DOI: https://doi.org/10.3389/fpls.2026.1740337
PMID: https://pubmed.ncbi.nlm.nih.gov/41777396
تاريخ النشر: 2026-02-16
المؤلف: Sudip Kunwar وآخرون
الموضوع الرئيسي: الاستشعار عن بعد في الزراعة
نظرة عامة
تسلط الأبحاث الضوء على أهمية تحسين تقسيم الكتلة الحيوية في القمح لتعزيز العوائد المستدامة، خاصة تحت الضغط البيئي. الصفات الرئيسية مثل مؤشر تقسيم السنبلة (SPI) ومؤشر الحصاد (HI) وكفاءة الإثمار (FE) حاسمة لفهم تخصيص المواد الغذائية بين الأعضاء الخضرية والتناسلية. ومع ذلك، فإن تعقيد هذه الصفات والتحديات في الفينوتيب اليدوي قد أعاق دمجها في برامج التربية. استكشفت هذه الدراسة استخدام بيانات الانعكاس الطيفي عالي الدقة المستندة إلى الطائرات بدون طيار (UAV) للتنبؤ بصفات تقسيم الكتلة الحيوية ومكونات العائد في القمح من خلال التنبؤ الجينومي (GP) والتنبؤ الفينومي (PP) والنماذج متعددة الأوميات المتكاملة.
تشير النتائج إلى أن النماذج المدفوعة بالفينوميات تفوقت بشكل كبير على GP في التنبؤ بالصفات، حيث حققت قدرات تنبؤية (PA) تصل إلى 0.61 لـ SPI و0.56 لـ FE و0.71 لعدد الحبوب لكل متر مربع (GN) و0.66 لعائد الحبوب (GY). قدمت بيانات الطيفية دقة أكبر من مؤشرات الغطاء النباتي التقليدية، مع تعزيز تكامل الأوميات المتعددة لقدرات التنبؤ (PA تصل إلى 0.73 لـ GN). تستنتج الدراسة أنه بينما يلتقط التنبؤ الجينومي التأثيرات الجينية المضافة، فإنه غالبًا ما يكون غير كافٍ للصفات المعقدة مثل تقسيم الكتلة الحيوية. في المقابل، تسهل نماذج الفينوميات والأوميات المتعددة الاختيار السريع وغير المدمر خلال الموسم، مما يسمح للمربين بتضييق تجمعات المرشحين بكفاءة والتركيز على السلالات الواعدة. توفر هذه الطريقة، جنبًا إلى جنب مع المتغيرات البيئية، إطارًا مرنًا وفعالًا من حيث التكلفة لتحسين تقسيم الكتلة الحيوية في برامج تربية القمح، مما يدعم في النهاية مرونة العائد على المدى الطويل والزيادة الجينية.
مقدمة
تناقش مقدمة ورقة البحث أهمية صفات تقسيم الكتلة الحيوية في القمح (Triticum aestivum L.)، والتي تعتبر حاسمة لتخصيص الموارد نحو الدعم الهيكلي، والتمثيل الضوئي، وتطوير الحبوب. تشمل الصفات الرئيسية التي تم تسليط الضوء عليها مؤشر تقسيم السنبلة (SPI) وكفاءة الإثمار (FE) ومؤشر الحصاد (HI)، حيث يعتبر الأخير مقياسًا حيويًا لكفاءة استخدام الموارد. تشير قيم HI الحالية، التي تبلغ حوالي 50% للقمح الربيعي و50-55% للقمح الشتوي، إلى إمكانية تحسين العائد، حيث أن الحد النظري حوالي 65%. الطرق التقليدية لتقييم هذه الصفات تتطلب جهدًا كبيرًا وتعيق جهود التربية على نطاق واسع، مما يستدعي تطوير أدوات فينوتيب عالية الإنتاجية وغير مدمرة.
