فنوتیپ‌یابی از آسمان: هسته‌های محیطی مبتنی بر پهپاد، در آزمایش‌های پراکنده سیب‌زمینی، از داده‌های ژنومی بهتر عمل می‌کنند

با تشدید تغییرات اقلیمی و تغییرپذیری آب و هوایی بین سالانه، پرورش‌دهندگان گیاهان تحت فشار هستند تا ژنوتیپ‌های بیشتری را در محیط‌های متنوع ارزیابی کنند و در عین حال هزینه‌های فنوتیپ‌بندی را قابل مدیریت نگه دارند. آزمایش پراکنده - ارزیابی تنها زیرمجموعه‌ای از ژنوتیپ‌ها در هر مکان - یک راه‌حل عملی ارائه می‌دهد، اما برای پر کردن داده‌های از دست رفته به مدل‌های پیش‌بینی قوی نیاز دارد. یک مطالعه جدید منتشر شده در گزارش علمی نشان می‌دهد که فنوتیپ‌بندی با توان عملیاتی بالا (HTP) از تصاویر پهپاد می‌تواند به عنوان جایگزینی قدرتمند برای اطلاعات ژنومی در چنین سناریوهایی عمل کند. محققانی که با ۲۵۶ کلون سیب‌زمینی در سه محیط سوئدی (دو مکان در طول سال‌های ۲۰۲۰-۲۰۲۱) کار می‌کردند، شاخص‌های پوشش گیاهی، پوشش تاجی و ارتفاع گیاه را که با زمان ادغام شده بودند، از تصاویر RGB مبتنی بر پهپاد استخراج کردند. آنها با استفاده از تجزیه و تحلیل مؤلفه‌های اصلی (PCA) بر روی این صفات مشتق شده از تصویر، یک "هسته محیطی" (E-kernel) ساختند که شباهت بین مکان‌های آزمایش را کمّی می‌کند و عملکرد پیش‌بینی‌کننده آن را در برابر ماتریس رابطه ژنومی استاندارد (G-kernel) تحت سطوح پراکندگی داده‌ها از ۱۰٪ تا ۶۶٪ مقایسه کردند.

نتایج قابل توجه است: در سناریوهای دو محیطی با کامل بودن داده‌ها ۵۰٪، هسته E به طور قابل توجهی از هسته G و ترکیب آنها در تمام صفات بهتر عمل کرد و دقت پیش‌بینی برای کل عملکرد غده را ۶۰٪ و برای کسر اندازه ۵۰-۶۰ میلی‌متر را ۶۲٪ افزایش داد. در کامل بودن ۳۳٪، محتوای نشاسته تنها صفتی بود که r² > ۰.۵ داشت و فقط هسته E این سطح را ارائه داد. هسته ژنومی فقط در شرایط کمبود شدید (۱۰-۲۰٪) قوی‌تر عمل کرد، در حالی که متغیرهای کمکی هواشناسی معمولی توانایی محدودی در تمایز بین مکان‌های نزدیک نشان دادند. نکته قابل توجه این است که ترکیب هسته‌های G و E پیش‌بینی‌ها را بهبود نبخشید و نشان‌دهنده همپوشانی اطلاعات است. نویسندگان محدودیت‌ها - اندازه نمونه متوسط ​​و نشت محیطی - را تصدیق می‌کنند، اما تأکید می‌کنند که هسته‌های محیطی مبتنی بر تصویر مقرون به صرفه، مقیاس‌پذیر و به ویژه برای محصولات با چرخه آهسته مانند سیب‌زمینی تتراپلوئید ارزشمند هستند. این رویکرد، مسیری عملی برای تسریع پیشرفت ژنتیکی در برنامه‌های اصلاح نژاد با منابع محدود، به ویژه برای صفات مرتبط با عملکرد، ارائه می‌دهد و در عین حال، بار فنوتیپی را از طریق داده‌های HTP قابل استفاده مجدد کاهش می‌دهد.