Computer vision associated with multivariate genomic selection methods increases yield prediction accuracy in blueberry

方法

计算机视觉检测果实，结合视觉评分与总果重，构建多变量基因组预测模型。

发现

计算机视觉与视觉评分联合的多变量基因组预测模型预测能力更优，非加性效应影响显著。

机会点

可将视觉表型与基因组选择框架推广至其他园艺作物，并探索非加性效应的建模方法。

摘要 蓝莓（越橘属，Vaccinium spp.）是消费量最大的软果之一，也是促进健康化合物的重要来源。在驱动育种计划选择的关键性状中，产量是最重要的。测量产量的标准方法是采收并称量浆果的总数，这一过程费时、昂贵、易产生测量误差，且无法适应较短的生产窗口。为规避这一问题，育种者依赖视觉评分，这种方法具有可扩展性，但包含主观性。在本研究中，我们探讨了利用计算机视觉方法进行果实检测以指导育种决策。我们的基本假设是，整合机器学习与分子育种可以强化遗传分析并支持分子育种。为验证该假设，我们采用不同的产量相关指标对一个大型蓝莓育种群体进行了评估，包括通过计算机视觉进行果实检测、不同物候期的视觉评分以及浆果总重量。我们的贡献有三个方面：（i）利用计算机视觉，我们更好地评估了产量潜力，产生的遗传参数改善了残差控制并利用了遗传变异；（ii）我们推断了蓝莓产量的遗传基础，并强调了非加性效应对表型表达的重要性；（iii）我们表明，将计算机视觉与视觉评分结合在多变量基因组预测模型中，可获得更好的预测能力。总之，我们在蓝莓文献中首次证明了如何将计算机视觉与分子育种整合于同一框架中以指导育种决策。