用于建模和预测玉米衰老的计算框架:融合无人机表型分析、逻辑增长模型与基因组学


发布时间:

2025-07-14

来源:

作者:

传感技术的进步催生了植物生物学与预测育种的新范式,显著提升了对植物生理性状(如衰老过程)定量与预测的精度。本研究以517个重组自交系(RILs)为对象,利用搭载RGB传感器的无人机系统进行基因分型与表型分析,通过种植后28至128天内的14次航测,实现了多发育阶段衰老表型的高效监测。基于后五次航测数据对时序衰老进行评分,并首次采用逻辑增长模型进行了拟合(R² = 0.99 ± 0.01)。同时通过逻辑增长模型与时序衰老数据,提出了两个新参数:衰老天数(DTSE)和改良籽粒灌浆期(GFP)。
 
研究进一步评估了逻辑增长模型驱动的基因组模型(M1)及基因组-表型组联合模型(M2)的预测能力。结果显示,联合模型(M2)整合了衰老前植被指数(NGRDI与ExR)的表型组数据,其预测性能优于基因组模型(M1),尤其在未测试RILs及时间点的复杂场景中表现突出(CV2:0.32 vs 0.48;CV00:0.22 vs 0.33),验证了其在延迟衰老预测育种中的应用潜力。M1对DTSE和GFP的预测能力分别为0.45与0.38,而M2进一步将预测能力提升至0.47与0.40。
 
综上,本研究通过整合表型分析、建模与基因组数据的计算框架,推动了时序衰老动态的精准预测。这些进展为筛选具有优化衰老速率的基因型提供了技术支持。
 

图1 (a)生长周期内基于种植后天数(DAP)标注的14次无人机航测时间点(红色数字),其中后五次航测(85、91、100、111和128 DAP)生成的正射影像图用于时序衰老评估;(b)试验区域正射影像图及局部放大图,展示试验小区中衰老(褐色)与绿色植株行的表型差异。

 

  图2 基于随机完全区组设计(RCBD)的试验小区时序衰老进程可视化(85至128 DAP)。行、列及四次重复布局下,植株行颜色从绿色(0%衰老)渐变至褐色(100%衰老),并包含三个重组自交系群体(Ki3/NC356、LH82/LAMA和Tx740/NC356)。

  

图3 基于逻辑增长模型的时序衰老建模。(a)选取两个衰老进程差异显著的RIL示例;(b)逻辑增长模型拟合结果(圆圈为公式(1)计算值,三角形为模型预测值);(c)基于固定70%衰老阈值计算衰老天数(DTSE);(d)籽粒灌浆期(GFP)定义为吐丝天数(DTS)与DTSE之间的间隔时长。

 

图4 玉米田间试验的方差分解、遗传力及空间变异分析。(a)方差组分:堆叠条形图展示三个群体(Ki3/NC356、LH82/LAMA和Tx740/NC356)在不同时间点的基因型方差(varGen)、列方差(varCol)、行方差(varRow)及残差方差(varRes)贡献;(b)时序遗传力:折线图呈现三个群体随时间变化的遗传力估计值,关键时间点标注具体数值;(c)二维样条空间变异热图:基于选定时间点的空间坐标(行与列)绘制,颜色梯度表示变异程度(暖色为高变异,冷色为低变异)。

 

图5 时序衰老进程、相关性衰减及性状遗传效应。(a)基于最佳线性无偏预测值(BLUPs)的逻辑增长模型拟合时序衰老进程箱线图,展示三个RIL群体(Ki3/NC3S6、LH82/LAMA和Tx740/NC356)在五次航测时间点的衰老百分比(R² = 0.99 ± 0.01);(b)衰老进程相关性衰减:散点图及拟合曲线展示时间间隔(天数)与衰老进程相关系数的关系;(c)开花期(DTA、DTS)、衰老天数(DTSE)、籽粒灌浆期(GFP)及逻辑增长模型参数(scal、xmid)的基因型效应值。

 

 图6 逻辑增长模型驱动的基因组模型(M1)与基因组-表型组联合模型(M2)在四类预测场景下的表现:已测试RILs+已测试时间(CV1)、未测试RILs+已测试时间(CV2)、已测试RILs+未测试时间(CV0)、未测试RILs+未测试时间(CV00)。

 

  图7 模型M1(基因组)与M2(基因组+表型组)对六类性状的预测能力比较,包括开花期(DTA、DTS)、衰老天数(DTSE)、籽粒灌浆期(GFP)、衰老曲线陡度(scal)及最大增长率时间(xmid)。M2整合了28至83 DAP无人机获取的植被指数(NGRDI与ExR)表型组数据,误差线表示预测能力标准误差。

 
来 源

Adak A, DeSalvio A J, Murray S C. A computational framework for modeling and predicting maize senescence: integrating UAV phenotyping, logistic growth, and genomics[J]. Computers and Electronics in Agriculture, 2025, 237: 110471.

https://doi.org/10.1016/j.compag.2025.110471

 

编辑

王永贤

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。