通过使用多特征深度学习模型,提高叶子精油含量,生长和茎质量的预测准确性
Daniel Mieres-Castro1, Carlos Maldonado2, Freddy Mora-Poblete1
1Laboratory of Genomics and Forestry Biotechnology, Institute of Biological Sciences, University of Talca, Talca, Chile.
Frontiers in plant science
|October 25, 2024
概括
这项研究使用了基因组和现象数据与深度学习模型来预测精油含量和Eucalyptus globulus的生长特征. 多特征模型对大多数特征显示出更高的准确性,表明繁殖改善的树品种的潜力.
科学领域:
- 植物育种和遗传学 植物育种和遗传学
- 基因组学和生物信息学
- 林业和木材科学 林业和木材科学
背景情况:
- 环球树 (Eucalyptus globulus) 是一种有价值的多用途树,以其木材和药用精油而闻名.
- 预测诸如精油含量和茎质量等复杂特征对于育种计划至关重要.
- 整合基因组和现象数据为特征预测提供了一个强大的方法.
研究的目的:
- 实施综合的基因组和现象学策略,预测叶子精油含量,茎质量和Eucalyptus globulus的生长特征.
- 评估使用SNP,哈普类型和近红外 (NIR) 光谱数据的Uni/Multi-trait深度学习模型的性能.
- 评估树繁殖群体中关键特征的遗传变异性和遗传性.
主要方法:
- 利用了一个9岁的Eucalyptus globulus繁殖群.
- 采用深度学习 (DL) 模型,包括Uni/Multi-trait方法.
- 包含的基因组数据 (SNP,单元型) 和现象数据 (叶子NIR光谱).
主要成果:
- 精油含量与生长特征没有显著的相关性.
- 基因组可遗传性估计有所不同,油产量中等到高度可遗传 (基因组:0.25-0.60,血统:0.48).
- 多特征DL模型对大多数特征实现了更高的预测准确性,NIR光谱吸收率是最佳的奥米克数据.
结论:
- 在树后代的试验中存在显著的遗传变异,特别是在石油生产中.
- 欧米克辅助的深度学习模型有效地改善了生长特征,并优化了树中精油生产.
- 通过整合基因组和现象数据来进行特征预测,可以增强育种策略.
更多相关视频
08:47Author Spotlight: UAV Remote Sensing for Efficient Invasive Plant Biomass Estimation
Published on: February 9, 2024
1.3K
10:25Construction of Models for Nondestructive Prediction of Ingredient Contents in Blueberries by Near-infrared Spectroscopy Based on HPLC Measurements
Published on: June 28, 2016
10.6K
