绘制PHS耐药性的QTL和开发深度学习模型来测量日本大米的PHS率
Soojin Jun1,2, Mi Hyun Cho1, Hyoja Oh1
1Department of Agricultural Biotechnology, National Institute of Agricultural Sciences, Jeonju, Republic of Korea.
The plant genome
|August 30, 2025
概括
研究人员开发了一种深度学习模型,以准确测量大米的收获前发芽 (PHS). 这种工具与已识别的定量特征基点 (QTL) 一起,将加速对PHS耐药的日本大米品种的育种.
科学领域:
- 农业科学
- 遗传学
- 计算机科学
背景情况:
- 收获前发芽 (PHS) 显著降低了大米产量和谷物质量,对全球粮食安全构成了重大挑战.
- 培养抗PHS的日本大米品种是养计划的一个关键目标.
研究的目的:
- 开发和验证用于自动测量PHS速率的深度学习模型.
- 在日本大米中确定与PHS相关的定量特征位点 (QTL).
- 为了加速培育耐PHS的米品种.
主要方法:
- 使用YOLOv8算法开发了一种深度学习模型,用于自动测量PHS速率.
- 通过使用763个单核酸多态标记,对182个F8复合同系 (RILs) 的种群进行基因定型.
- 在田间和温室环境中种植的RIL进行了QTL分析.
主要成果:
- 深度学习模型实现了高精度 (平均精度为0.974) 并与手动测量有很强的相关性 (R2 = 0.9567).
- 与PHS相关的QTL在多个染色体上被确定,其中三个QTL (在染色体3,6和7) 显示出跨环境的稳定效应.
- 在qPHS6 QTL中确定了一个候选基因,Os06g0317200,编码富含糖氨酸的蛋白质.
结论:
- 开发的深度学习模型提供了有效和准确的PHS评估方法.
- 已识别的QTL和候选基因为培育耐PHS的日本大米提供了宝贵的遗传资源.
- 这种综合方法将大大加快改良品种的发展.