تؤكد الورقة على الدور التحويلي للاختيار الجينومي (GS) في برامج التربية، والذي يستخدم علامات جينومية واسعة النطاق وبيانات فينوتيبية للتنبؤ بقيم التربية، مما يعزز الزيادة الجينية ويسرع تطوير الأصناف. ومع ذلك، كانت نماذج GS المبكرة تفتقر إلى اعتبار تفاعلات الجينotype مع البيئة (G×E)، مما يحد من قدرتها التنبؤية. تتيح التطورات الأخيرة في الفينوتيب عالي الإنتاجية (HTP)، وخاصة من خلال المنصات الجوية، تقييم الصفات بشكل فعال وغير مدمر وتحسين الدقة في التنبؤ بالصفات المتعلقة بالعائد باستخدام التصوير الطيفي. يُقترح دمج بيانات الأوميات المتعددة، بما في ذلك المتغيرات البيئية والعلامات الجينومية، لتعزيز النماذج التنبؤية للصفات المعقدة. تهدف هذه الدراسة إلى تطوير أدوات التنبؤ الفينومي باستخدام بيانات الانعكاس الطيفي وإنشاء نماذج متعددة الأوميات تتضمن أنواع بيانات متنوعة لتحسين صفات تقسيم الكتلة الحيوية في القمح، مما يمثل نهجًا جديدًا في هذا المجال البحثي.
طرق البحث
أجرت الأبحاث تجارب ميدانية من 2022 إلى 2024 في وحدة أبحاث وتعليم علوم النبات (PSREU) في سيترا، فلوريدا، مع التركيز على الفينوتيب لـ 341 سلالة من القمح الطري النخبوي التي تم تطويرها بواسطة مبادرة التربية التعاونية SunGrains™. على مدار ثلاثة مواسم نمو، اختلف عدد السلالات التي تم تقييمها، حيث تم اختبار 156 و297 و290 سلالة في 2022 و2023 و2024، على التوالي. شملت تجربة التحقق في 2024 120 سلالة متقدمة من جامعة فلوريدا، والتي، على الرغم من عدم تداخلها مع مجموعة التدريب، تشارك بعض العلاقات النسبية. استخدمت التجارب تصميم شبكة ألفا غير مكتملة مع تكرارين لكل جينوتيب، وتم حساب هياكل التغاير البيئي بناءً على بيانات الطقس لتعزيز نماذج التنبؤ.
شملت التقييمات الفينوتيبية قياسات الفينولوجيا وخمس صفات معقدة: مؤشر تقسيم السنبلة (SPI) ومؤشر الحصاد (HI) وكفاءة الإثمار (FE) وعدد الحبوب (GN) وعائد الحبوب (GY). تم تسجيل أيام الإزهار (DTA)، وتم حساب SPI كنسبة وزن السنبلة الجاف إلى إجمالي الكتلة الحيوية فوق الأرض، المقاسة في يوم الإزهار +7 أيام. عند النضج الفسيولوجي، تم تقييم إجمالي الكتلة الحيوية فوق الأرض ووزن الحبوب لحساب HI، بينما تم تعديل GY إلى محتوى رطوبة 13%. بالإضافة إلى ذلك، تم تحديد وزن الألف حبة (TGW) وGN لاشتقاق FE، مما يوفر تقييمًا شاملاً لأداء سلالات القمح تحت ظروف بيئية متغيرة.
النتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يوضح النتائج التي توصلت إليها الدراسة، بما في ذلك أي دلالة إحصائية لوحظت في البيانات. عادةً ما يتم توضيح النتائج من خلال الجداول أو الرسوم البيانية أو الأشكال، التي توفر تمثيلًا بصريًا للنتائج.
قد يتضمن القسم أيضًا مقارنات بين ظروف تجريبية مختلفة أو مجموعات، مع تسليط الضوء على أي اختلافات أو اتجاهات ملحوظة. بالإضافة إلى ذلك، غالبًا ما يتم وضع النتائج في سياق الأدبيات الموجودة، مما يبرز كيف تساهم في الفهم الأوسع لموضوع البحث. بشكل عام، يخدم هذا القسم لنقل الأدلة التجريبية التي تدعم الفرضيات أو أسئلة البحث المطروحة في الدراسة.
