基于无人机多光谱表型组学的小麦叶绿素动态全基因组关联研究：干旱与灌溉条件下的遗传解析

本研究创新性地将无人机多光谱遥感技术（UAV）与人工测量相结合，通过反向传播神经网络（BP）构建叶绿素含量预测模型（R2达0.87），实现了冬小麦在正常灌溉与干旱胁迫下叶绿素动态的高通量表型分析。全基因组关联分析（GWAS）鉴定出308个显著位点（含18个重叠位点），定位到21个候选基因（如叶绿素a/b结合蛋白编码基因TraesCS5D02G559400），为小麦抗旱遗传改良提供了新靶点。

　　

1 引言

叶绿素含量直接影响作物光合效率，传统测量方法（如SPAD-502叶绿素仪）存在成本高、效率低等问题。无人机多光谱技术（UAV）通过红（650nm）、红边（730nm）、近红外（840nm）等波段反射率，结合机器学习算法可实现高通量表型采集。本研究以119份冬小麦为材料，在新疆泽普（南疆）和玛纳斯（北疆）试验基地开展干旱与正常灌溉对比实验，旨在建立叶绿素含量预测模型并挖掘相关遗传位点。

2 材料与方法

2.1 实验设计

使用大疆精灵4多光谱无人机在抽穗期、开花期和灌浆期采集冠层光谱数据，同步人工测定旗叶SPAD值。植被指数（如NGBDI、RERDVI）通过随机森林算法筛选，最终选用18个指数构建BP神经网络模型（隐藏层18神经元，学习率0.001）。

2.2 基因组分析

基于50K SNP芯片数据，采用混合线性模型（MLM Q+K）进行GWAS分析（P<0.001），通过中国春基因组数据库注释候选基因。

3 结果

3.1 光谱动态特征

五波段反射率排序为：近红外>红边>绿光>红光>蓝光。干旱条件下灌浆期红边光反射率较正常灌溉高11.27%，表明干旱导致叶面积指数下降。

3.2 模型预测性能

BP模型预测值与实测值相关性在抽穗期达0.93（R²=0.87），干旱条件下开花期仍保持0.91（R²=0.83）。模型预测极端值偏保守，最大预测值较实测低4.9 SPAD单位。

3.3 遗传位点挖掘

GWAS鉴定出206个预测值相关位点（表型解释率7.58%-19.58%），显著多于实测值位点（102个）。18个共定位位点分布于1A、5D等染色体，其中TraesCS2B02G577700（叶绿素激酶基因）与叶绿素降解相关。

4 讨论

4.1 技术优势

无人机多光谱技术通过分布式计算克服传统方法随机误差大的缺陷，但复杂算法依赖算力支持。

4.2 候选基因功能

21个候选基因中，TraesCS5D02G559400编码叶绿素a/b结合蛋白，TraesCS7A02G474200（过氧化物酶基因）与铅胁迫响应相关。KEGG富集分析显示这些基因显著参与苯丙烷代谢（P=3.2×10^-4）和光合天线蛋白通路。

5 结论

本研究证实无人机多光谱数据可用于叶绿素含量反演和GWAS分析，为小麦抗逆育种提供了高效表型-基因型关联研究范式。未来需通过多年数据优化模型在极端环境下的适用性。