使用现场现象学量化损伤增长的可预测性及其对定量抵抗的贡献

科学领域:

• 植物病理学 植物病理学
• 农业科学 农业科学
• 计算生物学 计算生物学

背景情况:

• 植物病原体相互作用中的定量耐药性 (QR) 机制对于管理作物疾病至关重要.
• 损伤扩张是叶病流行病的预测关键因素,但现场测量具有挑战性.

研究的目的:

• 在田间条件下精确测量小麦中由Zymoseptoria tritici引起的个体病变扩张.
• 评估病变扩张在定量抵抗 (QR) 和其遗传性中的作用.
• 评估病变扩张作为在小麦育种中长期耐药性的选择目标.

主要方法:

• 利用基于深度学习的图像分析,在两个田间季节中,在14种小麦品种中跟踪数千个Zymoseptoria tritici病变.
• 能够准确,客观地测量病变生长,共计27,218次测量.
• 分析了病变外观特征,宿主基因型,环境和病变生长之间的关联.

主要成果:

• 深度学习使得在现场测量病变扩张的规模和精度空前.
• 病变的外观特征与病变生长有着一致的关联,受特定宿主-病原体基因型相互作用的影响.
• 损伤生长显著可遗传 (h2 ≥0.40) 并与环境和宿主影响考虑后,与整体QR与Septoria tritici blotch (STB) 强烈相关.

结论:

• 损伤扩张是大多数小麦品种对Septoria tritici blotch的定量耐药性的重要组成部分.
• 开发的深度学习方法有助于剖析单个耐药成分,支持基于知识的育种,以获得持久的QR.
• 向病变扩张提供了一个有前途的策略,以提高小麦对STB的抵抗力.