利用无人机多光谱数据提升马铃薯(Solanum tuberosum)基因组预测准确性的研究

这篇研究通过比较无人机多光谱数据（UAV-derived multispectral data）、传统基因组关系矩阵（G）及两者结合的方法，在马铃薯育种中实现了对产量和品质性状（如比重、形状）更精准的预测。结果表明，多光谱数据单独预测产量时优于基因组模型（R=0.72 vs. 0.43），而联合模型（G+WE）进一步提升了多数性状的预测精度（如产量R=0.74）。研究强调了多时间点数据整合的重要性，为高通量表型分析（HTP）和基因组选择（GS）在复杂性状育种中的应用提供了新思路。

　　

摘要

研究通过无人机（UAV）获取马铃薯冠层多光谱反射数据，构建表型关系矩阵（W），并与基因组关系矩阵（G）结合，显著提升了产量和品质性状的预测准确性。多光谱数据在预测产量（R=0.72）和圆度（R=0.22）时表现突出，而联合模型（G+WE）进一步优化了预测效果（如产量R=0.74）。研究还发现，整合五个时间点的数据比单一时间点更有效，且变量筛选未显著提升模型性能。

1 引言

马铃薯作为全球主要非谷物作物，其育种进程受限于四倍体基因组复杂性和长周期表型筛选。传统标记辅助选择（MAS）仅适用于简单性状，而基因组选择（GS）虽能加速育种，但基因分型成本高昂。无人机多光谱技术通过捕捉冠层反射光谱（如红边波段720 nm、近红外840 nm），间接反映植株生理生化状态，为早期选择提供了新工具。

2 材料与方法

2.1 植物材料
研究选用226个炸片品种和87个鲜食品种，包括多个商业品种（如Atlantic、Yukon Gold），采用增强区块设计种植。

2.2 表型分析
通过空间二维样条模型计算性状最佳线性无偏估计（BLUEs），产量、比重和形状（长宽比l/w）的遗传力分别为51%-80%、64%-66%和27%-81%。

2.3 多光谱数据
Sentera 6x传感器采集五个生长阶段（如50%冠层覆盖、开花高峰）的反射波段（蓝445 nm、红650 nm）和植被指数（如NDVI、NDRE）。

2.4 基因分型
合并SolCAP SNP芯片和FlexSeq数据，通过polyBreedR包进行高密度（21K标记）插补。

2.5 统计模型
比较四种模型：仅基因组（G）、基因组+环境互作（G+GE）、仅多光谱（W）、基因组+多光谱互作（G+WE）。

3 结果

3.1 预测性能
多光谱模型对炸片品种产量预测（R=0.72）优于基因组模型（R=0.43），联合模型（G+WE）进一步提升至R=0.74。鲜食品种中，联合模型对红色度（R=0.43）和轻度的预测（R=0.32）效果最佳。

3.2 时间点分析
所有性状的预测均受益于多时间点整合，其中 senescence阶段（第5时间点）对产量预测贡献显著。

3.3 变量筛选
弹性网络（GLMNET）和模拟退火（SA）筛选的关键变量（如NIR波段）未显著提升模型性能，表明现有数据未饱和。

4 讨论

4.1 技术优势
多光谱数据通过捕捉冠层动态（如淀粉积累），弥补了基因组数据对环境响应缺失的不足。

4.2 应用前景
在早期育种中（如F1单株筛选），无人机表型可替代昂贵基因分型，缩短育种周期。

4.3 局限性
性状特异性（如比重）预测仍需优化传感器波段组合。

5 结论

研究证实多光谱数据可作为基因组预测的补充或替代方案，尤其适用于大规模早期选择。未来将聚焦于整合更多环境数据以提升跨年预测稳定性。

（注：全文严格依据原文数据，未添加非文献结论；专业术语如BLUEs、NDVI等均保留英文缩写及符号规范。）