整合机器学习和GGE双绘图来识别适合气候的草基因型

科学领域:

• 农业科学 农业科学
• 植物育种 植物育种
• 遗传学 是一个遗传学.

背景情况:

• 草 (Lathyrus sativus) 是一种有弹性,富含营养的豆类作物,对具有挑战性的农业生态系统至关重要.
• 关于一般和特定适应的草基因型建议的信息有限.
• 了解基因型与环境的相互作用对于优化作物性能至关重要.

研究的目的:

• 通过分析基因型与环境的相互作用来确定稳定的草基因型.
• 确定印度的合适地点,以便在未来进行大豆评估.
• 使用机器学习算法验证和预测基因型性能.

主要方法:

• 在印度四个地区使用GGE双图方法评估了64种不同草基因型的小组.
• 评估了多种特征的表现,以计算排名基因型和环境的选择指数.
• 机器学习模型,包括随机森林 (RF) 和多层感知器 (MLP),用于验证和预测.

主要成果:

• 环境显著影响了特征变异,其次是基因型×环境相互作用.
• 一些基因型,包括FLRP-B54-1-S2,Prateek,31-GP-F3-S7和48-GP-F3-S3,表现出色的多特征性能.
• 与MLP模型相比,随机森林模型表现出更高的预测准确性 (R2值高达0.947).

结论:

• 基因型"Prateek"",31-GP-F3-S7"",48-GP-F3-S3"是最稳定的基因型,基于产量和特征性能的结合.
• 这些稳定的基因型被推用于易受天气极端影响的地区的商业种植.
• 该研究为草豆育种计划和区域适应战略提供了宝贵的见解.