无人机表型组学整合逻辑生长模型与基因组学预测玉米衰老进程的计算框架

本研究针对作物衰老动态预测精度不足的问题，通过整合无人机高通量表型(RGB传感器)、逻辑生长模型(R2=0.99±0.01)与基因组数据，开发了预测模型M1(基因组)和M2(基因组+表型组)。研究发现结合植被指数(NGRDI/ExR)的M2模型显著提升未测试重组自交系(RILs)的预测能力(CV2:0.48 vs 0.32)，首次提出衰老天数(DTSE)和改良灌浆期(GFP)参数，为延迟衰老的精准育种提供新范式。

　　

植物衰老作为生命周期关键阶段，直接影响作物产量与抗逆性。传统监测方法存在效率低、破坏性强等局限，而现有模型难以精准量化衰老动态进程。针对这一瓶颈，美国研究团队在《Computers and Electronics in Agriculture》发表创新成果，通过多学科交叉方法建立了首个玉米衰老预测计算框架。

研究采用三项关键技术：(1)利用无人机RGB传感器对517个重组自交系(RILs)进行14次飞行表型采集；(2)应用逻辑生长模型拟合衰老曲线并衍生DTSE和GFP新参数；(3)构建基因组模型(M1)和表型-基因组联合模型(M2)，通过交叉验证评估预测效能。

【植物材料与实验设计】
研究选用Ki3/NC356等三个双亲本RILs群体(共515系)，采用随机完全区组设计。无人机在28-128天间进行14次飞行监测，最后5次飞行数据用于建立衰老动态模型。

【衰老动态建模】
逻辑生长模型对时间序列衰老数据展现出极高拟合度(R²=0.99±0.01)。由此提取的DTSE和GFP参数，将灌浆期重新定义为开花至衰老阈值阶段，突破了传统以籽粒成熟为终点的测量方式。

【预测模型比较】
M2模型整合早期植被指数(NGRDI/ExR)与基因组数据，在CV2(未测试系+隐藏时间点)场景下预测能力较M1提升50%(0.48 vs 0.32)。对DTSE和GFP的预测精度分别达到0.47和0.40。

【方差组分分析】
基因方差(varGen)随时间递增，而行(varRow)、列(varCol)空间变异相对较小，证实遗传因素对衰老动态的主导作用。

这项研究开创性地实现了三个突破：首次将函数值性状建模(FVT)应用于衰老动态预测；建立首个整合多组学数据的衰老预测框架；提出的DTSE/GFP参数为育种提供了可操作的新指标。通过Alper Adak等作者研发的计算体系，使得基于早期表型数据预测后期衰老模式成为可能，为应对气候变化下的精准农业决策提供了重要工具。研究展示的"监测-建模-预测"闭环框架，可扩展至其他发育性状研究，标志着作物表型组学向动态化、预测性方向的重要演进。