使用高通量表型化数据和机器学习预测大麦的与收获相关的特征
Hans Tietze1, Lamis Abdelhakim2, Barbora Pleskačová2
1Bioinformatics Department, Institute of Biochemistry and Biology, University of Potsdam, Potsdam, Germany.
Frontiers in plant science
|October 30, 2025
概括
高通量表型可以预测大麦的干旱抗性. 早期植物数据可以准确地识别受干旱影响的作物,并预测收获特征,加速为粮食安全而进行育种.
科学领域:
- 农业科学 农业科学
- 植物生物学 植物生物学
- 遗传学 遗传学 是一个
背景情况:
- 开发抗旱作物对于全球粮食安全至关重要.
- 传统的干旱耐受性育种方法是耗时的.
研究的目的:
- 评估时间解决的高通量表型化,以预测收获特征和识别干旱压力大麦.
- 评估早期现象数据对作物改善的潜力.
主要方法:
- 六条大麦生产线经历了大量灌和干旱的条件.
- 使用RGB,热红外,叶绿素光和高光谱成像进行了动态表型化.
- 开发了时间现象分类和预测模型.
主要成果:
- 一个时间现象分类模型在区分干旱压力和对照植物方面取得了高准确性 (≥0.97),即使使用了早期数据.
- 关键预测因素包括树冠温度下降和RGB衍生的植物大小.
- 总生物量和峰值重量的预测模型产生了高R2值 (分别为0.97和0.93),早期数据保持了高准确度 (≥0.84).
结论:
- 将高吞吐量表型与时间建模相结合,可以提前和经济有效地选择抗旱大麦基因型.
- 现象学驱动的策略可以显著加快对容易受到压力的环境的作物改进.
