高通量植物表型分析 (HTPP) 方法有可能通过开发经济、快速且和可扩展的自动化表型分析方法来加速作物育种过程。作物抗病育种将受益于 HTPP 方法的成功实施，因为绕过了传统的疾病视觉表型分析所带来的瓶颈，能够筛选更大、更多样化的种群以寻找新的抗性来源。本研究的目的是使用通过近端表型获得的 HTPP 数据来预测大型冬小麦田间试验中的黄锈病评分。


实验群体中的黄锈病进展。a 两个冬小麦 (Triticum aestivum) 种群中黄锈病 (Puccinia striiformis) 严重程度的表型分布：（基因库集）一组 211 个基因型，包括来自北欧基因库、北欧和波罗的海品种的材料，和（育种集）一组 325 育种 F5 杂交。在 2019/2020 年冬小麦生长季节的六个时间点进行了疾病观察。b 健康（左）和患病（右）小麦地块的两个示例图像

结果表明，从光谱辐射计数据获取的 40-42 个光谱植被指数 (SVI)可以通过随机森林 (RF) 建模预测黄锈病评分。SVI 是通过基于随机森林的递归特征消除 (RFE) 选择的，在衡量预测分数和观察分数之间的相关性时，所得模型中的预测分数具有 rs = 0.50-0.61 的预测精度。一些用于预测的重要的光谱特征包括植物衰老反射指数 (PSRI)、光化学反射指数 (PRI)、红绿色素指数 (RGI) 和绿度值 (GI)。


预测变量与 YR 分数之间的相关性分析。从两个日期收集的高通量表型(HTPP)数据导出的黄锈病评分和模型预测变量之间的Spearman相关性分析。a、b， HTPP 预测因子与疾病评分之间以相关值衡量相关值强度分布。c, d， 前 15 个预测因子与观察到的疾病评分的相关值从上到下降序排列

提出的 HTPP 方法在随机森林模型中结合来自光谱传感器的 SVI 数据，有可能用于小麦育种试验以对黄锈病进行评分。

来源：Plant Methods.Predicting yellow rust in wheat breeding trials by proximal phenotyping and machine learning.Alexander Koc, Firuz Odilbekov, Marwan Alamrani, Tina Henriksson & Aakash Chawade
https://plantmethods.biomedcentral.com/articles/10.1186/s13007-022-00868-0