Định mức độ phản ứng nhằm dự đoán hiệu quả di truyền của mức tăng trưởng đậu nành trong điều kiện bị stress khô hạn

 Định mức độ phản ứng nhằm dự đoán hiệu quả di truyền của mức tăng trưởng đậu nành trong điều kiện bị stress khô hạn

Nguồn: Yusuke Toda, Goshi Sasaki, Yoshihiro Ohmori, Yuji Yamasaki, Hirokazu Takahashi, Hideki Takanashi, Mai Tsuda, Hiromi Kajiya-Kanegae, Hisashi Tsujimoto, Akito Kaga, Masami Hirai, Mikio Nakazono, Toru Fujiwara & Hiroyoshi Iwata. 2024. Reaction norm for genomic prediction of plant growth: modeling drought stress response in soybean. Theoretical and Applid Genetics; April 2014; vol. 137; article 77

 

Người ta đề xuất mô phỏng toán nhằm dự đoán các ảnh hưởng của yếu tố thuộc về hệ gen và yếu tố thuộc về ngoại cảnh trên tăng trưởng mỗi ngày của cây đậu nành và áp dụng mô phỏng ấy hình thành nên cơ sở dữ liệu tăng trưởng đậu nành với công cụ máy bay không người lái.

 

Lợi thế của công nghệ đánh giá kiểu hình chất lượng cao đã và đang tạo ra khả năng thu nhận dữ liệu tăng trưởng cây theo kiểu “time-series” trong thử nghiệm đồng ruộng, cho phép thực hiện mô hình tính toán GxE (genotype-by-environment interaction) về tăng trưởng của cây. Cho dù mức độ phản ứng như vậy là phương pháp có hiệu quả nhằm định lượng tương tác G × E và được thực hiện trong mô phỏng “genomic prediction” (dự đoán hiệu quả di truyền, nhưng không có phản ứng nào chuẩn mực được mô phỏng đã ứng dụng trong cơ sở dữ liệu tăng trưởng ấy. Ở đây, người ta đề xuất một định chuẩn phản ứng mới đối với tăng trưởng cây theo mô phỏng “spline and random forest” (đường dẫn và rừng ngẫu nhiên), trong đó, tăng trưởng mỗi ngày được giải thích bằng yếu tố môi trường trước một ngày. Mô phỏng đề xuất này được áp dụng cho cây đậu nành ở vùng tán lá và chiều cao nhằm đánh giá được ảnh hưởng của những mức độ stress khô hạn khác nhau. Những thay đổi ở vùng tán lá và chiều cao cây từ 198 giống đậu nành thử nghiệm được đo bằng “remote sensing” bởi máy bay không người lái. Mức độ khô hạn khác nhau được xác định là một nghiệm thức, ẩm độ đất theo thời gian (time-series soil moisture) được người ta đo đếm. Những models như vậy được đánh giá thông qua ba tình huống xác nhận chéo (cross-validation schemes). Cho dù độ chính xác của những models đề xuất đã không vượt qua được dự đoán di truyền của tính trạng đơn, nhưng kết quả cho thấy model này có thể xác định tương tác G × E chặt chẽ, đặc biệt là giai đoạn tăng trưởng sau cùng đối với mô phỏng “random forest”. Cũng như vậy, biến thiên có ý nghĩa trong tương tác G × E của tính trạng chiều cao tán cây ở giai đoạn tăng trưởng đầu tiên được quan sát theo mô phỏng “spline”. Kết quả cho thấy mức độ hữu hiệu của những mô phỏng được đề xuất về dữ liệu tăng trưởng cây và xác suất của tương tác G × E rõ ràng trong nhiều giai đọn tăng trưởng khác nhau của cải tiến giống đậu nành, ứng dụng thống kê sinh học hoặc mô phỏng “machine learning” đối với cơ sở dữ liệu kiểu hình có tính chất “time-series”.

 

Xem https://link.springer.com/article/10.1007/s00122-024-04565-5