将冠层覆盖度和田间空间变异性作为大豆育种的高效选育工具


发布时间:

2023-09-22

来源:

本站

作者:

PhenoTrait

由于可用种子数量较少,通过测量产量本身来准确估计大豆 [Glycine max (L.) Merr.] 子代行(PR)产量潜力具有挑战性。为了获得更精确的表型并控制非遗传变异源,美国的大豆育种者使用次要性状、目测评估、田间空间变异调整、谱系信息和基于无人机系统(UAS)的植物表型;然而,不同 PR 测试程序之间的比较有限。我们在 2018 年从四个大豆育种计划中针对产量和多样性开发的 PR 群体中进行了一项选育实验。然后,我们比较了在 2019 年初步产量试验(PYT)中使用 13 个选择类别选出的品系的表现。不同类别中使用的信息来源包括空间调整性状(SP)、血统信息(PED)、通过航空和地面数字图像测量的植株冠层(CC)、生殖长度(RL)和产量。空间调整性状协变量和冠层覆盖率数据是与PYT较低产量等级和较高产量表现关联度最高的信息来源。最有效的次要性状是通过高通量表型(HTP)平台测量的平均冠层覆盖率(ACC)。我们的选育实验表明,ACC作为次要性状,结合空间变异调整,可以有效地从非重复实验中选择高产品系。基于本研究中考虑的情景,可能通过使用HTP对次要性状进行表型分型并在PR试验中实施空间变异调整来增加选择的收益,这可能有助于提高作物生产力。

 

图1 印第安纳州(IN)、俄亥俄州(OH)、密歇根州(MI)、伊利诺伊州 A 级(ILA)和伊利诺伊州 B 级(ILB)2019 年初步产量试验(PYT)中各选择类别所选品系的调整产量(千克/公顷)和给定 R8 的调整产量(Yield|R8)分布图。

 

图2 根据2018年用于子代行(PR)选择的信息来源,2019年初步产量试验(PYT)中产量等级(RANK)、粮食产量(kg/ha-1)(产量)和成熟度调整后的粮食产量(kg/ha-1)(产量|R8)回归模型系数。

 

来 源

Escamilla D M, Huang M, McHale L, et al. Canopy Coverage Phenotyping and Field Spatial Variability Adjustment as an Efficient Selection Tool in Soybean Breeding[J]. Crop Science.

https://doi.org/10.1002/csc2.21084

 

编辑

小王博士在努力

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。