المناقشة
في هذه الدراسة، استخدم المؤلفون نهجًا شاملاً لتحليل الصفات الجينية والفينوتيبية لـ 341 سلالة من القمح الطري النخبوي على مدى ثلاث سنوات، باستخدام تقنيات متقدمة لجينوتيب البيانات واكتساب البيانات الطيفية. تم استخراج وتحليل DNA عالي الجودة باستخدام طرق الجينوتيب عن طريق التسلسل (GBS)، مما أسفر عن الاحتفاظ بـ 34,238 علامة SNP بعد تصفية الجودة الصارمة. تم جمع البيانات الطيفية عبر طائرتين بدون طيار مزودتين بأنظمة تصوير متعددة الطيف والطيف العالي، مما سمح بإنشاء مؤشرات الغطاء النباتي (VIs) مثل NDVI وEVI، والتي كانت مرتبطة بالصفات الزراعية. كشفت التحليلات عن تباين جيني كبير في صفات مثل مؤشر تقسيم السنبلة (SPI) ومؤشر الحصاد (HI)، مع تقديرات وراثية واسعة النطاق تشير إلى وراثة معتدلة إلى عالية لهذه الصفات.
استخدمت نماذج التنبؤ كل من التنبؤ الجيني الأفضل غير المتحيز (GBLUP) ونهج التعلم الآلي، بما في ذلك الانحدار باستخدام الغابات العشوائية (RFR) والانحدار باستخدام المربعات الصغرى الجزئية (PLSR). أشارت النتائج إلى أن النماذج التي تتضمن بيانات الطيفية (H) تفوقت على النماذج الجينومية (G) لعدة صفات، خاصة بالنسبة لمقاييس العائد. قدم النموذج متعدد الأوميات الذي يدمج البيانات الجينومية والطيفية والبيئية (G+H+V+W+GW) تحسينات متواضعة في القدرة التنبؤية. أظهرت مخططات التحقق المتبادل قوة النماذج، حيث أظهر النموذج الطيفي عمومًا قويًا عبر السنوات، خاصة لعدد الحبوب (GN) وعائد الحبوب (GY). بشكل عام، تؤكد النتائج على إمكانية دمج البيانات الجينومية والفينومية لتعزيز الدقة التنبؤية في برامج تربية القمح.
DOI: https://doi.org/10.3389/fpls.2026.1740337
PMID: https://pubmed.ncbi.nlm.nih.gov/41777396
Publication Date: 2026-02-16
Author(s): Sudip Kunwar et al.
Primary Topic: Remote Sensing in Agriculture
Overview
The research highlights the importance of optimizing biomass partitioning in wheat to enhance sustainable yields, especially under environmental stress. Key traits such as the spike partitioning index (SPI), harvest index (HI), and fruiting efficiency (FE) are critical for understanding assimilate allocation between vegetative and reproductive organs. However, the complexity of these traits and challenges in manual phenotyping have hindered their integration into breeding programs. This study explored the use of unmanned aerial vehicle (UAV)-based hyperspectral reflectance data to predict biomass partitioning traits and yield components in wheat through genomic prediction (GP), phenomic prediction (PP), and integrated multi-omic models.
The findings indicate that phenomics-driven models significantly outperformed GP in predicting traits, achieving predictive abilities (PA) of up to 0.61 for SPI, 0.56 for FE, 0.71 for grains per square meter (GN), and 0.66 for grain yield (GY). Hyperspectral data provided greater accuracy than traditional vegetation indices, with multi-omic integration further enhancing prediction capabilities (PA up to 0.73 for GN). The study concludes that while genomic prediction captures additive genetic effects, it is often inadequate for complex traits like biomass partitioning. In contrast, phenomic and multi-omic models facilitate non-destructive, rapid in-season selection, allowing breeders to efficiently narrow candidate pools and focus on promising lines. This approach, combined with environmental covariates, offers a flexible and cost-effective framework for optimizing biomass partitioning in wheat breeding programs, ultimately supporting long-term yield resilience and genetic gain.
Introduction
The introduction of the research paper discusses the significance of biomass partitioning traits in wheat (Triticum aestivum L.), which are crucial for resource allocation towards structural support, photosynthesis, and grain development. Key traits highlighted include the spike partitioning index (SPI), fruiting efficiency (FE), and harvest index (HI), with the latter being a vital measure of resource-use efficiency. Current HI values, approximately 50% for spring wheat and 50-55% for winter wheat, indicate a potential for yield improvement, as the theoretical limit is around 65%. Traditional methods for assessing these traits are labor-intensive and hinder large-scale breeding efforts, necessitating the development of high-throughput, non-destructive phenotyping tools.
