整合基因组学,现象学和深度学习,提高了冬季小麦中Fusarium头部炎症相关特征的预测能力

科学领域:

• 农业科学 农业科学
• 植物病理学 植物病理学
• 遗传学 是一个遗传学.

背景情况:

• 虫头炎 (Fusarium head blight,FHB) 严重影响小麦产量和质量,需要改进育种策略.
• 目前用于FHB耐药性,Fusarium受损核 (FDK) 和脱氧尼瓦醇 (DON) 的表型化方法通常是有偏见的或昂贵的.
• 基因组选择 (GS) 对于培育FHB耐药小麦具有前途,但由于表型准确性受到限制.

研究的目的:

• 开发和评估基于人工智能的小麦FDK精确估计方法.
• 提高GS模型对FHB相关特征的预测能力 (PA),包括DON.
• 探索超光谱成像和深度学习对DON的现象预测的实用性.

主要方法:

• 利用基于人工智能的方法精确估计小麦核中的FDK.
• 实施的单特征和多特征 (MT) GS模型,包括AI衍生的FDK (FDK_QVIS/FDK_QNIR) 和传统的FDK (FDK_V).
• 集成的超光谱成像和深度学习用于DON的现象预测.

主要成果:

• 基于AI的FDK估计显示了高遗传性和与DON的相关性.
• 使用基于AI的FDK的GS实现了与传统FDK相比PA的两倍增加.
• 结合AI-FDK和共变量的MT GS模型将DON预测提高了58%.
• 在MTGS模型中的超光谱成像提高了DON预测,比单特征GS的预测大约提高了40%.
• 使用高光谱成像和深度学习的现象预测实现了与最好的MT GS模型可比的精度 (R2 = 0.45).

结论:

• 人工智能驱动的FDK精确表型显著提高了GS对FHB耐药性的预测能力.
• 超谱成像和深度学习为DON的现象预测提供了新的,准确的途径.
• 人工智能和基于视觉的平台显示出在FHB耐药性的小麦育种计划中推进基因组和现象选择的巨大潜力.