基于無人機高通量表型數據結合數量性狀位點(QTL)方法研究水稻抗病性
Plant Phenomics | 基于多源數據的水稻抗病性動態無人機表型分析
培育和利用抗病品種是防控水稻白葉枯病的重要手段。稻種資源抗性表型的變異水平或表達穩定性需要多年多點的精準鑒定。但是，以田間選擇為主的“經驗育種”表型評價方法仍然需要耗費大量的人力和物力，且效率低。由于植物表型本身的復雜性以及動態變化的特性，傳統人工測量誤差大且費時耗力、數據質量參差不齊，嚴重限制了優良種質資源的評估和利用過程。無人機遙感技術為田間作物表型精確獲取提供了可選擇的方法。但是，無人機獲取的數據質量會受到天氣、生育期、地理位置等因素的影響，導致病害程度評估精度下降。因此，有必要構建普適的田間病害評估模型，實現水稻白葉枯抗性的準確評估和抗性基因挖掘。
2022年12月，Plant Phenomics在線發表了浙江大學生物系統工程與食品科學學院農業部光譜檢測重點實驗室聯合浙江省農業科學院病毒學與生物技術研究所題為Dynamic UAV Phenotyping for Rice Disease Resistance Analysis Based on Multisource Data 的研究論文。
本研究利用時序時間序列無人機遙感數據結合田間積溫數據構建水稻白葉枯病嚴重程度評估模型，分別基于光譜數據、顏色特征及其二者數據融合進行分析，結果顯示光譜數據融合積溫數據得到最優的預測結果，Rp2和RMSEp分別為0.86和0.65。采用模型更新策略探討構建的病害評估模型在不同地理位置間的可拓展性，研究顯示將在不同實驗地點新采集的數據遷移20%至原始模型中可以得到滿意的病害程度評估結果。最后，基于無人機高通量表型數據結合數量性狀位點（QTL）方法相結合在不同生育期定位水稻白葉枯抗性QTL。不同生育期檢測到不同的QTL，控制不同發育階段白葉枯抗性的遺傳基礎存在明顯差異。共鑒定出8個抗性QTL，其中有3個是之前未檢測到的。QTL和無人機高通量表型分析相結合，為加速水稻抗病育種研究提供了新的思路。
圖1基于不同數據集的PLSR和SVR模型預測結果
圖2 在遺傳群體檢測到的QTL。相鄰標記間的遺傳距離（cM）和標記名稱分別顯示在染色體左右和右側，染色體邊不同的符號表示對應時間下檢測到的QTL位置，time1、time2和time3表示無人機飛行作業的三個時間。
本研究由浙江大學生物系統工程與食品科學學院農業部光譜檢測重點實驗室與浙江省農業科學院病毒學與生物技術研究所合作完成。浙江大學馮旭萍副研究員和浙江省農業科學院楊勇副研究員為共同通訊作者，浙江大學博士生白秀琳為第一作者。相關工作得到廣東省科技計劃項目、湖州市重點研發項目和農產品質量安全生物與化學處理國家重點實驗室項目資助。
論文鏈接：
https://doi.org/10.34133/plantphenomics.0019
——推薦閱讀——
https://doi.org/10.34133/2022/9802585
Plant Phenomics | 基于無人機多傳感器和集成學習的玉米表型高通量估算
Repeated Multiview Imaging for Estimating Seedling Tiller Counts of Wheat Genotypes Using Drones
https://doi.org/10.34133/2020/3729715
Plant Phenomics | 使用無人機多視角成像技術估算小麥幼苗分蘗數
加入作者交流群
添加小編微信，備注姓名+單位+PP，加入作者交流群
About Plant Phenomics《植物表型組學》（Plant Phenomics）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數據庫收錄。科睿唯安JCR2021影響因子為6.961，位于農藝學、植物科學、遙感一區。中科院農藝學、植物科學一區，遙感二區，生物大類一區（TOP期刊）。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。
說明：本文由《植物表型組學》編輯部負責組稿。
中文內容僅供參考，一切內容以英文原版為準。
特邀作者：白秀琳（浙江大學）
排版：張婕（南京農業大學）
審核：孔敏、王平
