Fenotipificación dende o ceo: os núcleos ambientais baseados en UAV superan os datos xenómicos en probas dispersas de patacas

A medida que o cambio climático intensifica a variabilidade meteorolóxica interanual, os melloradores de plantas están baixo presión para avaliar máis xenotipos en diversos ambientes, mantendo ao mesmo tempo os custos de fenotipificación manexables. As probas escasas (avaliar só un subconxunto de xenotipos por localización) ofrecen unha solución práctica, pero requiren modelos preditivos robustos para cubrir os datos que faltan. Un novo estudo publicado en Os informes científicos demostra que a fenotipificación de alto rendemento (HTP) a partir de imaxes de drons pode servir como un poderoso substituto da información xenómica nestes escenarios. Investigadores que traballaron con 256 clons de pataca en tres ambientes suecos (dúas localizacións entre 2020 e 2021) extraeron índices de vexetación integrados no tempo, cobertura da copa e altura da planta a partir de imaxes RGB baseadas en UAV. Usando a análise de compoñentes principais (PCA) nestes trazos derivados da imaxe, construíron un "núcleo ambiental" (E-kernel) que cuantifica a semellanza entre os sitios de proba e compararon o seu rendemento preditivo coa matriz de relacións xenómicas estándar (G-kernel) baixo niveis de dispersión de datos que oscilan entre o 10 % e o 66 %.

Os resultados son rechamantes: en escenarios de dous ambientes cun 50 % de completitude dos datos, o núcleo E superou significativamente tanto o núcleo G como a súa combinación en todos os trazos, o que aumentou a precisión da predición para o rendemento total do tubérculo nun 60 % e para a fracción de tamaño de 50–60 mm nun 62 %. Cun 33 % de completitude, o contido de amidón foi o único trazo con r² > 0.5, e só o núcleo E alcanzou ese nivel. O núcleo xenómico só demostrou ser máis robusto baixo dispersión extrema (10–20 %), mentres que as covariables meteorolóxicas convencionais mostraron unha capacidade limitada para discriminar entre localizacións próximas. Cabe destacar que a combinación de grans G e E non mellorou as predicións, o que suxire información superposta. Os autores recoñecen as limitacións (tamaño modesto da mostra e fugas ambientais), pero salientan que os grans ambientais baseados en imaxes son rendibles, escalables e particularmente valiosos para cultivos de ciclo lento como a pataca tetraploide. Esta abordaxe ofrece unha vía pragmática para acelerar a ganancia xenética en programas de mellora con recursos limitados, especialmente para trazos relacionados co rendemento, ao tempo que reduce a carga de fenotipificación a través de datos HTP reutilizables.