在受控条件下测量的高维多奥米在玉米平台和田间特征预测中很有用

科学领域:

• 植物科学 植物科学
• 遗传学 是一个遗传学.
• 生物信息学是一种生物信息学.

背景情况:

• 由于干旱和热应激,气候变化对全球作物生产构成重大威胁.
• 多omics数据 (转录组学,蛋白组学) 可以揭示植物对环境因素的反应,为作物改进提供潜力.
• 目前,高成本限制了在广泛的实地评估中实施多主题的可能性.

研究的目的:

• 为了评估多omics数据的预测能力,在玉米杂交的平台和现场特征.
• 为了比较不同的基于多omics的预测模型与传统的方法,如基因组最佳线性无偏预测 (GBLUP).
• 评估omics数据在预测附加和非附加遗传效应方面的潜力.

主要方法:

• 利用244种在受控平台条件下表征的玉米杂交品种的转录组学和蛋白质组学数据.
• 采用高维线性混合模型 (MegaLMM) 进行基因型预测.
• 研究了两个预测场景:预测新的杂交 (CV-NH) 和部分观察到的杂交 (CV-POH).

主要成果:

• 奥米克斯数据准确地预测了平台特征的附加和非附加遗传效应,表现优于GBLUP.
• 与GBLUP相比,Omics数据显示,在两个预测场景中,场状特征的预测能力略有改善.
• 该研究强调了omics在特定增长条件下捕捉监管流程的效率.

结论:

• 多omics数据对预测遗传效应和改善作物特征,特别是在受控条件下,具有显著的前景.
• 虽然omics数据稍微提高了现场特征预测,但其对产量预测的全部潜力取决于在现场设置中降低了测量成本.
• 对于未来的作物生产率预测,建议直接在田间测量omics数据,等待成本效益.