水稻是世界上最重要的作物之一,是地球上一半以上人口的主要食物來源。 因此,保護水稻種植園免受疾病侵害是現代農業的一項重要工作。 在可以感染水稻植物的許多病原體中,導致細菌性枯萎病 (BB) 的米黃單胞菌是最嚴重的病原體之一。 由於 BB,每年損失價值數億美元的農作物,並花費數百萬美元用於預防措施和研究。
控制 BB 和其他作物病害的最有效策略之一是種植具有遺傳抗性的品種。 然而,由於病原體可以快速進化,研究人員必須不斷探索 新基因 賦予抵抗力並在繁殖時應用它們。 因此,他們必須定期採樣多個 水稻植物 在一年中的不同時間測量它們對細菌感染的反應,這代表了人工密集且耗時的勞動。
但是,如果我們利用現代技術來大大簡化這個過程呢? 在最近發表於 植物現象學,由來自中國浙江大學的 Xuping Feng 博士領導的一個研究小組開發了一種創新策略,將無人機和機器學習相結合,以測量現場的 BB 爆發並篩選潛在的抗性基因。
研究人員在中國浙江省建立了兩個試驗點,在那裡他們種植了 60 多種對 BB 具有不同抗性的水稻品種。 使用 無人機 (無人機,更廣為人知的名稱是“無人駕駛飛機”)配備了常規和多光譜相機,他們對水稻植物發育不同階段的作物地點進行成像。 之後,他們將這些無人機圖像與累積溫度 (AT) 數據結合起來,並用它們來訓練一個 深度學習模型 評估 BB 的嚴重程度。
值得注意的是,將 AT 數據與在水稻植物生長的不同階段拍攝的無人機成像數據融合是本研究的獨特策略。 該團隊發現,這些信息足以讓經過訓練的模型準確預測 BB 的嚴重程度。 此外,研究人員還測試了使用在一個站點收集的數據訓練的模型是否可以提供在不同站點收集的少量訓練數據,以改進其對後者的預測。
幸運的是,他們的結果非常有希望,正如 Feng 博士所觀察到的:“考慮到現場採樣的成本,我們發現僅傳輸 20% 的新數據是一種有用且具有成本效益的模型更新策略,可以實現 BB 的可靠預測不同站點的嚴重性。”
然後,研究人員試圖使用這種新方法來有效測量 BB 嚴重程度,使用無人機進行數量性狀位點 (QTL) 作圖。
“QTL 標記基因組中基因控制特定數量性狀的位置,例如對疾病的易感性。 將 QTL 映射到作物在病原體脅迫下的反應可以幫助育種者確定一組給定 QTL 控制的作物的功能或性狀,”馮博士解釋說。 簡而言之,QTL 定位涉及分析生物體多個樣本的基因組,並試圖查明哪些基因可能與目標性狀有關,包括抗病性。
在這項研究中,該團隊使用無人機圖像間接確定了作物的 BB 病嚴重程度,並將該信息與在不同生長階段和不同品種採集的多個水稻樣本的遺傳分析結果相結合。 通過這種方法,研究人員設法檢測到先前發現的與 BB 抗性相關的 QTL 以及三個新的 QTL!
結果表明,該研究中概述的總體策略可以真正節省農業病害研究的時間。 “與人工測量疾病嚴重程度相比,無人機遙感技術使我們能夠快速收集大規模的表型信息,這為加速育種研究提供了技術支持,”馮博士總結道。 最重要的是,雖然該方法是專門針對水稻和 BB 開發和測試的,但它也可以適用於其他作物和疾病。