利用近端表型和机器学习预测小麦黄锈病


发布时间:

2022-04-09

来源:

本站

作者:

PhenoTrait

  高通量植物表型(High-throughput plant phenotyping, HTPP)方法有可能通过开发具有成本效益、快速和可扩展的自动化表型方法来加速作物育种过程。作物抗病育种将受益于HTPP方法的成功实施,因为它绕过了疾病传统视觉表型所造成的瓶颈,使筛选更大、更多样化的群体以获得新的抗性来源。本研究的目的是利用通过近端表型获得的HTPP数据预测一个大型冬麦田试验中的黄锈病得分。

 

  利用图像和光谱传感器的HTPP数据,收集了两个冬小麦群体的黄锈病评分,如图1。使用随机森林(Random Forest,RF),利用由光谱辐射计数据、提取的40 ~ 42个植被光谱指数(spectral vegetation indices, SVIs)能够较好地预测黄锈病的得分,如图2。用于预测的一些最重要的光谱特征是植物衰老反射指数(spectral vegetation indices, PSRI)、光化学反射指数(Photochemical Reflectance Index, PRI)、红绿色素指数(Photochemical Reflectance Index, RGI)和绿度指数(Greenness Index, GI)。通过基于RF的递归特征消除(recursive feature elimination, RFE)选择SVIs,在衡量预测得分与观测得分之间的相关性时,如图3,得到的模型预测得分的预测精度为rs = 0.50 ~ 0.61,如图4,从模型中去除更复杂的基于图像的预测器不会导致预测精度发生重大变化(图5)。

 

  本文提出的HTPP方法结合了RF模型中光谱传感器的SVI数据,具有在小麦育种试验中对黄锈病进行评分的潜力。本研究发表的结果表明,光谱传感器可以与机器学习相结合,在小麦生长季后期快速预测黄锈病得分,预测精度适中。改进疾病数据收集有助于提高预测的准确性和精确度。未来工作的一个建议是,在收集疾病数据时使用更客观的分析方法进行调查,例如对病叶的采样和图像分析,目的是提高疾病数据的质量,而不是主观的视觉评估。此外,还可以通过适当的田间实验设计进行后续研究,目的是研究我们的方法在收集未分型的小麦种群的选择数据的预期应用中的表现,以及预测的分数是否可以用于抗病性的遗传分析。

 

  图1 黄锈病在试验群体中的进展。(a) 2套冬小麦(Triticum aestivum)群体黄锈病(Puccinia striiformis)严重程度的表型分布:(Genebank set)一套来自北欧Genebank、北欧和波罗的海品种的211个基因型,((Breeding set一套高级育种F5杂交组合的325个。在2019/2020年冬小麦生长季的6个时间点进行病害观测。(b)健康麦田(左)和患病麦田(右)的两幅样图

 

  图2 预测因子与YR分数的相关性分析。在田间条件下,从两个日期收集的高通量表型(HTPP)数据导出的黄锈病评分和模型预测变量之间的Spearman相关性分析。(a, b)HTPP预测因子与疾病评分之间以绝对相关值衡量的相关性强度分布。(c, d)前15个预测因子与观察到的疾病评分的绝对相关值从上到下排列

 

  图3 预测器的递归特征消除。黄锈病评分和高通量表型数据集在田间条件下的递归特征消除结果。虚线表示根据训练(蓝色)和测试集(红色)选择的最优模型预测器数量(RMSE),灰色虚线表示为最终模型选择的特征数量。(a)2020年07月02日收集的疾病评分和HTPP数据(N = 351),(b)2020年07月09日收集的疾病和HTPP数据(N = 404)

 

  图4 基于光谱和基于图像的预测器预测和观测的黄锈病评分之间的关系。在一个独立的测试集中,从光谱反射率和基于图像的预测数据预测黄锈病得分。虚线表示1:1的线。(a)2020年7月2日收集的疾病和气候变化方案数据(N = 88), (b)2020年7月9日收集的疾病和气候变化方案数据(N = 78)

 

  图5 仅使用光谱预测器预测和观察到的黄锈病评分之间的关系。在一个独立的测试集中,仅使用光谱反射率数据预测黄锈病得分。虚线表示1:1的线。(a)2020年7月2日收集的疾病和气候变化方案数据(N = 88),(b) 2020年7月9日收集的疾病和气候变化方案数据(N = 78)

 

  来源:Koc, A., Odilbekov, F., Alamrani, M. et al. Predicting yellow rust in wheat breeding trials by proximal phenotyping and machine learning. Plant Methods 18, 30 (2022). https://doi.org/10.1186/s13007-022-00868-0

 

  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。