太空诱变膜荚黄芪种质资源表型特征变异分析

以膜荚黄芪太空搭载种子建立的33D、22H群体及未搭载原种（CK）群体的SP₂代成药株为研究对象,对19个表型性状进行特征变异及多样性分析,以筛选具有优异性状的膜荚黄芪种质资源。结果表明：诱变后代群体的19个性状变异幅度、遗传多样性存在不同程度差异,33D、22H群体及CK群体地上部分的4个质量性状的变异系数CV范围分别为0.35~0.78、0.38~0.84、0.41~0.64,即变异幅度表现为22H>33D>CK,遗传多样性指数H′范围分别为1.67~2.13、1.66~2.02、1.44~2.21,即变化幅度为CK>33D>22H;7个数量性状的CV范围分别为0.17~0.62、0.17~0.67、0.20~0.83,H′范围分别为1.47~2.01、1.72~2.04、1.59~2.11,即变异幅度表现均为CK>22H>33D;8个产量构成性状的CV范围分别为0.09~0.53、0.15~0.55、0.09~0.97,即变化幅度为CK>22H>33D,H′范围分别为1.81~2.09、1.73~2.06、1.59~2.03,即变化幅度为33D>22H>CK。通过主成分因子分析将诱变后代群体植株的12个数量性状指标简化为4个主因子,33D和22H群体数量性状累计贡献率均大于CK,分别达68.669%和70.414%,并筛选出二级分枝数、单根干质量、有效根长、侧根数、根长、折干率可作为膜荚黄芪评价代表性指标;诱变后SP₂代地上部性状隶属函数值小于CK,产量构成性状隶属函数值大于CK。通过隶属函数和聚类分析将诱变后SP₂代的2个群体分别归为3类不同类型植株（即I、II和III型）,第I类群为良好类、第II类群为优势类、第III类群为后备类,综合评价筛选出性状优异种质39份、产量构成性状优异种质16份、矮株型高产种质3份。     

数字果树及其技术体系研究进展

果树是重要的农林植物。在万物智联时代,利用数字化、智能化、网络化技术建立数字果树技术体系,实现对果树生命、生产和生态复杂系统的高效感知、认知和智慧管控,对于果业实现数字化转型具有重要意义。该研究在数字植物技术范畴下,系统论述了数字果树的概念和内涵,提出了数字果树技术体系框架。重点在果树表型信息获取、环境数据获取、三维模型计算、数字育种、果树大数据和虚拟现实技术等方面综述了数字果树研究进展。从产业应用角度,综述了数字果树技术在树形管理、生长监测、种植管理、农技培训、品牌营销等方面应用效果和挑战。最后,展望了数字果树发展趋势、研究热点和技术突破方向,以期为数字果树的进一步发展提供思路与借鉴。     

无人机遥感解析田间作物表型信息研究进展

田间作物表型信息是揭示作物生长发育规律及其与环境关系的重要依据,传统的田间试验取样和车载高通量平台测定作物性状参数的方法耗时耗力,且空间覆盖不全,限制了作物科学研究的快速发展,而以无人机为代表的近地遥感高通量表型平台凭借机动灵活、成本低、空间覆盖广的优势成为获取田间作物表型信息的重要手段。该文根据国内外无人机遥感平台解析作物表型信息的最新研究成果,针对不同传感器类型分析了无人机遥感解析作物表型信息的应用及其不足,总结了遥感定量反演作物表型信息的方法体系,展望了无人机载遥感技术在作物表型信息解析方面的应用前景。该项研究成果对推广无人机遥感平台获取田间作物表型信息、提高复杂农田环境作物长势信息的解析和辨识能力具有重要意义。     

黄瓜生长素受体同源基因CsAFB和CsTIR在拟南芥中的转化与功能表达

植物生长素受体是生长素信号通路中的重要因子.基于前期克隆得到了黄瓜(Cucumis sativus)生长素受体同源基因生长素信号F-box蛋白基因(auxin signaling F box protein,CsAFB)和转运抑制响应基因(transport inhibitor response,CsTIR),为进一步证实和研究这2个基因的功能,本研究利用拟南芥(Arabidopsis thaliana)Col-0野生型和生长素受体编码基因功能缺陷突变体tirl-1为材料,导入黄瓜生长素受体同源基因,获取纯合转基因系.检测发现,拟南芥突变体tirl-1转入CsAFB/TIR基因后根系发育、外源生长素敏感性和细胞伸长反应均恢复至野生型水平.检测发现,野生型拟南芥中过量表达黄瓜CsAFB/TIR,尤其是Cs TIR基因,植株主根伸长明显受抑,侧根数量剧增,子叶下卷,叶柄上翘,真叶叶缘向离轴面弯曲,顶端优势明显.本研究表明,CsAFB/TIR基因功能类似拟南芥TIR1基因,为黄瓜生长素受体同源基因;过量表达该类基因通过增加生长素受体数量、扩大生长素信号的方式参与调控植物生长发育;为进一步在黄瓜中研究生长素受体功能及作用机理提供理论依据.     

