高通量表型和基因组选择通过表型和基因型方法的进步加速了育种计划中的遗传增益。本文提出了一个简单、经济高效的数字图像分析流程，对286个伊朗小麦品种在极端干旱胁迫和灌溉条件良好的情况下进行量化分析。

图像处理概述，用于评估小麦在极端干旱胁迫(TDS)和水分充足(WW)条件下的耐受性和胁迫比率

关联面板中七个性状的描述性统计和方差参数

首先，利用该分析流程对每个小麦冠层的绿黄比(公差比)和黄绿比(应力比)进行评估。然后，在基因组预测模型中，将估计的耐受性和胁迫比率用作协变量，评估冠层颜色的变化对小麦不同农艺性状基因组预测准确性的影响。结果发现，在单变量基因组选择模型中，将耐受性和胁迫比率作为协变量，使成熟期的基因组预测精度提高了3到4倍，证明了该高通量图像分析方法的可靠性。另外还发现，在单变量模型中，当耐受性和胁迫比率同时作为固定效应时，对成熟度的预测精度较高。在极端干旱胁迫和充足水分条件下，贝叶斯岭回归和最佳线性无偏预测方法优于其他基因组预测方法。

关联面板中七个性状的皮尔逊相关系数

综上所述，本研究提供了一个健壮、快速、经济高效的机器学习方法，可以提高小麦成熟度的基因组预测精度。另外该研究成果也鼓励表型组学和基因组学在育种计划中的结合。

来源：

Shabannejad M, Bihamta M, Majidi-Hervan E, et al. A simple, cost-effective high-throughput image analysis pipeline improves genomic prediction accuracy for days to maturity in wheat. Plant Methods. https://doi.org/10.1186/s13007-020-00686-2。