多特征建模和机器学习发现了与的茎特征相关的新标记

科学领域:

• 植物遗传学和育种.
• 料作物的改良作物
• 食动物的营养

背景情况:

• 的生物质由叶子 (蛋白质丰富) 和茎 (高纤维,低消化能力) 组成.
• 茎状特征显著影响了的营养价值和反动物的摄入潜力.
• 有限的研究存在于茎相关的遗传特征在子育种.

研究的目的:

• 识别与四个关键的树干形态特征相关的分子标记.
• 为了研究干细胞的特征,包括颜色,骨髓细胞的存在,冬季稳定性和冬季损伤.
• 为了利用分离选择以获得in vitro中性洗剂纤维在茎中的消化性.

主要方法:

• 在两个周期内产生了五个草种群,用于茎消化能力的分歧选择.
• 使用单变量和多变量空间混合线性模型 (MLM) 进行表型特征分析.
• 使用3K DArTag SNP标记和机器学习算法 (SVM,RF) 进行全基因组关联研究 (GWAS).

主要成果:

• 通过MLM识别了13种与干细胞特征显著相关的分子标记物.
• 机器学习算法 (SVM,RF) 验证了GWAS的发现,并突出了树干深层,冬季稳定性和损伤的重要标记.
• 大多数重要的标记物位于编码区域,这表明它们具有功能相关性.

结论:

• 发现了分子标记物,这些标记物对改善茎质量和弹性至关重要.
• 这些标记物可以在繁殖计划中显著帮助标记物辅助的选择.
• 促进了的发展,提高了冬季耐寒性和茎的可口性,用于反动物的营养.