The paper emphasizes the transformative role of genomic selection (GS) in breeding programs, which utilizes genome-wide markers and phenotypic data to predict breeding values, thereby enhancing genetic gain and accelerating cultivar development. However, early GS models lacked consideration for genotype-by-environment (G×E) interactions, limiting their predictive power. Recent advancements in high-throughput phenotyping (HTP), particularly through aerial platforms, allow for efficient, non-destructive trait assessment and improved accuracy in predicting yield-related traits using hyperspectral imaging. The integration of multi-omics data, including environmental covariates and genomic markers, is proposed to enhance predictive models for complex traits. This study aims to develop phenomic prediction tools using hyperspectral reflectance data and to create multi-omic models that incorporate various data types to optimize biomass partitioning traits in wheat, marking a novel approach in this research area.
Methods
The research conducted field trials from 2022 to 2024 at the Plant Science Research and Education Unit (PSREU) in Citra, Florida, focusing on the phenotyping of 341 elite soft wheat lines developed by the SunGrains™ cooperative breeding initiative. Over the three growing seasons, the number of evaluated lines varied, with 156, 297, and 290 lines tested in 2022, 2023, and 2024, respectively. A validation trial in 2024 included 120 advanced breeding lines from the University of Florida, which, while not overlapping with the training population, shared some pedigree relationships. The trials utilized an incomplete block alpha-lattice design with two replications per genotype, and environmental covariance structures were computed based on weather data to enhance prediction models.
Phenotypic evaluations included measurements of phenology and five complex traits: spike partitioning index (SPI), harvest index (HI), fruiting efficiency (FE), grain number (GN), and grain yield (GY). Days to anthesis (DTA) was recorded, and SPI was calculated as the ratio of spike dry weight to total above-ground biomass, measured at anthesis +7 days. At physiological maturity, total above-ground biomass and grain weight were assessed to calculate HI, while GY was adjusted to 13% moisture content. Additionally, thousand grain weight (TGW) and GN were determined to derive FE, providing a comprehensive assessment of the wheat lines’ performance under varying environmental conditions.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It details the outcomes of the study, including any statistical significance observed in the data. The results are typically illustrated through tables, graphs, or figures, which provide a visual representation of the findings.
The section may also include comparisons between different experimental conditions or groups, highlighting any notable differences or trends. Additionally, the results are often contextualized within the framework of existing literature, emphasizing how they contribute to the broader understanding of the research topic. Overall, this section serves to convey the empirical evidence that supports the hypotheses or research questions posed in the study.
Discussion
In this study, the authors employed a comprehensive approach to analyze the genetic and phenotypic traits of 341 elite soft wheat lines over three years, utilizing advanced genotyping and spectral data acquisition techniques. High-quality DNA was extracted and analyzed using genotyping-by-sequencing (GBS) methods, resulting in the retention of 34,238 SNP markers after stringent quality filtering. Spectral data were collected via two UAVs equipped with multispectral and hyperspectral imaging systems, allowing for the generation of vegetation indices (VIs) such as NDVI and EVI, which were correlated with agronomic traits. The analysis revealed significant genotypic variation in traits like spike partitioning index (SPI) and harvest index (HI), with broad-sense heritability estimates indicating moderate to high heritability for these traits.
The predictive modeling utilized both genomic best linear unbiased prediction (GBLUP) and machine learning approaches, including Random Forest Regression (RFR) and Partial Least Squares Regression (PLSR). The results indicated that models incorporating hyperspectral data (H) outperformed genomic models (G) for several traits, particularly for yield-related metrics. The multi-omic model integrating genomic, hyperspectral, and environmental data (G+H+V+W+GW) provided modest improvements in predictive ability. Cross-validation schemes demonstrated the robustness of the models, with the hyperspectral model showing strong generalizability across years, especially for grain number (GN) and grain yield (GY). Overall, the findings underscore the potential of integrating genomic and phenomic data to enhance predictive accuracy in wheat breeding programs.