可用的基因组数据,基因组选择已经成为许多植物育种计划的常规。无人机捕获的多光谱数据显示,利用机器学习对许多植物物种进行粮食产量预测具有潜力;然而,利用这些数据来增强基因组预测模型的可能性仍然需要探索。为了填补这一空白,本文在一项基因型多环境的大规模田间试验中使用两台具有成本效益的相机收集了高通量表型分析(high-throughput phenotyping,HTP)的多光谱数据。我们使用最优线性无偏预测器(best linear unbiased predictor,BLUP)方法在单环境和多环境情景中测试了基因组(G矩阵)、多光谱衍生(M矩阵)和环境(E矩阵)关系等产量(grain yield,GY)预测模型的预测能力。我们发现M能够实现与G矩阵相当的GY预测,并且在单环境和多环境场景中,使用G和M矩阵的模型与单独使用G或M相比显示出更高的精度和误差。我们发现M矩阵并不完全是环境特异性的,随着季节中数据捕获次数的增加,基因型关系变得更加牢固。我们发现数据捕获的最佳时间发生在籽粒灌浆期间,遗传率最高的相机波段对使用M矩阵进行GY预测很重要。我们展示了仅使用RGB相机就可以进行GY预测,甚至单个数据捕获会话也可以为GY预测产生有价值的数据。该研究有助于更好地理解多光谱数据及其相互关系。它为改进基因组选择(genomic selection,GS)协议提供了一个灵活的框架,而无需大量投资或软件定制。

 

图1 上图:典型植物冠层反射率光谱与光谱波长图解解译;下图为两个被测相机(Micasense RedEdgeM和Phantom 4 (P4) Multispectral)的中央波段和带宽的视觉解释和数值

 

图2 在每个研究的环境和手段中,粮食产量基因型均值分布的小提琴图:全球均值(在所有研究的环境中)和特定地点均值(在一个地点的所有环境中:Staur或Vollebekk)。黑点表示平均值

 

图3 在田间试验(环境)、其平均值和全球平均值之间的粮食产量值的基因型Pearson相关性

 

图4 对每个波段、每个环境、每次飞行和每次相机的广义遗传率进行估计。Y axis – 广义遗传力.线颜色代表RGB, 灰 – NIR, 深红色– RedEdge。

 

图5 利用多光谱数据构建的M矩阵,实现了单环境下的预测精度。

 

图6 来自不同季节的M矩阵、仅使用G矩阵的预测(基因组预测)和在单一环境情景下使用G和M矩阵在同一模型中的组合模型的预测性能比较模型是在单一环境下开发和测试的。S - Staur, V - Vollebekk, rTRN -训练集中的准确度,rTST -测试集中的准确度,rmseTRN -训练集中的均方根误差,rmseTST -测试集中的均方根误差。*M矩阵采用Micasense 14 reddge M相机数据开发,** M矩阵采用Phantom 4多光谱相机数据开发。

 

图7  G、E、M矩阵组合不同模型在多环境场景下的预测能力比较(两种环境作为测试集,每次迭代随机抽取)。M矩阵是根据来自不同环境的数据开发的,每个M矩阵在随机选择的测试环境中单独测试,超过200次迭代。

 

图8 使用M矩阵对单一环境场景中单个日期的所有波段开发的预测精度,表示为测试集中预测值与实际值之间的Pearson相关性。X轴是任务日期,y轴是预测精度。颜色表示用于数据采集的相机:红色- Micasense reddge,蓝色- Phantom 4多光谱相机

 

来 源

Mroz, Tomasz & Shafiee, Sahameh & Crossa, Jose & Montesinos-López, Osval & Lillemo, Morten. (2023). Multispectral-derived genotypic similarities from budget cameras allow grain yield prediction and genomic selection augmentation in single and multi-environment scenarios in spring wheat.

 

编辑

王春颖

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。