Advances in high-throughput phenotyping (HTP) platforms together with genotyping technologies have revolutionized breeding of varieties with desired traits relying on genomic prediction. Yet, we lack an understanding of the expression of multiple traits a
高通量表型（HTP）平台和基因分型技术的进步彻底改变了依赖基因组预测的具有所需性状的品种的育种。然而，我们缺乏对植物整个生长期不同时间点多种性状表达的理解。
包括IPK-Leibniz研究所和马克斯·普朗克分子植物生理学研究所在内的一个研究小组开发了一种计算方法来解决这个问题。研究结果发表在《自然植物》杂志上。
植物的表型包括在任何给定时间表达的所有性状，是遗传因素、环境条件及其复杂相互作用的综合结果。了解作物现象如何随时间变化可以帮助预测作物发育特定时间点的个体特征。然而，这个问题具有挑战性，不仅因为个体性状之间存在复杂的依赖关系，还因为特定基因型的表型在植物生命周期中的变化方式存在差异。
作物基因组预测（GP）的经典方法使用基于遗传标记在特定时间点在基因型群体中测量的性状数据来训练机器学习模型。然而，现有的GP方法尚未解决预测多个性状动态的问题，即在植物整个生长期的不同时间点多个性状的表达。
研究小组介绍了dynamicGP，这是一种计算方法，有助于预测作物发育过程中的性状动态，HTP平台可以提供多种基因型的时间序列表型测量。
“我们证明了dynamicGP是一种有效的计算方法，可以预测多种性状的基因型特异性动态。这是通过将基因组预测与动态模式分解（DMD）相结合来实现的，”马克斯·普朗克分子植物生理学研究所研究员、该研究的第一作者之一David Hobby说。
研究人员使用遗传标记和玉米多亲本高级世代间杂交群体和拟南芥多样性面板的高通量表型数据，表明dynamicGP在多性状方面优于最先进的基因组预测方法。
IPK-Leibniz研究所研究员、该研究的第一作者之一Marc Heuermann博士说：“我们发现，遗传力随时间变化较小的性状的发育动态可以更准确地预测，从而揭示了一个影响性状对发育轨迹可预测性的因素。”。
因此，dynamicGP为探究和整合作物发育过程中基因型和表型之间的动态相互作用铺平了道路，以提高农艺相关性状的预测准确性。dynamicGP的未来发展可以依靠DMD的扩展来考虑环境因素的影响。这些将有助于进一步完善拟议的方法，预计将对培育适应特定地区的作物品种以及精准农业产生非常重大的影响。p