利用基因型与环境相互作用的环境因素负载的窗分析来确定与植物疾病相关的高分辨率天气变量

科学领域:

• 植物病理学 植物病理学
• 农业学是一种农业学.
• 生物气象学生物气象学
• 量化遗传学 量化遗传学

背景情况:

• 鉴定植物疾病的基于天气的预测因素是复杂的,因为时间的天气变化和基因型特定的反应.
• 现有的方法往往难以将真正的环境信号与基因型对环境相互作用 (GEI) 研究中的混因素分开.
• 准确预测植物疾病流行需要了解天气,宿主基因型和疾病严重程度之间的相互作用.

研究的目的:

• 开发和验证一种方法来识别生物学上有意义的基于天气的植物疾病预测因素.
• 将影响基因型与环境相互作用 (GEI) 的潜在环境因素与特定的天气变量联系起来.
• 用先进的特征工程和统计建模改进对小麦中Stagonospora nodorum blotch (SNB) 严重性的预测.

主要方法:

• 采用窗分析与特征工程和稳定性选择相结合,以分析每小时的天气数据 (温度,降水,湿度).
• 利用两阶段程序将天气数据汇总成时间序列,并将其与来自因子分析模型的潜在环境因素 (λ̂) 相关联.
• 整合显著的每日天气变量到最佳的流行病学时期相对于小麦分析来导出二级预测指标.

主要成果:

• 确定了特定的基于天气的预测因素,如*fa1.41_18.TRH.13T16nRH.G80.daytime.sum_25*和*fa1.11_5.R.S.dawn.sum_10*,与主导的环境梯度 (λ̂1) 相关.
• 在解剖前和解剖后都发现了与λ̂1负相关的预测因子,包括*fa1.22_16.TR.19T22nR.G0.2.dawn.sum_20*和*fa1.2_-12.RH.L35.daytime.sum_15*.
• 发现了额外的天气预测器,直到63天前,但没有一个预测器在整个研究期间一致解释了变化.

结论:

• 开发的框架成功地确定了天气"标志物",以便详细地对植物疾病中GEI驱动因素的环境概况.
• 这种方法通过将特定的天气模式与不同基因型和环境中的疾病严重程度联系起来,提高了对植物疾病流行病的预测能力.
• 该研究提供了一个强大的方法论,用于揭示气候变量和植物疾病动态之间的复杂关系,改进了以前的预测模型.