高通量表型数据的时间遗传和时空残留效应建模


发布时间:

2021-08-16

来源:

本站

作者:

PhenoTrait

实验室和田间都需要收集高通量表型数据。数据的收集通常在许多时间点完成,在实验室或田间可能存在影响植物生长的空间变异,并可能影响感兴趣的性状。对遗传效应进行建模是此类研究的主要方向,但如果忽略实验中存在的非遗传效应,这些效应可能会有偏差。通过在时间和空间上收集的数据,可能有必要联合建立这些多维非遗传效应的模型。因此,在单阶段分析中,考虑了随时间变化的遗传效应和随时间和空间变化的非遗传效应的建模。一项涉及四维田间表型学数据的实验提供了检验模型的工具,这四维数据包括两个空间和两个时间。因子分析(FA)模型通常用于不同环境的遗传效应,以提供可靠的遗传方差和相关性估计。由于时间维度定义了环境,FA模型被用于检验表型数据。简化秩张量平滑样条被提出作为建模时空效应的一种可能的方法,尽管在两个时间维度上包含了一个额外的术语。这种方法是可行的,虽然非常耗时。

 

小麦试验中 7 天测量的平均冠层温度随时间变化的图

 

基于 fa6ts 遗传模型和每天按时间组合具有异质方差的降阶张量样条残差,在 7 天的每一天上午 11 点测量的冠层温度的空间残差效应(逐列)

 

本文介绍了遗传效应模型选择的过程,包括检验、信息标准和诊断。使用降秩张量样条对更简单的模型进行了比较。这也显示了遗传模型和残差模型在模型选择中的相互作用。

 

每个时间按天组合的冠层温度估计遗传相关性的热图

 

来源:

A. P. Verbyla, J. De Faveri, D. M. Deery and G. J. Rebetzke. Modelling temporal genetic and spatio-temporal residual effects for high-throughput phenotyping data. https://doi.org/10.1111/anzs.12336.

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。