在大米中通过高光谱成像技术和全基因组关联研究的谷物蛋白质含量表型化
Hengbiao Zheng1,2, Weijie Tang2,3, Tao Yang1
1National Engineering and Technology Center for Information Agriculture (NETCIA), MARA Key Laboratory of Crop System Analysis and Decision Making, MOE Engineering Research Center of Smart Agriculture, Jiangsu Key Laboratory for Information Agriculture, Institute of Smart Agriculture, Nanjing Agricultural University, Nanjing, Jiangsu, China.
超光谱成像与深度学习相结合,增强了米粒蛋白质含量预测. 这种方法通过准确识别关键基因,如OsmtSSB1L,以提高高质量的米育种,从而改善遗传研究.
科学领域:
- 农业科学 农业科学
- 遗传学 遗传学 是一个
- 遥感 遥感 遥感 遥感
背景情况:
- 准确预测米粒蛋白含量 (GPC) 对于培育高质量的品种至关重要.
- 多光谱传感器在预测GPC方面存在局限性,原因是光谱带宽.
- 超频谱技术提供了潜力,但面临的挑战是用于GPC估计的小型数据集.
研究的目的:
- 提高使用超光谱数据的GPC估计模型的准确性和通用性.
- 利用深度卷积生成对抗网络 (DCGANs) 来生成模拟的超频谱数据.
- 在测量和模拟数据上使用全基因组关联研究 (GWAS) 识别与GPC相关的遗传位置.
主要方法:
- 利用了来自515种日本大米品种的高光谱数据.
- 采用DCGANs来生成模拟的超频谱数据以增强数据集.
- 应用连续波波变换 (CWT) 用于特征提取和部分最小平方回归 (PLSR) 用于GPC估计.
- 在测量和模拟数据集上进行GWAS,以检测GPC相关的位置.
主要成果:
- 在8,000个时代后生成的模拟GPC值与测量值密切匹配.
- 来自200个模拟样本数据的波形特征 (WF1743.2) 实现了最高的GPC估计精度 (R2 = 0.58,RRMSE = 6.70%).
- 使用模拟数据的GWAS分析确定了与测量数据相同的GPC位点,包括OsmtSSB1L基因.
结论:
- DCGAN有效地生成模拟的超频谱数据以增强GPC估计模型.
- 超光谱成像与数据增强和GWAS相结合,是大米遗传研究的强大工具.
- 这种技术有助于对米的表型特征进行高效的基因分析,用于育种计划.
更多相关视频
07:18Obtaining High-Quality Transcriptome Data from Cereal Seeds by a Modified Method for Gene Expression Profiling
Published on: May 21, 2020
05:22Transverse Sectioning of Mature Rice Oryza sativa L. Kernels for Scanning Electron Microscopy Imaging Using Pipette Tips as Immobilization Support
Published on: January 25, 2022
相关概念视频
Light Acquisition
Plant Breeding and Biotechnology
