针对盐分胁迫条件下小麦育种品系叶绿素含量与产量的高通量表型分析，经过机器学习优化的光谱指数

《Scientific Reports》：Machine learning-optimized spectral indices for high-throughput phenotyping of chlorophyll and yield of wheat breeding lines under salinity stress conditions

　　

摘要

在现代育种中，高通量表型分析对于快速且经济高效地评估耐盐性特征至关重要。然而，目前很少有研究将光谱反射率指数与深度学习相结合，用于评估盐胁迫条件下田间生长的小麦。在本研究中，我们开发了优化后的二维和三维光谱反射率指数，并将其与人工神经网络结合，用于在150 mM NaCl的田间条件下，检测32个重组自交系以及4个品种的叶绿素a、叶绿素b、总叶绿素含量以及籽粒产量。方差分析表明，在所有性状中，基因型对处理平方和的贡献最大（60–80%），其次是基因型与年份的交互作用（8–15%），而年份的贡献最小（1–5%）。通过对这些性状的热图聚类，可以清晰区分耐盐基因型和敏感基因型。本研究结果表明，可将这四个关键性状作为评估小麦耐盐性的筛选标准。我们优化后的二维/三维光谱指数具有中等至较强的预测能力（R² = 0.25–0.75），优于之前的指数。多季节数据使预测精度提升了15–25%，其中叶绿素a和总叶绿素含量的预测效果最佳（R² = 0.34–0.75），而叶绿素b和籽粒产量的预测效果相对较差（R² = 0.25–0.64）。最优模型分别为：用于预测叶绿素a的ANN-3D-SRIs-8（R² = 0.735/0.644）、用于预测叶绿素b的ANN-3D-SRIs-3（R² = 0.611/0.549）、用于预测总叶绿素含量的ANN-2D-3D-SRIs-3（R² = 0.713/0.619），以及用于预测籽粒产量的ANN-2D-SRIs-2（R² = 0.648/0.553）。这一框架通过结合优化后的光谱指数与机器学习技术，实现了可扩展的高通量表型分析，有助于推进耐盐小麦的精准育种。