茎瘤芥表型性状的主成分分析

以来自长江流域的133个茎瘤种质为材料,采用田间试验结合主成分分析方法,分析茎瘤芥种质的表型特性.结果表明,133份茎瘤芥材料的21个农艺、经济性状的总信息量可用8个主成分概括,并能以此对材料进行综合评价.根据聚类分析结果,供试材料可大致分为8类,且有81.20％集中在第Ⅲ、Ⅵ类和第Ⅷ类,说明利用表型性状可以较科学、系统地将茎瘤芥种质进行分类和鉴定,同时表明参试材料遗传基础相对狭窄.     

甘蔗细茎野生种核心种质构建

以来自我国10个省(市)、自治区的540份甘蔗细茎野生种无性系为材料,根据采集地信息及其在20对SSR引物上的分子标记数据和15个表型性状资料,开展核心种质构建研究。不同取样量(5%、10%、20%、30%、40%、50%、60%、70%、80%和90%)分析表明,10%的取样比例可获得70%以上的变异保留比例,是较好的核心种质取样规模;对5种采集地分组取样策略(等量法、简单比例法、平方根比例法、对数比例法和多样性比例法)和2种无分组取样策略(最大变异保留法和随机抽样法)比较表明,简单比例法获得的核心种质代表性最好,为最优取样策略。最后,在简单比例法取样筛选出的54份核心样品中,又通过定向选择补充了6份具有优异表型性状的材料,构建了含60份无性系的甘蔗细茎野生种核心种质,分子和表型检验都表明本研究所构建的核心种质具有较好的代表性和遗传多样性。     

遗传改良生物(GMO)检测方法

随着全球GMO(Genetically Modified Organisms,缩写为GMO)的快速发展和美国、阿根廷、加拿大、中国等16个国家6 000万hm2的大面积种植,ISTA对转基因作物(transgenic crop)检测十分重视,已组织3次GMO能力测试.现将ISTA技术委员会B·卡勒特编写的有关GM种子测定方法整理编译于后,供我国读者参考.     

棉花表型性状基因的SSR标记定位

本文以两个陆地棉多标记基因系T582和T586,以及杂交获得的F_1、F_2及F_3代作为试验材料,利用11对SSR引物对F_2群体的120个单株的DNA样品进行多态性分析,并利用F_2和F_3群体对F_2群体对应单株的13个表型性状进行基因型的判定,结果得到了3个与表型性状基因连锁的SSR标记,分别是红茎基因(R_1)与J178连锁、遗传距离为24.9cM,簇生铃基因(CL_1)与J236连锁,遗传距离为46.0cM,茸毛基因(T_1)与J252连锁,遗传距离为28.5cM,其中R_1、CL_1、J178和J236在同一连锁群上。红茎和植株茸毛是具有抗虫性能的形态性状,用SSR标记这些性状将有助于提高育种家的育种效率。     

基于ST-LSTM的植物生长发育预测模型

提早预知植物生长发育是智能育种过程的重要组成部分,针对植物表型难以精准预测和模拟的问题,利用植物生长发育的空间和时间依赖性,提出了一种基于时空长短时记忆网络（Spatiotemporal long short-term memory, ST-LSTM）的植物生长发育预测模型,实现植物生长发育的预测。首先,通过微调Mask R-CNN模型实现识别、提取植物掩模,预处理具有时空相关性的植物生长发育图像序列,构建植物生长发育预测数据集。然后,基于ST-LSTM建立植物生长发育预测模型,利用历史生长发育图像序列,融合时空深度特征,预测植物未来的生长发育图像序列。研究结果表明,所提出模型预测的图像序列与生长发育实际图像序列具有较高的一致性和相似性,首个预测时间节点的结构相似度为0.874 1,均方误差为17.10,峰值信噪比为30.83,测试集的冠层叶面积、冠幅和叶片数预测R²分别为0.961 9、0.908 7和0.915 8。该研究实现了基于植物生长发育图像序列的生长发育预测,有效减少了田间反复试验的时间、土地和人力成本,为提高智能育种效率提供了参考。     

基于Random Forest的水稻细菌性条斑病识别方法研究

为了快速、准确、有效地识别发病早期的细菌性条斑病,提出基于随机森林(Random forest,RF)算法的水稻细菌性条斑病识别方法,利用光谱成像技术获取该病害的高光谱数据,通过多元散射校正减少和消除噪声及基线漂移对光谱数据的不利影响。利用随机森林特征重要性指标,选取逻辑回归(LR)、朴素贝叶斯(NB)、决策树(DT)、支持向量分类机(SVC)、k最近邻(KNN)和梯度提升决策树(Gradient boosting decision tree,GBDT)算法进行对比试验。同时筛选出12个位于450~664 nm范围内对识别模型有重要影响的光谱波段,并与全波段进行分类结果比较。试验结果表明:RF算法的分类准确率为95.24%,与试验选取的其他算法相比,效果最优,比NB准确率提高了20.97个百分点;与全波段分类结果相比,利用RF算法基于12个波长的识别,波长数减少了98.05%,识别精确率为94.66%,召回率为99.55%,F1值为97.04%,准确率为94.32%。虽然精确率减少了2.97个百分点、准确率减少了0.85个百分点,但召回率增加了4.4个百分点、F1值增加了0.67个百分点,模型精度满足要求。