高通量表型分析 (HTP) 平台与基因分型技术的进步彻底改变了依赖基因组预测的育种方法。然而，我们对植物整个生长周期内不同时间点多个性状的表达情况缺乏了解。

一个由IPK莱布尼茨研究所和马克斯·普朗克分子植物生理研究所组成的研究团队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。

植物的表型组包含植物在任何特定时间表达的全部性状，是遗传因素、环境条件及其复杂相互作用的综合结果。了解作物表型组随时间的变化有助于预测作物发育特定时间点的个体性状。然而，这个问题极具挑战性，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组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)的经典方法是利用基于遗传标记在特定时间点测量的基因型群体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，即预测多个性状在植物整个生长周期的不同时间点的表达情况。

研究团队引入了 dynamicGP，这是一种计算方法，有助于预测作物发育过程中性状的动态，HTP 平台可以获得多种基因型的时间序列表型测量结果。

“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) 相结合实现的，”马克斯普朗克分子植物生理研究所研究员、该研究的第一作者之一 David Hobby 说。

研究人员利用玉米多亲本高级世代杂交群体和拟南芥多样性组的高通量表型分析的遗传标记和数据，表明 dynamicGP 在多种性状方面优于最先进的基因组预测方法。

“我们发现，那些遗传性随时间变化较小的特征的发展动态可以被更准确地预测，这揭示了影响特征在发展轨迹上的可预测性的一个因素，”IPK 莱布尼茨研究所研究员、该研究的第一作者之一马克·休伊尔曼博士说。

因此，动态GP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，从而提高了农学相关性状的预测准确性。动态GP的未来发展可以依赖于DMD的扩展，以考虑环境因素的影响。这将有助于进一步完善所提出的方法，预计这将对培育适应特定区域的作物品种以及精准农业产生重大影响。

更多信息： David Hobby 等人，通过遗传标记预测植物性状动态，《自然植物》(2025)。