通过将无人机衍生出的高光谱和环境数据与在热应激环境下的机器学习相结合,提高小麦基因组学前预测的准确性

科学领域:

• 农业科学 农业科学
• 植物育种 植物育种
• 基因组学就是基因组学.

背景情况:

• 准确预测小麦谷物产量 (GY) 对粮食安全至关重要.
• 基因组预测模型传统上使用单核酸多态标记 (SNP).
• 超光谱成像 (HSI) 提供了详细的光谱信息,但其与基因组数据的整合用于GY预测的探索较少.

研究的目的:

• 评估整合基因组,HSI和环境数据的有效性,以提高小麦GY预测.
• 将综合模型的预测能力与传统的基因组预测和机器学习方法进行比较.
• 评估多个数据源集成的潜力,以加快优质小麦基因型的选择.

主要方法:

• 开发和比较各种预测模型,包括传统的基因组预测,机器学习 (ML) 和集成的多omics方法.
• 使用SNP,HSI数据和环境共变量作为输入特征.
• 使用前预测交叉验证方案来评估多个生长季节的模型性能.
• 使用相关系数和巧合指数 (CI) 评估模型准确性.

主要成果:

• 与SNP模型相比,将HSI数据与SNP数据集成显著提高了预测能力.
• 最全面的参数模型 (M9),包括SNP,HSI和环境共变量,始终产生最好的结果.
• 在使用2021-2022年数据预测2023财年时,M9实现了0.53的相关性,在确定表现最好的线路时,CI为55%.
• 在使用类似的omics数据时,ML模型也表现出强的表现,但综合参数模型的表现略有优于它.

结论:

• 多个数据源的整合,结合基因组,光谱和环境信息,显著提高了小麦GY预测的准确性.
• 综合模型通过捕捉复杂的特征相互作用,优于简单的方法.
• 这种综合方法有望加速选择高产和可能耐热的小麦品种.